Vom Flugbetrieb zur ausführbaren Arbeit: Wie operative Aviation-Daten in Jira messbare Umsetzung erzeugen – mit AI-Agenten

Operative Systeme im Aviation-Umfeld sind darauf ausgelegt, schnell zu sein: Flugplanung, Crewing, Disposition, Verkauf und Störungsmanagement laufen im Minuten- oder sogar Sekunden-Takt. Was in der Praxis oft langsamer ist, sind die Übergaben dazwischen: Wer informiert wen? Welche Aufgabe entsteht daraus? Wer übernimmt sie verbindlich – und bis wann?

Wenn diese Übersetzungsarbeit zwischen „Ereignis im Betrieb“ und „ausführbarer Arbeit“ nicht sauber geregelt ist, entstehen typische Risiken: Aufgaben gehen in Chats unter, Entscheidungen sind nicht nachvollziehbar, SLA-Zusagen werden verfehlt, und die operative Mannschaft kompensiert mit Mehrarbeit. Für Sie als Entscheider zählt am Ende nicht, ob Daten vorhanden sind, sondern ob daraus verlässlich Umsetzung entsteht.

Das Kernproblem: Operative Systeme sind schnell – Übergaben sind es selten

In vielen mittelständischen Luftfahrt-Organisationen existieren zwei Geschwindigkeiten: Der Flugbetrieb ist hochgradig getaktet, die Umsetzung in Support-, Technik-, Finance- oder Customer-Prozessen ist dagegen oft „menschengetrieben“. Das führt zu Reibung an genau den Stellen, die in Disruption-Situationen kritisch sind.

Typische Symptome:

• Ein Disruption-Event erzeugt mehrere To-dos (Crew, Pax-Kommunikation, Umbuchung, Handling), aber niemand besitzt das Gesamtpaket.

• Informationen werden mehrfach übertragen, dabei gehen Details verloren oder werden unterschiedlich interpretiert.

• Prioritäten wechseln, ohne dass sichtbar ist, was dadurch liegen bleibt.

• Nachfragen („Wer hat das freigegeben?“) lassen sich nur über E-Mails und Chatverläufe rekonstruieren.

Die Folge ist nicht nur Stress, sondern messbarer wirtschaftlicher Schaden: längere Durchlaufzeiten, mehr Eskalationen, höhere Fehlerkosten und ein spürbarer Verlust an Transparenz.

LEON als Ereignis-Hub: Struktur statt „Zuruf“

Operative Hubs wie LEON bündeln die Realität des Flugbetriebs in strukturierten Daten: Flüge, Änderungen, Ressourcen, Kundeninformationen, Störungen sowie Sales- und Abwicklungsereignisse. Genau diese Struktur ist der Hebel.

Entscheidend ist, dass aus „Ereignissen“ (z. B. Flugverschiebung, Aircraft-Swap, Crew-Änderung, No-Go, kurzfristige Kundenanfrage) standardisiert „Arbeit“ werden kann. Nicht als lose Notiz, sondern als klar definierte Aufgabe mit Verantwortlichkeit, Frist, Kontext und Nachvollziehbarkeit.

Jira als Execution-Layer: Arbeit steuerbar machen (SLA, Übergaben, Audit Trail)

Jira eignet sich als Ausführungs- und Steuerungsebene, weil es Arbeit in klare Einheiten übersetzt: Vorgänge, Workflows, Zuständigkeiten, Abnahmen und Zeitziele. Für Sie als Geschäftsführung sind dabei drei Punkte relevant:

1. Verbindlichkeit statt Zuruf Ein Vorgang ist eine Zusage: Es gibt einen Owner, einen Status und eine Erwartung, wann der nächste Schritt passiert. Das reduziert die Abhängigkeit von einzelnen Personen und macht Übergaben „workflow-safe“.

2. Messbarkeit statt Bauchgefühl Durchlaufzeiten, Rückstaus, SLA-Erfüllung und Eskalationsgründe werden sichtbar. Sie können gezielt in Engpässe investieren, statt pauschal „mehr Personal“ zu diskutieren.

3. Nachvollziehbarkeit statt Rekonstruktion Wenn Entscheidungen, Freigaben und Änderungen im Vorgang dokumentiert sind, sinkt der Aufwand für Audits, interne Klärungen und Kundenkommunikation.

Der Mehrwert entsteht nicht durch „noch ein Tool“, sondern durch eine klare Schnittstellenlogik: Welche LEON-Events erzeugen welche Jira-Vorgänge? Welche Pflichtfelder braucht es? Welche Statusübergänge sind zulässig? Und wann ist ein Vorgang wirklich erledigt?

Der AI-Layer: Rovo und Wingman reduzieren „Arbeit rund um die Arbeit“

Im Alltag geht viel Zeit nicht in die eigentliche Lösung, sondern in Begleitaufgaben: Informationen zusammensuchen, Updates schreiben, Vorgänge anlegen, Prioritäten klären, nächste Schritte formulieren. Genau hier setzen AI-Funktionen an, wie sie in Jira (z. B. über Rovo und integrierte Agents) und in LEON (z. B. Wingman als Chat AI) beschrieben werden.

Typische, realistische Einsatzfelder:

• Zusammenfassen: Aus einem operativen Ereignis und mehreren Updates wird eine kurze, belastbare Zusammenfassung für Vorgang und Lagebild.

• Erstellen: Aus einem standardisierten LEON-Event wird ein Jira-Vorgang mit sinnvoller Struktur (Titel, Beschreibung, Checkliste, Zuständigkeit, Fälligkeit).

• Priorisieren: Vorschläge für Reihenfolge und Dringlichkeit anhand definierter Kriterien (z. B. Pax-Impact, Slot-Risiko, Vertrags-SLA, Revenue).

• Nächste Schritte: Konkrete Handlungsvorschläge, die zu Ihren Rollen passen (z. B. „warte auf Freigabe“, „eskalieren an Rolle X“, „Kunde informieren mit Vorlage Y“).

Wichtig ist die Einordnung: AI ersetzt nicht die Verantwortung. Sie reduziert Reibung, indem sie Routinearbeit beschleunigt und Informationen konsistent aufbereitet. Der Nutzen steigt, wenn Workflows sauber definiert sind – dann wird AI zum Verstärker, nicht zum Chaosfaktor.

Von Ereignissen zu Vorgängen: Eine einfache Schnittstellen-Logik

Damit aus operativen Daten ausführbare Arbeit wird, braucht es eine klare Logik, die auch ohne tiefes Technikverständnis steuerbar bleibt. Bewährt hat sich ein dreistufiges Modell:

• Trigger: Welches Ereignis in LEON löst Arbeit aus? (z. B. „Delay > 60 Min“, „Crew change < 12h“, „AOG“, „VIP-Request“)

• Mapping: Welche Informationen müssen in Jira ankommen? (z. B. Flugnummer, Datum, Station, betroffene Segmente, Kunde/Account, Verantwortungsrolle)

• Workflow: Welche Schritte sind verbindlich? (z. B. „Triage → Umsetzung → Abnahme → Dokumentation“)

So verhindern Sie, dass Teams zwar „Vorgänge“ haben, aber weiterhin telefonieren müssen, um die entscheidenden Details zu finden.

Praxisbeispiel: Disruption wird zur kontrollierten Task-Kette

Ein mittelständischer Operator erlebt am Morgen eine kurzfristige Aircraft-Unavailability. In LEON entsteht das Disruption-Event inklusive betroffener Rotation.

Statt Ad-hoc-Kommunikation werden daraus in Jira mehrere Vorgänge mit klarer Verantwortlichkeit:

• Operations: Re-Planung und Slot-Abstimmung

• Customer: Pax-Information und Umbuchungsoptionen

• Maintenance: Rückmeldung zur Verfügbarkeit und Dokumentation

• Commercial/Finance: Bewertung von Kostenfolgen und Kompensation

Ein AI-Agent unterstützt, indem er aus den LEON-Informationen eine einheitliche Lagezusammenfassung erstellt und die nächsten Schritte pro Rolle vorschlägt. Ergebnis: weniger Rückfragen, schnellere Koordination, nachvollziehbare Entscheidungen.

Governance: Rechte, Audit, Service Accounts, Nachvollziehbarkeit

Je stärker Sie operative Daten und AI-Unterstützung verknüpfen, desto wichtiger wird Governance. Das Ziel ist nicht Bürokratie, sondern Schutz vor Fehlern und klare Verantwortlichkeiten.

Pragmatische Leitplanken:

• Rechte & Rollen: Wer darf Vorgänge erzeugen, ändern, schließen? Wer darf Prioritäten überschreiben?

• Service Accounts: Automatisierte Schnittstellen sollten über eigene, kontrollierte Konten laufen – nicht über persönliche Logins.

• Audit & Historie: Änderungen müssen nachvollziehbar bleiben. Sicherheitsfunktionen wie Login-Historien unterstützen Transparenz über Zugriffe.

• AI mit Grenzen: AI darf Vorschläge machen, aber Freigaben und kritische Entscheidungen bleiben bei definierten Rollen.

Ergebnis: Kürzere Durchlaufzeiten, weniger Reibung, bessere Transparenz

Wenn LEON als operativer Ereignis-Hub und Jira als Execution-Layer sauber verzahnt sind, entsteht ein messbarer Effekt:

• Durchlaufzeiten sinken, weil Übergaben nicht mehr „per Zuruf“ passieren.

• Reibung nimmt ab, weil Kontext strukturiert ankommt und weniger nachgefragt werden muss.

• Transparenz steigt, weil Status, Engpässe und Entscheidungen sichtbar sind.

Für Sie als Führungskraft ist das der entscheidende Punkt: Sie gewinnen Steuerbarkeit im Tagesgeschäft – ohne den Flugbetrieb zu verlangsamen. AI-Funktionen wie Rovo in Jira und Wingman in LEON können diese Wirkung verstärken, wenn Prozesse, Rechte und Datenflüsse klar definiert sind.

Nächste Schritte: klein starten, Wirkung messen

Starten Sie nicht mit „AI“, sondern mit einem klaren Anwendungsfall:

• Wählen Sie 1–2 wiederkehrende Event-Typen (z. B. Disruption > X Minuten, kurzfristige Kundenanfrage).

• Definieren Sie den Jira-Workflow inkl. Owner, SLA und Pflichtinformationen.

• Messen Sie vor/nach: Durchlaufzeit, Rückfragen, Eskalationen, SLA-Erfüllung.

• Aktivieren Sie AI-Unterstützung gezielt dort, wo heute Such- und Schreibarbeit dominiert.

So entsteht aus operativen Aviation-Daten nicht nur Überblick, sondern ausführbare Arbeit – und damit Umsetzung, die Sie im Ergebnis sehen können.

---

Über die Arkcanis Consulting

Die Arkcanis Consulting GmbH ist die spezialisierte Beratungseinheit der Arkcanis Gruppe. Wir entwickeln skalierbare Prozess- und Datenarchitekturen für Airlines, AOCs, Operator und technologiegetriebene Unternehmen – mit einem klaren Fokus auf Aviation Engineering, Leon-Integrationen, Atlassian-Architekturen, ETL-Pipelines und Echtzeit-Dashboards.

Als Gründer der catworkx GmbH, einem der größten Atlassian-Partner im DACH-Raum, verfügt Oliver Groht über mehr als 25 Jahre Erfahrung in Jira- & Confluence-Architekturen, Prozessberatung und organisationsweiter Skalierung. Er verbindet diese Expertise heute mit tiefem technischem Know-how in Leon GraphQL, Data Engineering, Grafana und Flight Ops-Workflows.

Das Ergebnis: messbare, transparente und belastbare Strukturen, die operative Exzellenz ermöglichen und strategische Entscheidungen auf Management- und C-Level stärken.

Kontakt aufnehmen