LinearB spouští Agentic Studio, které poskytuje programovacím agentům kontext z oblasti vývoje

LinearB spustila Agentic Studio, které převádí data o dodávání softwaru na kontext, jenž mohou vedoucí pracovníci v oblasti vývoje i programovací agenti využít při rozhodování. Spuštění platformy bylo oznámeno 2. listopadu. Platforma kombinuje analýzu v přirozeném jazyce s vrstvou kontextu z oblasti vývoje, která zahrnuje nástroje, jež týmy používají k plánování, psaní, kontrole a vydávání softwaru.

Spuštění odráží narůstající problém vývoje s podporou AI: tvorba většího množství kódu organizaci automaticky nepomáhá dodávat užitečný software rychleji. Kontroly mohou být zahlcené, změny se mohou hůře posuzovat a agenti se mohou pustit do úkolu, aniž vědí, které služby jsou náchylné k problémům nebo proč je určitá oprava důležitá.

Podle oznámení je Agentic Studio dostupné všem zákazníkům LinearB. Dovednosti agentů, včetně úvodní funkce, která přizpůsobuje úsilí agenta náročnosti úkolu, jsou k dispozici v rámci předběžného přístupu.

Jak se data o dodávání softwaru mění v kontext pro vývoj

LinearB shromažďuje informace z celého procesu dodávání softwaru a sjednocuje je do společného modelu. Společnost uvádí, že sjednocuje identity inženýrů napříč systémy Git a pro řízení projektů, propojuje změny od zadání až po vydání a doplňuje údaje o atribuci AI a srovnávací ukazatele, které vedoucím pracovníkům pomáhají výsledky interpretovat.

Důležitým krokem je propojení těchto záznamů. Požadavek na změnu kódu může při samostatném pohledu působit jednoduše, a přitom se týkat služby, u níž nedávno došlo k incidentům, často se v ní předělává práce nebo má složitou strukturu odpovědnosti. Propojení změny s touto historií poskytne kontrolujícímu pracovníkovi nebo programovacímu agentovi informace, které nemusí být patrné jen ze samotného snímku repozitáře.

Vedoucí pracovníci mohou v novém studiu klást otázky běžným jazykem, získávat návrhy dalších kroků a využívat asistenci AI k vytváření metrik, řídicích panelů a dalších výstupů. LinearB uvádí, že organizace mohou určovat, jaký kontext mají uživatelé k dispozici, a to pomocí řízení přístupu podle rolí zabudovaného do platformy.

Tento směr odpovídá pokynům společnosti pro kontextové inženýrství, které zdůrazňují výběr relevantních informací namísto bezhlavého zaplňování kontextového okna agenta. Její rámec zohledňuje kód, záměr, který se za změnou skrývá, vazby mezi systémy i hranice toho, k čemu může agent přistupovat.

Funkce v předběžném přístupu přizpůsobuje úsilí míře rizika

První dovednost agenta má určit, kolik úsilí si programovací úkol žádá. LinearB uvádí, že zohledňuje obchodní význam, složitost a riziko a využívá signály, jako jsou míra předělávání práce, nedávné incidenty u služeb a historie odpovědnosti.

Změna s nízkým rizikem může vyžadovat méně náročný postup a menší počet tokenů, zatímco důležitější změně lze věnovat důkladnější analýzu a testování. Vedoucí pracovníci ve vývoji mohou sledovat, jak často jsou úkoly zařazovány do kategorií nízké, střední nebo vysoké náročnosti. Společnost uvádí, že tato dovednost funguje s jakýmkoli programovacím agentem, oznámení však neuvádí srovnávací výsledky pro konkrétní agenty ani nevyčísluje skutečně dosažené úspory tokenů.

Tato myšlenka z oblasti vývoje je užitečná, i když zatím není doloženo žádné tvrzení o úspoře nákladů. Jednotný rozpočet na uvažování přistupuje stejně k drobné údržbové změně i k citlivé opravě v produkčním prostředí. Kontext přizpůsobený konkrétnímu úkolu by mohl pomoci věnovat více pozornosti místům, kde jsou chyby nákladné, a současně omezit zbytečnou práci na jednodušších změnách.

MCP propojuje data se stávajícími pracovními postupy s AI

LinearB zpřístupňuje informace o vývoji také prostřednictvím protokolu Model Context Protocol neboli MCP. Jeho stránka produktu MCP popisuje přístup k metrikám dodávání softwaru, vlastnímu reportingu a analýze úzkých míst v přirozeném jazyce, stejně jako doporučení, například automatizaci kontrol a směrování práce.

Týmy tak mohou zkoumat data o vývoji z klienta AI, aniž by musely ručně přecházet mezi řídicími panely. MCP zajišťuje propojení s nástroji a informacemi; kontextová vrstva dodává specifické souvislosti z procesu dodávání softwaru, díky nimž otázka týkající se repozitáře nebo týmu dává smysl.

Při zavádění nové platformy je třeba vyjasnit jeden rozdíl. Ačkoli oznámení popisuje řízení přístupu podle rolí a ochranná opatření pro podnikové prostředí, veřejná stránka s častými dotazy k MCP od LinearB stále uvádí přístup MCP omezený oprávněními jako položku v plánu vývoje. Prohlášení o řízení přístupu v novém studiu proto nelze chápat jako potvrzení, že každý stávající klient MCP již automaticky přebírá všechna oprávnění LinearB.

Proč větší objem výstupů AI může odhalit úzká místa v dalších fázích

Oznámení LinearB cituje srovnávací údaje o AI za rok 2026, které vycházejí z 2,7 milionu požadavků na změnu kódu a 83 000 vývojářů ve 253 organizacích. Vývojáři, kteří používali AI alespoň v 75 % dní věnovaných programování, sloučili podle společnosti o 96 % více požadavků na změnu kódu týdně než o rok dříve.

Tato čísla popisují pozorovanou aktivitu, nikoli důkaz, že změnu způsobila výhradně AI. Ani vyšší počet sloučených požadavků na změnu kódu nedokazuje, že zákazníci získali dvakrát větší hodnotu. Oznámení samostatně uvádí také zjištění, že změny vytvořené s pomocí AI byly rozsáhlejší a požadavky na změnu kódu vytvořené agenty čekaly na kontrolu podstatně déle. To ilustruje, jak může rychlejší generování kódu přesunout práci do dalších částí procesu dodávání softwaru.

Příklad zákazníka tento rozdíl dobře ilustruje. LinearB uvádí, že Kraken při zkoumání prodlev při revizi využil svůj server MCP společně s AI a zjistil, že větší roli než rozsáhlé změny hrají časová pásma a dostupnost recenzentů. Kraken podle dostupných informací během čtyř měsíců zkrátil dobu revize na 90. percentilu o více než polovinu. Zveřejněná diskuse s Krakenem přináší další souvislosti k využití dat z repozitáře a metrik dodávek k odhalování úzkých míst.

Od měření využívání AI ke zlepšování dodávek

LinearB plánuje další dovednosti agentů pro navazující činnosti, jako jsou revize, slučování a správa. Jde o budoucí plány, které je třeba odlišovat od současné dostupnosti studia a předběžného přístupu k dovednosti pro zpracování úkolů.

Širší myšlenka spočívá v tom, že agenti pro programování potřebují rozumět organizaci, která stojí za kódem: vědět, na čem záleží, kdo za něj odpovídá, kde dřívější změny selhaly a jaká omezení platí. Agentic Studio tuto myšlenku přenáší do platformy pro produktivitu vývojářů; jeho přínos se nakonec bude měřit kvalitou a plynulostí dodávaných změn, nikoli množstvím vygenerovaného kódu.