LinearB lancerer Agentic Studio, der giver kodeagenter teknisk kontekst

LinearB har lanceret Agentic Studio, der omsætter data om softwarelevering til kontekst, som tekniske ledere og kodeagenter kan bruge til at træffe beslutninger. Platformen blev præsenteret 2. november og kombinerer analyse på naturligt sprog med et lag af teknisk kontekst, der omfatter de værktøjer, teams bruger til at planlægge, skrive, gennemgå og udgive software.

Lanceringen afspejler et voksende problem inden for AI-assisteret udvikling: At producere mere kode hjælper ikke automatisk en organisation med at levere nyttig software hurtigere. Kodegennemgange kan skabe flaskehalse, ændringer kan blive sværere at vurdere, og agenter kan begynde på en opgave uden at vide, hvilke tjenester der er sårbare, eller hvorfor en bestemt rettelse er vigtig.

Ifølge annonceringen er Agentic Studio tilgængelig for alle LinearB-kunder. Agentfærdigheder, herunder en indledende funktion, der tilpasser en agents indsats til opgaven, er i tidlig adgang.

Fra leveringsdata til teknisk kontekst

LinearB indsamler oplysninger på tværs af softwareleveringen og normaliserer dem i en fælles datamodel. Virksomheden oplyser, at den sammenholder ingeniørernes identiteter på tværs af Git- og projektstyringssystemer, forbinder ændringer fra opgave til udgivelse og tilføjer AI-attribution og benchmarkdata, så ledere bedre kan fortolke resultaterne.

Det afgørende er at forbinde disse oplysninger. En pull request kan isoleret set se ligetil ud, selv om den påvirker en tjeneste, der for nylig har haft driftsforstyrrelser, ofte kræver omarbejde eller har en kompliceret ansvarsfordeling. Når ændringen forbindes med denne historik, får en reviewer eller kodeagent oplysninger, som et øjebliksbillede af et kodearkiv ikke nødvendigvis kan give.

I det nye studie kan ledere stille spørgsmål i almindeligt sprog, få forslag til næste skridt og bruge AI-assistance til at oprette målinger, dashboards og andre artefakter. LinearB oplyser, at organisationer kan fastlægge, hvilken kontekst brugerne har adgang til, via rollebaseret adgang, der er indbygget i platformen.

Denne retning stemmer overens med virksomhedens vejledning i kontekstteknik, som lægger vægt på at udvælge relevant information frem for ukritisk at fylde en agents kontekstvindue. Rammen omfatter koden, hensigten bag en ændring, forbindelser på tværs af systemer og grænserne for, hvad en agent må tilgå.

En færdighed i tidlig adgang, der tilpasser indsatsen til risikoen

Den første agentfærdighed er udviklet til at vurdere, hvor stor en indsats en kodningsopgave kræver. LinearB oplyser, at den tager højde for forretningsmæssig relevans, kompleksitet og risiko ved hjælp af signaler som omarbejdningsrater, nylige driftsforstyrrelser i tjenester og historik over ansvarsfordeling.

En ændring med lav risiko kan behandles mere enkelt og med færre tokens, mens en mere betydningsfuld ændring kan få en grundigere analyse og test. Tekniske ledere kan se, hvor ofte opgaver tildeles et lavt, middelhøjt eller højt indsatsniveau. Virksomheden oplyser, at færdigheden fungerer med alle kodeagenter, men annonceringen indeholder ikke sammenlignende resultater for bestemte agenter og opgør heller ikke de faktisk opnåede tokenbesparelser.

Den tekniske idé er nyttig, også før der er belæg for en besparelse. Et ensartet budget for ræsonnering behandler en mindre vedligeholdelsesændring og en følsom rettelse i produktion på samme måde. Opgavespecifik kontekst kan gøre det lettere at rette mere opmærksomhed mod de steder, hvor fejl er dyre, og samtidig mindske unødvendigt arbejde på enklere ændringer.

MCP forbinder dataene med eksisterende AI-arbejdsgange

LinearB stiller også tekniske oplysninger til rådighed via Model Context Protocol, forkortet MCP. På virksomhedens produktside for MCP beskrives adgang til leveringsmålinger på naturligt sprog, tilpasset rapportering og analyse af flaskehalse samt anbefalinger som automatisering af kodegennemgange og dirigering af opgaver.

Det giver teams mulighed for at undersøge tekniske data fra en AI-klient i stedet for manuelt at skifte mellem dashboards. MCP forbinder værktøjer og oplysninger, mens kontekstlaget leverer de leveringsspecifikke sammenhænge, der gør spørgsmål om et kodearkiv eller et team meningsfulde.

Der er en forskel, som skal afklares, efterhånden som den nye platform rulles ud. Lanceringen beskriver rollebaseret adgang og sikkerhedsforanstaltninger til virksomheder, men LinearB’s offentlige FAQ om MCP angiver stadig adgang til MCP, der er afgrænset efter tilladelser, som et punkt på køreplanen. Udsagnet om adgangskontrol i det nye studie bør derfor ikke opfattes som en bekræftelse på, at alle eksisterende MCP-klienter allerede arver samtlige LinearB-tilladelser.

Derfor kan større AI-output afsløre flaskehalse senere i processen

LinearB’s annoncering henviser til AI-benchmarkdata fra 2026, baseret på 2,7 millioner pull requests og 83.000 udviklere på tværs af 253 organisationer. Ifølge virksomheden sammenlagde udviklere, der brugte AI på mindst 75 % af deres arbejdsdage med kodning, 96 % flere pull requests om ugen end året før.

Tallene beskriver observeret aktivitet, men beviser ikke, at AI alene forårsagede ændringen. Flere sammenlagte pull requests dokumenterer heller ikke, at kunderne fik dobbelt så stor værdi. Udgivelsen henviser særskilt til resultater, der viste, at AI-assisterede ændringer var større, og at pull requests oprettet af agenter ventede betydeligt længere på gennemgang. Det illustrerer, hvordan hurtigere kodegenerering kan flytte arbejdsbyrden over på resten af leveringsprocessen.

Et kundecase gør forskellen konkret. LinearB oplyser, at Kraken brugte sin MCP-server sammen med AI til at undersøge forsinkelser i kodegennemgange og fandt, at tidszoner og anmeldernes tilgængelighed havde større betydning end store ændringer. Kraken reducerede angiveligt gennemgangstiden ved 90-percentilen med mere end halvdelen på fire måneder. Virksomhedens offentliggjorte samtale med Kraken giver yderligere indblik i, hvordan data fra kodearkiver og leverancemålinger kan bruges til at afdække flaskehalse.

Fra måling af AI-udbredelse til forbedring af leverancer

LinearB planlægger flere agentfærdigheder til senere arbejdsfaser, f.eks. kodegennemgang, sammenfletning og styring. Det er fremtidige planer, som skal holdes adskilt fra Agentic Studios aktuelle tilgængelighed og indsatsfærdighedens status som tidlig adgang.

Den overordnede pointe er, at kodeagenter har brug for forståelse for organisationen omkring koden: Hvad der er vigtigt, hvem der har ansvaret for hvad, hvor tidligere ændringer slog fejl, og hvilke begrænsninger der gælder. Agentic Studio integrerer denne tilgang i platformen for udviklerproduktivitet, og værdien måles i sidste ende på kvaliteten af og flowet i de leverede ændringer snarere end på mængden af genereret kode.