LinearB startet Agentic Studio, um Programmieragenten technischen Kontext bereitzustellen

LinearB hat Agentic Studio gestartet, um Daten zur Softwarebereitstellung in Kontext umzuwandeln, den Engineering-Führungskräfte und Programmieragenten für Entscheidungen nutzen können. Die am 2. November angekündigte Plattform verbindet Analysen in natürlicher Sprache mit einer Ebene für den Engineering-Kontext, die die Werkzeuge umfasst, mit denen Teams Software planen, schreiben, überprüfen und veröffentlichen.

Der Start spiegelt ein wachsendes Problem bei der KI-gestützten Entwicklung wider: Mehr Code zu erzeugen hilft einem Unternehmen nicht automatisch dabei, schneller nützliche Software bereitzustellen. Code-Reviews können sich stauen, Änderungen lassen sich zunehmend schwerer beurteilen, und Agenten können mit einer Aufgabe beginnen, ohne zu wissen, welche Dienste anfällig sind oder warum eine bestimmte Korrektur wichtig ist.

Laut der Ankündigung steht Agentic Studio allen LinearB-Kunden zur Verfügung. Agenten-Skills, darunter eine erste Funktion, mit der sich der Aufwand eines Agenten an eine Aufgabe anpassen lässt, befinden sich im frühen Zugriff.

Daten zur Softwarebereitstellung in technischen Kontext umwandeln

LinearB erfasst Informationen aus dem gesamten Softwarebereitstellungsprozess und bringt sie in ein einheitliches Modell. Das Unternehmen erklärt, es gleiche die Identitäten von Entwicklern über Git- und Projektmanagementsysteme hinweg ab, verknüpfe Änderungen vom Ticket bis zur Veröffentlichung und ergänze KI-Zuordnungen sowie Vergleichswerte, damit Führungskräfte die Ergebnisse besser einordnen können.

Entscheidend ist, diese Datensätze miteinander zu verknüpfen. Ein Pull Request kann für sich genommen unkompliziert wirken und zugleich einen Dienst betreffen, bei dem es kürzlich zu Vorfällen kam, häufig Nacharbeiten nötig waren oder die Zuständigkeiten kompliziert sind. Wird die Änderung mit dieser Vorgeschichte verknüpft, erhält ein Reviewer oder Programmieragent Informationen, die ein alleiniger Schnappschuss des Repositorys möglicherweise nicht bietet.

In dem neuen Studio können Führungskräfte Fragen in einfacher Sprache stellen, Vorschläge für nächste Schritte erhalten und mithilfe von KI Metriken, Dashboards und andere Arbeitsmaterialien erstellen. LinearB zufolge können Unternehmen mithilfe der in die Plattform integrierten rollenbasierten Zugriffskontrolle festlegen, welcher Kontext Nutzern zur Verfügung steht.

Diese Ausrichtung entspricht den Leitlinien von LinearB zum Kontext-Engineering, die betonen, relevante Informationen auszuwählen, statt das Kontextfenster eines Agenten wahllos zu füllen. Das Framework berücksichtigt den Code, die Absicht hinter einer Änderung, Verbindungen zwischen Systemen und die Grenzen dessen, worauf ein Agent zugreifen darf.

Ein Skill im frühen Zugriff passt den Aufwand an das Risiko an

Der erste Agenten-Skill soll bestimmen, wie viel Aufwand eine Programmieraufgabe erfordert. LinearB zufolge berücksichtigt er geschäftliche Relevanz, Komplexität und Risiko und zieht dabei Signale wie Nacharbeitsquoten, jüngste Vorfälle bei Diensten und den Zuständigkeitsverlauf heran.

Eine Änderung mit geringem Risiko kann mit weniger Token und geringerem Aufwand bearbeitet werden, während eine folgenreichere Änderung eine gründlichere Analyse und Prüfung erhalten kann. Engineering-Führungskräfte können sehen, wie häufig Aufgaben einem niedrigen, mittleren oder hohen Aufwand zugeordnet werden. Das Unternehmen erklärt, der Skill funktioniere mit jedem Programmieragenten; die Ankündigung enthält jedoch weder Vergleichsergebnisse für bestimmte Agenten noch Angaben zu tatsächlich erzielten Token-Einsparungen.

Der technische Ansatz ist auch dann nützlich, wenn noch keine Kosteneinsparungen belegt sind. Ein einheitliches Denkbudget behandelt eine kleinere Wartungsänderung genauso wie eine sensible Korrektur in der Produktionsumgebung. Aufgabenspezifischer Kontext könnte dabei helfen, dort mehr Aufmerksamkeit einzusetzen, wo Fehler teuer sind, und zugleich unnötigen Aufwand bei einfacheren Änderungen zu verringern.

MCP verbindet Daten mit bestehenden KI-Arbeitsabläufen

LinearB stellt technische Informationen auch über das Model Context Protocol (MCP) bereit. Auf der MCP-Produktseite werden der Zugriff auf Bereitstellungsmetriken in natürlicher Sprache, benutzerdefinierte Berichte und Engpassanalysen sowie Empfehlungen wie die Automatisierung von Reviews und die Weiterleitung von Aufgaben beschrieben.

So können Teams technische Daten über einen KI-Client untersuchen, statt manuell zwischen Dashboards zu wechseln. MCP stellt die Verbindung zu Werkzeugen und Informationen her; die Kontextebene liefert die spezifischen Zusammenhänge im Bereitstellungsprozess, durch die eine Frage zu einem Repository oder Team aussagekräftig wird.

Bei der Einführung der neuen Plattform gilt es, einen Unterschied zu beachten. Während die Ankündigung rollenbasierten Zugriff und Schutzvorkehrungen für Unternehmen beschreibt, führt die öffentliche MCP-FAQ von LinearB einen auf Berechtigungen beschränkten MCP-Zugriff weiterhin als geplanten Entwicklungsschritt auf. Die Aussage zur Zugriffskontrolle im neuen Studio sollte daher nicht als Bestätigung verstanden werden, dass jeder bestehende MCP-Client bereits sämtliche LinearB-Berechtigungen übernimmt.

Warum mehr KI-Ausgaben nachgelagerte Engpässe sichtbar machen können

In der Ankündigung von LinearB werden KI-Benchmarks für 2026 angeführt, die auf 2,7 Millionen Pull Requests und 83.000 Entwicklern aus 253 Unternehmen beruhen. Entwickler, die an mindestens 75 % ihrer Programmiertage KI nutzten, führten dem Unternehmen zufolge pro Woche 96 % mehr Pull Requests zusammen als ein Jahr zuvor.

Diese Zahlen beschreiben beobachtete Aktivitäten und beweisen nicht, dass allein die KI die Veränderung verursacht hat. Mehr zusammengeführte Pull Requests belegen außerdem nicht, dass Kunden doppelt so viel Nutzen erhalten haben. In der Veröffentlichung werden gesondert Erkenntnisse angeführt, wonach KI-gestützte Änderungen umfangreicher waren und von Agenten erstellte Pull Requests wesentlich länger auf ein Review warteten. Das veranschaulicht, wie eine schnellere Codegenerierung die Arbeit auf den restlichen Bereitstellungsprozess verlagern kann.

Ein Kundenbeispiel veranschaulicht diesen Unterschied. LinearB zufolge nutzte Kraken seinen MCP-Server zusammen mit KI, um Verzögerungen bei Reviews zu untersuchen, und stellte fest, dass Zeitzonen und die Verfügbarkeit der Reviewer wichtiger waren als umfangreiche Änderungen. Berichten zufolge verkürzte Kraken die Review-Zeit am 90. Perzentil innerhalb von vier Monaten um mehr als die Hälfte. Die veröffentlichte Diskussion mit Kraken des Unternehmens liefert weiteren Kontext dazu, wie sich mithilfe von Repository-Daten und Delivery-Kennzahlen Engpässe aufdecken lassen.

Von der Messung des KI-Einsatzes zur Verbesserung der Softwareauslieferung

LinearB plant zusätzliche Agenten-Skills für nachgelagerte Aufgaben wie Reviews, das Zusammenführen von Änderungen und Governance. Dabei handelt es sich um zukünftige Vorhaben, die von der derzeitigen Verfügbarkeit des Studios und dem Early-Access-Status der Aufwandsschätzungsfunktion zu unterscheiden sind.

Die übergeordnete These lautet, dass Programmieragenten verstehen müssen, in welchem organisatorischen Umfeld der Code entsteht: was wichtig ist, wer wofür verantwortlich ist, woran frühere Änderungen gescheitert sind und welche Einschränkungen gelten. Agentic Studio bringt diese Idee in die Plattform für Entwicklerproduktivität. Sein Wert bemisst sich letztlich an der Qualität und dem Fluss der ausgelieferten Änderungen – nicht an der Menge des generierten Codes.