LinearB lanza Agentic Studio para proporcionar contexto de ingeniería a los agentes de programación

LinearB ha lanzado Agentic Studio para convertir los datos sobre la entrega de software en contexto que los responsables de ingeniería y los agentes de programación puedan utilizar para tomar decisiones. La plataforma, anunciada el 2 de noviembre, combina el análisis en lenguaje natural con una capa de contexto de ingeniería que abarca las herramientas que los equipos utilizan para planificar, escribir, revisar y publicar software.

El lanzamiento responde a un problema cada vez más frecuente en el desarrollo asistido por IA: producir más código no ayuda automáticamente a una organización a entregar software útil con mayor rapidez. Las revisiones pueden acumularse, evaluar los cambios puede resultar más difícil y los agentes pueden empezar una tarea sin saber qué servicios son frágiles ni por qué es importante una corrección en particular.

Según el anuncio, Agentic Studio está disponible para todos los clientes de LinearB. Las habilidades para agentes, incluida una capacidad inicial para ajustar el esfuerzo de un agente a la tarea, están en fase de acceso anticipado.

Convertir los datos de entrega en contexto de ingeniería

LinearB recopila información de todo el proceso de entrega de software y la normaliza en un modelo común. La empresa afirma que unifica las identidades de los ingenieros en Git y los sistemas de gestión de proyectos, vincula los cambios desde el ticket hasta la publicación y añade atribución de IA y referencias comparativas para ayudar a los responsables a interpretar los resultados.

El paso clave es conectar esos registros. Una solicitud de cambios puede parecer sencilla por sí sola y, sin embargo, afectar a un servicio que ha sufrido incidentes recientes, requiere reelaboraciones frecuentes o tiene una estructura de responsabilidades compleja. Vincular el cambio con ese historial proporciona a quien lo revisa o al agente de programación información que quizá no se desprenda de una instantánea del repositorio por sí sola.

En el nuevo Studio, los responsables pueden hacer preguntas en lenguaje sencillo, obtener sugerencias sobre los siguientes pasos y utilizar la asistencia de IA para crear métricas, paneles y otros recursos. LinearB afirma que las organizaciones pueden definir el contexto disponible para los usuarios mediante el acceso basado en roles integrado en la plataforma.

Este enfoque coincide con las recomendaciones de la empresa sobre ingeniería de contexto, que destacan la importancia de seleccionar información pertinente en vez de llenar indiscriminadamente la ventana de contexto de un agente. Su marco tiene en cuenta el código, la intención detrás de un cambio, las conexiones entre sistemas y los límites de la información a la que puede acceder un agente.

Una habilidad en acceso anticipado para ajustar el esfuerzo al riesgo

La primera habilidad para agentes está diseñada para determinar cuánto esfuerzo requiere una tarea de programación. Según LinearB, tiene en cuenta la relevancia para el negocio, la complejidad y el riesgo, y utiliza señales como las tasas de reelaboración, los incidentes recientes en los servicios y el historial de responsabilidades.

Un cambio de bajo riesgo puede recibir un tratamiento más ligero y utilizar menos tokens, mientras que uno de mayor importancia puede requerir un análisis y unas pruebas más exhaustivos. Los responsables de ingeniería pueden ver con qué frecuencia se asigna a las tareas un nivel de esfuerzo bajo, medio o alto. La empresa afirma que la habilidad funciona con cualquier agente de programación, aunque el anuncio no presenta resultados comparativos entre agentes específicos ni cuantifica el ahorro de tokens obtenido.

La idea de ingeniería resulta útil incluso antes de que se demuestre un ahorro de costes. Asignar el mismo presupuesto de razonamiento a todos los casos trata por igual un cambio menor de mantenimiento y una corrección delicada en producción. El contexto específico de cada tarea podría ayudar a dedicar más atención a aquellas en las que los errores resultan costosos y, al mismo tiempo, reducir el trabajo innecesario en los cambios más sencillos.

MCP conecta los datos con los flujos de trabajo de IA existentes

LinearB también ofrece información de ingeniería a través del Model Context Protocol, o MCP. La página del producto MCP describe el acceso en lenguaje natural a las métricas de entrega, la creación de informes personalizados y el análisis de cuellos de botella, además de recomendaciones como la automatización de revisiones y el enrutamiento.

Esto permite a los equipos investigar datos de ingeniería desde un cliente de IA, en lugar de tener que pasar manualmente de un panel a otro. MCP conecta con las herramientas y la información; la capa de contexto aporta las relaciones específicas del proceso de entrega que permiten dar sentido a una pregunta sobre un repositorio o un equipo.

Hay una distinción que conviene aclarar a medida que se despliega la nueva plataforma. Aunque el anuncio describe el acceso basado en roles y las medidas de protección empresariales, las preguntas frecuentes públicas de LinearB sobre MCP siguen incluyendo el acceso a MCP limitado según los permisos entre los elementos previstos en la hoja de ruta. Por tanto, la declaración sobre el control de acceso del nuevo Studio no debe interpretarse como confirmación de que todos los clientes de MCP existentes ya heredan todos los permisos de LinearB.

Por qué un mayor volumen de producción de IA puede revelar cuellos de botella posteriores

El anuncio de LinearB cita evaluaciones comparativas de IA de 2026 basadas en 2,7 millones de solicitudes de cambios y 83.000 desarrolladores de 253 organizaciones. Según la empresa, los desarrolladores que utilizaron IA al menos el 75 % de los días de programación fusionaron un 96 % más de solicitudes de cambios por semana que un año antes.

Esas cifras describen la actividad observada, pero no demuestran que la IA por sí sola haya causado el cambio. El hecho de que se hayan fusionado más solicitudes de cambios tampoco demuestra que los clientes hayan recibido el doble de valor. El comunicado cita por separado conclusiones según las cuales los cambios asistidos por IA eran de mayor tamaño y las solicitudes de cambios creadas por agentes esperaban bastante más tiempo para su revisión, lo que ilustra cómo una generación de código más rápida puede trasladar trabajo al resto del proceso de entrega.

Un ejemplo de cliente permite concretar esa diferencia. LinearB afirma que Kraken utilizó su servidor MCP con IA para investigar los retrasos en las revisiones y descubrió que las zonas horarias y la disponibilidad de los revisores eran más importantes que el tamaño de los cambios. Según se informa, Kraken redujo en más de la mitad el tiempo de revisión en el percentil 90 a lo largo de cuatro meses. El artículo publicado sobre su experiencia con Kraken aporta más contexto sobre el uso de datos de repositorios y métricas de entrega para detectar cuellos de botella.

De medir la adopción de la IA a mejorar la entrega

LinearB prevé añadir habilidades de agente para etapas posteriores del trabajo, como la revisión, la integración y la gobernanza. Se trata de planes futuros, distintos de la disponibilidad actual del estudio y del acceso anticipado a la habilidad de esfuerzo.

La propuesta general es que los agentes de programación necesitan comprender la organización que rodea al código: qué es importante, quién es responsable, dónde han fallado cambios anteriores y qué restricciones se aplican. Agentic Studio incorpora esa propuesta a la plataforma de productividad para desarrolladores; en última instancia, su valor se mide por la calidad y el flujo de los cambios entregados, no por la cantidad de código generado.