LinearB julkaisee Agentic Studion, joka antaa koodausagenteille ohjelmistokehityksen kontekstia

LinearB on julkaissut Agentic Studion, joka muuntaa ohjelmistokehityksen toimitusdataa kontekstiksi, jota ohjelmistokehityksen johtajat ja koodausagentit voivat hyödyntää päätöksenteossa. Marraskuun 2. päivänä julkistettu alusta yhdistää luonnollisen kielen analyysin ohjelmistokehityksen kontekstikerrokseen, joka kattaa työkalut, joita tiimit käyttävät ohjelmistojen suunnitteluun, kirjoittamiseen, tarkistamiseen ja julkaisemiseen.

Julkaisu vastaa tekoälyavusteisen ohjelmistokehityksen kasvavaan ongelmaan: suurempi koodimäärä ei automaattisesti auta organisaatiota toimittamaan hyödyllisiä ohjelmistoja nopeammin. Koodikatselmukset voivat ruuhkautua, muutosten arviointi voi vaikeutua, ja agentit voivat ryhtyä tehtävään tietämättä, mitkä palvelut ovat herkkiä häiriöille tai miksi tietyllä korjauksella on merkitystä.

Julkistuksen mukaan Agentic Studio on kaikkien LinearB-asiakkaiden käytettävissä. Agenttitaidot, mukaan lukien ensimmäinen ominaisuus, joka sovittaa agentin työpanoksen tehtävän vaatimuksiin, ovat ennakkokäytössä.

Ohjelmistokehityksen toimitusdatan muuttaminen kontekstiksi

LinearB kerää tietoa ohjelmistokehityksen toimitusprosessin eri vaiheista ja yhdenmukaistaa sen yhteiseksi tietomalliksi. Yhtiön mukaan se yhdistää insinöörien identiteetit Git- ja projektinhallintajärjestelmissä, linkittää muutokset tiketeistä julkaisuun sekä lisää tulosten tulkintaa helpottavia tekoälyn tekijäattribuutioita ja vertailuarvoja.

Ratkaisevaa on näiden tietojen yhdistäminen. Pull request voi yksinään näyttää suoraviivaiselta, vaikka se vaikuttaisi palveluun, jossa on ollut viimeaikaisia häiriöitä, paljon uudelleentyötä tai monimutkaiset omistajuussuhteet. Kun muutos linkitetään tähän historiaan, katselmoija tai koodausagentti saa tietoja, joita pelkkä tietovaraston tilannekuva ei välttämättä tarjoa.

Uudessa studiossa johtajat voivat esittää kysymyksiä arkikielellä, saada ehdotuksia seuraavista toimista ja hyödyntää tekoälyavustusta mittareiden, koontinäyttöjen ja muiden aineistojen luomiseen. LinearB:n mukaan organisaatiot voivat määrittää, mitä kontekstia käyttäjät voivat nähdä, sillä alustaan on sisäänrakennettu roolipohjainen käyttöoikeuksien hallinta.

Tämä suunta vastaa yhtiön kontekstisuunnittelua koskevaa ohjeistusta, jossa korostetaan olennaisen tiedon valitsemista sen sijaan, että agentin konteksti-ikkuna täytettäisiin summittaisesti. Viitekehyksessä huomioidaan koodi, muutoksen taustalla oleva tarkoitus, järjestelmien väliset yhteydet sekä rajat sille, mitä agentti saa käyttää.

Ennakkokäytössä oleva taito sovittaa työpanoksen riskin mukaan

Ensimmäinen agenttitaito on suunniteltu arvioimaan, kuinka paljon työpanosta koodaustehtävä vaatii. LinearB:n mukaan se ottaa huomioon liiketoiminnallisen merkityksen, monimutkaisuuden ja riskin sekä käyttää signaaleina esimerkiksi uudelleentyön määrää, palvelun viimeaikaisia häiriöitä ja omistajuushistoriaa.

Vähäriskinen muutos voidaan käsitellä kevyemmin ja pienemmällä tokenimäärällä, kun taas merkittävämpi muutos voi vaatia perusteellisempaa analyysia ja testausta. Ohjelmistokehityksen johtajat näkevät, kuinka usein tehtävät luokitellaan vähäistä, keskisuurta tai suurta työpanosta vaativiksi. Yhtiön mukaan taito toimii minkä tahansa koodausagentin kanssa, mutta julkistuksessa ei esitetä vertailutuloksia yksittäisten agenttien välillä eikä kerrota toteutuneiden tokenisäästöjen määrää.

Ohjelmistokehityksen kannalta ajatus on hyödyllinen jo ennen kuin kustannussäästöistä on näyttöä. Yhtenäinen päättelyyn varattu resurssi kohtelee vähäistä ylläpitomuutosta ja tuotantoympäristön arkaluonteista korjausta samalla tavalla. Tehtäväkohtainen konteksti voisi auttaa kohdentamaan enemmän huomiota tilanteisiin, joissa virheet tulevat kalliiksi, ja samalla vähentää turhaa työtä yksinkertaisempien muutosten yhteydessä.

MCP yhdistää datan nykyisiin tekoälyn työnkulkuihin

LinearB tuo ohjelmistokehitystä koskevia tietoja saataville myös Model Context Protocolin eli MCP:n kautta. Sen MCP-tuotesivulla kuvataan luonnollisen kielen avulla tapahtuvaa pääsyä toimitusmittareihin, mukautettuun raportointiin ja pullonkaulojen analysointiin sekä suosituksia esimerkiksi katselmusten automatisointiin ja työn reitittämiseen.

Näin tiimit voivat tutkia ohjelmistokehityksen dataa tekoälyasiakkaasta käsin sen sijaan, että ne siirtyisivät manuaalisesti koontinäytöstä toiseen. MCP yhdistää työkalut ja tiedot, kun taas kontekstikerros tarjoaa ohjelmistokehityksen toimitusprosessiin liittyvät yhteydet, joiden ansiosta tietovarastoa tai tiimiä koskeva kysymys saa merkityksen.

Uuden alustan käyttöönoton yhteydessä on ratkaistava yksi epäselvyys. Julkaisussa kerrotaan roolipohjaisesta käyttöoikeuksien hallinnasta ja yrityskäyttöön tarkoitetuista suojatoimista, mutta LinearB:n julkisessa MCP-UKK:ssa käyttöoikeuksien mukaan rajattu MCP-käyttö on edelleen merkitty tulevaisuuden kehityskohteeksi. Siksi uuden studion käyttöoikeuksien hallintaa koskevaa kuvausta ei pidä tulkita vahvistukseksi siitä, että jokainen nykyinen MCP-asiakas perisi jo kaikki LinearB:n käyttöoikeudet.

Miksi tekoälyn tuottaman sisällön kasvu voi paljastaa toimitusprosessin myöhempien vaiheiden pullonkauloja

LinearB:n julkistuksessa viitataan vuoden 2026 tekoälyn vertailuarvoihin, jotka perustuvat 2,7 miljoonaan pull requestiin ja 83 000 kehittäjään 253 organisaatiossa. Yhtiön mukaan kehittäjät, jotka käyttivät tekoälyä vähintään 75 prosenttina koodauspäivistään, yhdistivät viikossa 96 % enemmän pull requesteja kuin vuotta aiemmin.

Nämä luvut kuvaavat havaittua toimintaa eivätkä todista, että muutoksen olisi aiheuttanut yksin tekoäly. Pull requestien suurempi määrä ei myöskään osoita, että asiakkaat olisivat saaneet kaksinkertaisesti arvoa. Julkaisussa viitataan erikseen havaintoihin, joiden mukaan tekoälyavusteiset muutokset olivat suurempia ja agenttien luomien pull requestien katselmointia odotettiin huomattavasti pidempään. Tämä havainnollistaa, kuinka koodin nopeampi tuottaminen voi siirtää työtä ohjelmistokehityksen toimitusprosessin muihin vaiheisiin.

Asiakasesimerkki havainnollistaa eroa konkreettisesti. LinearB:n mukaan Kraken käytti MCP-palvelintaan tekoälyn kanssa selvittääkseen katselmointien viivästymisen syitä ja havaitsi, että aikavyöhykkeillä ja tarkastajien saatavuudella oli enemmän merkitystä kuin muutosten koolla. Krakenin kerrotaan lyhentäneen katselmointiin kuluvaa aikaa yli puolella 90. persentiilissä neljän kuukauden aikana. Yrityksen julkaisema keskustelu Krakenin kanssa tarjoaa lisätietoa siitä, miten tietovarastojen dataa ja toimitusmittareita voidaan hyödyntää pullonkaulojen tunnistamisessa.

Tekoälyn käyttöönoton mittaamisesta toimitusten parantamiseen

LinearB suunnittelee lisää agenttien taitoja jatkotyövaiheisiin, kuten katselmointiin, yhdistämiseen ja hallinnointiin. Nämä ovat tulevaisuuden suunnitelmia, ja ne on erotettava studion nykyisestä saatavuudesta sekä työmäärän arviointitaidon varhaisen käyttöoikeuden tilasta.

Laajempi ajatus on, että koodausagenttien on ymmärrettävä koodia ympäröivää organisaatiota: mikä on tärkeää, kuka vastaa mistäkin, missä aiemmat muutokset ovat epäonnistuneet ja mitä rajoitteita on noudatettava. Agentic Studio tuo tämän ajatuksen osaksi kehittäjien tuottavuusalustaa. Sen arvoa mitataan lopulta toimitettujen muutosten laadulla ja sujuvuudella, ei tuotetun koodin määrällä.