LinearB lance Agentic Studio pour fournir un contexte d’ingénierie aux agents de codage

LinearB a lancé Agentic Studio afin de transformer les données de livraison logicielle en contexte exploitable par les responsables de l’ingénierie et les agents de codage pour prendre des décisions. Annoncée le 2 novembre, la plateforme associe l’analyse en langage naturel à une couche de contexte d’ingénierie couvrant les outils dont les équipes se servent pour planifier, écrire, examiner et livrer des logiciels.

Ce lancement répond à un problème croissant du développement assisté par l’IA : produire davantage de code n’aide pas automatiquement une organisation à livrer plus rapidement des logiciels utiles. Les revues peuvent s’enliser, les modifications devenir plus difficiles à évaluer et les agents commencer une tâche sans savoir quels services sont fragiles ni pourquoi une correction donnée est importante.

Selon l’annonce, Agentic Studio est accessible à tous les clients de LinearB. Les compétences d’agent, dont une première fonctionnalité qui adapte l’effort de l’agent à la tâche, sont en accès anticipé.

Transformer les données de livraison en contexte d’ingénierie

LinearB recueille des informations sur l’ensemble du processus de livraison logicielle et les normalise dans un modèle commun. L’entreprise indique qu’elle rapproche les identités des ingénieurs dans Git et les systèmes de gestion de projet, relie les modifications depuis le ticket jusqu’à la mise en production et ajoute l’attribution des contributions de l’IA ainsi que des références comparatives pour aider les responsables à interpréter les résultats.

L’étape essentielle consiste à relier ces données. Une demande de fusion peut sembler simple lorsqu’on l’examine isolément, tout en touchant un service qui a connu des incidents récents, des reprises fréquentes ou une répartition complexe des responsabilités. En reliant la modification à cet historique, on fournit à la personne chargée de la revue ou à l’agent de codage des informations qu’un simple instantané du dépôt ne permettrait pas forcément d’obtenir.

Dans ce nouvel environnement, les responsables peuvent poser des questions en langage courant, obtenir des suggestions sur les prochaines étapes et utiliser l’assistance de l’IA pour créer des indicateurs, des tableaux de bord et d’autres éléments. LinearB indique que les organisations peuvent définir le contexte accessible aux utilisateurs grâce à des contrôles d’accès par rôle intégrés à la plateforme.

Cette orientation concorde avec les recommandations de l’entreprise en matière d’ingénierie du contexte, qui préconisent de sélectionner les informations pertinentes plutôt que de remplir sans discernement la fenêtre de contexte d’un agent. Son cadre prend en compte le code, l’intention derrière une modification, les liens entre les systèmes et les limites d’accès de l’agent.

Une compétence en accès anticipé pour adapter l’effort au risque

La première compétence d’agent vise à déterminer le niveau d’effort qu’exige une tâche de codage. LinearB indique qu’elle tient compte de la pertinence pour l’activité, de la complexité et du risque, en s’appuyant sur des indicateurs tels que les taux de reprise, les incidents récents touchant les services et l’historique de répartition des responsabilités.

Une modification à faible risque peut faire l’objet d’un traitement plus léger, mobilisant moins de jetons, tandis qu’une modification aux conséquences plus importantes peut nécessiter une analyse et des tests plus approfondis. Les responsables de l’ingénierie peuvent voir à quelle fréquence les tâches sont orientées vers des niveaux d’effort faible, moyen ou élevé. L’entreprise indique que cette compétence fonctionne avec n’importe quel agent de codage, mais l’annonce ne fournit pas de résultats comparatifs entre des agents précis et ne quantifie pas les économies de jetons effectivement réalisées.

L’approche d’ingénierie est utile même en l’absence de preuve d’économies. Un budget de raisonnement uniforme traite de la même manière une modification mineure de maintenance et une correction sensible en production. Un contexte adapté à chaque tâche pourrait aider à consacrer davantage d’attention aux cas où les erreurs coûtent cher, tout en réduisant le travail superflu sur les modifications plus simples.

MCP relie les données aux flux de travail d’IA existants

LinearB donne également accès aux informations d’ingénierie par l’intermédiaire du protocole Model Context Protocol, ou MCP. Sa page produit MCP présente un accès aux indicateurs de livraison en langage naturel, des rapports personnalisés et l’analyse des goulots d’étranglement, ainsi que des recommandations comme l’automatisation des revues et l’acheminement des tâches.

Les équipes peuvent ainsi examiner les données d’ingénierie depuis un client d’IA, sans devoir passer manuellement d’un tableau de bord à l’autre. MCP assure la connexion aux outils et aux informations ; la couche de contexte fournit les relations propres au processus de livraison qui donnent tout leur sens aux questions sur un dépôt ou une équipe.

Une distinction reste à clarifier à mesure que la nouvelle plateforme est déployée. Si l’annonce fait état de contrôles d’accès par rôle et de garde-fous pour les entreprises, la FAQ publique de LinearB sur MCP présente toujours l’accès MCP limité par les autorisations comme un élément de la feuille de route. La déclaration sur le contrôle des accès du nouvel environnement ne doit donc pas être interprétée comme la confirmation que chaque client MCP existant hérite déjà de toutes les autorisations de LinearB.

Pourquoi une production accrue de l’IA peut révéler des goulots d’étranglement en aval

L’annonce de LinearB cite des références comparatives sur l’IA pour 2026, établies à partir de 2,7 millions de demandes de fusion et de 83 000 développeurs dans 253 organisations. Selon l’entreprise, les développeurs qui ont utilisé l’IA pendant au moins 75 % de leurs journées de codage ont fusionné 96 % de demandes de fusion supplémentaires par semaine par rapport à un an auparavant.

Ces chiffres décrivent une activité observée, sans prouver que l’IA à elle seule est à l’origine de cette évolution. Le fait que davantage de demandes de fusion aient été intégrées ne démontre pas non plus que les clients ont reçu deux fois plus de valeur. Le communiqué cite également des résultats selon lesquels les modifications assistées par l’IA étaient plus importantes et les demandes de fusion créées par des agents attendaient beaucoup plus longtemps avant leur revue, ce qui illustre comment une génération de code plus rapide peut reporter la charge sur le reste du processus de livraison.

Un exemple client illustre concrètement cette distinction. LinearB indique que Kraken a utilisé son serveur MCP avec l’IA pour examiner les retards de révision et a constaté que les fuseaux horaires et la disponibilité des personnes chargées des révisions comptaient davantage que la taille des modifications. Selon les informations rapportées, Kraken a réduit de plus de moitié le temps de révision au 90e percentile en quatre mois. La discussion publiée avec Kraken par l’entreprise apporte un éclairage supplémentaire sur l’utilisation des données des dépôts de code et des indicateurs de livraison pour déceler les goulots d’étranglement.

De la mesure de l’adoption de l’IA à l’amélioration de la livraison

LinearB prévoit d’ajouter des compétences pour agents destinées aux étapes ultérieures, comme la révision, la fusion et la gouvernance. Il s’agit de pistes pour l’avenir, distinctes de la disponibilité actuelle du Studio et du statut d’accès anticipé de la compétence d’évaluation de l’effort.

L’idée générale est que les agents de codage doivent comprendre l’organisation qui entoure le code : ce qui compte, qui en est responsable, où des modifications antérieures ont échoué et quelles contraintes s’appliquent. Agentic Studio intègre cette idée à la plateforme de productivité des développeurs ; sa valeur se mesurera en définitive à la qualité et au flux des modifications livrées, plutôt qu’à la quantité de code générée.