LinearB Meluncurkan Agentic Studio untuk Membekali Agen Pengodean dengan Konteks Rekayasa Perangkat Lunak

LinearB telah meluncurkan Agentic Studio untuk mengubah data pengiriman perangkat lunak menjadi konteks yang dapat digunakan pemimpin rekayasa perangkat lunak dan agen pengodean dalam mengambil keputusan. Platform ini diumumkan pada 2 November dan memadukan analisis bahasa alami dengan lapisan konteks rekayasa perangkat lunak yang mencakup berbagai alat yang digunakan tim untuk merencanakan, menulis, meninjau, dan merilis perangkat lunak.

Peluncuran ini mencerminkan masalah yang kian besar dalam pengembangan berbantuan AI: menghasilkan lebih banyak kode tidak serta-merta membantu organisasi mengirimkan perangkat lunak yang bermanfaat dengan lebih cepat. Proses peninjauan dapat mengalami kemacetan, perubahan dapat semakin sulit dinilai, dan agen dapat mulai mengerjakan tugas tanpa mengetahui layanan mana yang rentan atau mengapa perbaikan tertentu penting.

Menurut pengumuman tersebut, Agentic Studio tersedia bagi semua pelanggan LinearB. Keterampilan agen, termasuk kemampuan awal untuk menyesuaikan upaya agen dengan tugas yang dikerjakan, masih berada dalam akses awal.

Mengubah Data Pengiriman Menjadi Konteks Rekayasa Perangkat Lunak

LinearB mengumpulkan informasi dari berbagai tahap pengiriman perangkat lunak dan menormalkannya ke dalam model umum. Perusahaan itu menyatakan bahwa mereka menyelaraskan identitas para insinyur di berbagai sistem Git dan manajemen proyek, menghubungkan perubahan dari tiket hingga rilis, serta menambahkan atribusi AI dan tolok ukur untuk membantu pemimpin menafsirkan hasilnya.

Langkah pentingnya adalah menghubungkan catatan-catatan tersebut. Sebuah pull request bisa tampak sederhana jika dilihat secara terpisah, padahal berdampak pada layanan yang baru-baru ini mengalami insiden, sering membutuhkan pengerjaan ulang, atau memiliki struktur kepemilikan yang rumit. Menghubungkan perubahan itu dengan riwayat tersebut memberi peninjau atau agen pengodean informasi yang mungkin tidak tersedia hanya dari snapshot repositori.

Di studio baru ini, para pemimpin dapat mengajukan pertanyaan dalam bahasa sehari-hari, memperoleh saran langkah selanjutnya, dan menggunakan bantuan AI untuk membuat metrik, dasbor, serta artefak lainnya. LinearB menyatakan bahwa organisasi dapat menentukan konteks yang tersedia bagi pengguna melalui kontrol akses berbasis peran yang terintegrasi dalam platform.

Arah tersebut sejalan dengan panduan rekayasa konteks perusahaan, yang menekankan pemilihan informasi relevan alih-alih mengisi jendela konteks agen tanpa pandang bulu. Kerangka kerjanya mempertimbangkan kode, maksud di balik suatu perubahan, hubungan antarsistem, serta batasan akses agen.

Keterampilan Akses Awal untuk Menyesuaikan Upaya dengan Risiko

Keterampilan agen pertama dirancang untuk menentukan seberapa besar upaya yang diperlukan untuk suatu tugas pengodean. LinearB menyatakan bahwa keterampilan ini mempertimbangkan relevansi bisnis, kompleksitas, dan risiko, dengan menggunakan sinyal seperti tingkat pengerjaan ulang, insiden layanan terkini, dan riwayat kepemilikan.

Perubahan berisiko rendah dapat ditangani dengan pendekatan lebih ringan dan lebih sedikit token, sedangkan perubahan yang dampaknya lebih besar dapat dianalisis dan diuji dengan lebih saksama. Para pemimpin rekayasa perangkat lunak dapat melihat seberapa sering tugas diarahkan ke tingkat upaya rendah, sedang, atau tinggi. Perusahaan menyatakan bahwa keterampilan ini dapat digunakan dengan agen pengodean apa pun, meskipun pengumuman tersebut tidak menyajikan hasil perbandingan antaragen tertentu atau mengukur penghematan token yang benar-benar tercapai.

Gagasan rekayasa ini tetap bermanfaat meski klaim penghematan biaya belum terbukti. Anggaran penalaran yang seragam memperlakukan perubahan pemeliharaan kecil sama seperti perbaikan sensitif pada sistem produksi. Konteks khusus untuk tiap tugas dapat membantu mengalokasikan lebih banyak perhatian pada pekerjaan yang kesalahannya berbiaya tinggi, sekaligus mengurangi pekerjaan yang tidak perlu pada perubahan yang lebih sederhana.

MCP Menghubungkan Data dengan Alur Kerja AI yang Sudah Ada

LinearB juga menyediakan informasi rekayasa perangkat lunak melalui Model Context Protocol, atau MCP. Halaman produk MCP-nya menjelaskan akses ke metrik pengiriman dalam bahasa alami, pelaporan khusus, dan analisis kemacetan, serta rekomendasi seperti otomatisasi peninjauan dan pengalihan tugas.

Dengan demikian, tim dapat menyelidiki data rekayasa perangkat lunak dari klien AI tanpa harus berpindah-pindah dasbor secara manual. MCP menyediakan koneksi ke alat dan informasi, sedangkan lapisan konteks menyajikan hubungan khusus dalam proses pengiriman yang membuat pertanyaan tentang repositori atau tim menjadi bermakna.

Ada perbedaan yang perlu diperjelas seiring peluncuran platform baru ini. Meskipun pengumuman peluncuran menyebut akses berbasis peran dan perlindungan untuk perusahaan, FAQ MCP publik LinearB masih mencantumkan akses MCP yang dibatasi berdasarkan izin sebagai rencana mendatang. Karena itu, pernyataan tentang kontrol akses di studio baru ini tidak boleh dianggap sebagai konfirmasi bahwa setiap klien MCP yang sudah ada otomatis mewarisi seluruh izin LinearB.

Mengapa Lebih Banyak Keluaran AI Dapat Menyingkap Kemacetan di Tahap Berikutnya

Pengumuman LinearB mengutip tolok ukur AI tahun 2026 yang didasarkan pada 2,7 juta pull request dan 83.000 pengembang di 253 organisasi. Menurut perusahaan itu, para pengembang yang menggunakan AI pada setidaknya 75% hari kerja pengodean menggabungkan 96% lebih banyak pull request per minggu dibandingkan setahun sebelumnya.

Angka-angka tersebut menggambarkan aktivitas yang teramati, bukan membuktikan bahwa AI saja yang menyebabkan perubahan itu. Lebih banyak pull request yang digabungkan juga tidak membuktikan bahwa pelanggan menerima manfaat dua kali lipat. Rilis tersebut secara terpisah mengutip temuan bahwa perubahan berbantuan AI berukuran lebih besar dan pull request yang dibuat agen menunggu jauh lebih lama untuk ditinjau. Temuan ini menunjukkan bagaimana pembuatan kode yang lebih cepat dapat mengalihkan beban kerja ke bagian lain dalam proses pengiriman.

Contoh dari pelanggan memperjelas perbedaan tersebut. LinearB menyatakan bahwa Kraken menggunakan server MCP-nya bersama AI untuk menyelidiki keterlambatan peninjauan dan menemukan bahwa zona waktu serta ketersediaan peninjau lebih berpengaruh daripada perubahan besar. Kraken dilaporkan berhasil memangkas waktu peninjauan pada persentil ke-90 lebih dari separuh dalam empat bulan. Pembahasan yang dipublikasikan bersama Kraken oleh perusahaan tersebut memberikan konteks lebih lanjut tentang penggunaan data repositori dan metrik pengiriman untuk menemukan hambatan.

Dari Mengukur Adopsi AI hingga Meningkatkan Pengiriman

LinearB berencana menambahkan keterampilan agen untuk pekerjaan lanjutan seperti peninjauan, penggabungan, dan tata kelola. Hal-hal tersebut merupakan rencana ke depan, berbeda dari ketersediaan studio saat ini dan status akses awal keterampilan untuk mengerjakan tugas.

Gagasan yang lebih luas adalah bahwa agen pengodean perlu memahami organisasi di balik kode: hal-hal yang penting, pihak yang bertanggung jawab, tempat perubahan sebelumnya mengalami kegagalan, dan batasan yang berlaku. Agentic Studio menghadirkan gagasan tersebut ke dalam platform produktivitas pengembang, dengan nilai yang pada akhirnya diukur dari kualitas dan kelancaran alur perubahan yang dikirimkan, bukan dari jumlah kode yang dihasilkan.