LinearB lancia Agentic Studio per fornire contesto ingegneristico agli agenti di programmazione

LinearB ha lanciato Agentic Studio per trasformare i dati sulla distribuzione del software in un contesto utilizzabile dai responsabili dei team di ingegneria e dagli agenti di programmazione per prendere decisioni. Annunciata il 2 novembre, la piattaforma combina l’analisi in linguaggio naturale con un livello di contesto ingegneristico che abbraccia gli strumenti usati dai team per pianificare, scrivere, esaminare e rilasciare software.

Il lancio risponde a un problema sempre più diffuso nello sviluppo assistito dall’IA: produrre più codice non aiuta automaticamente un’organizzazione a distribuire software utile più rapidamente. Le revisioni possono accumularsi, le modifiche diventare più difficili da valutare e gli agenti iniziare un’attività senza sapere quali servizi siano fragili o perché una determinata correzione sia importante.

Secondo l’annuncio, Agentic Studio è disponibile per tutti i clienti LinearB. Le funzionalità per gli agenti, tra cui una prima capacità che adegua l’impegno dell’agente all’attività da svolgere, sono in accesso anticipato.

Trasformare i dati sulla distribuzione in contesto ingegneristico

LinearB raccoglie informazioni sull’intero processo di distribuzione del software e le normalizza in un modello comune. L’azienda afferma di riconciliare le identità degli ingegneri tra Git e i sistemi di gestione dei progetti, collegare le modifiche dalla segnalazione alla pubblicazione e aggiungere attribuzioni e parametri di confronto relativi all’IA per aiutare i responsabili a interpretare i risultati.

Il passaggio fondamentale consiste nel collegare questi dati. Una pull request può sembrare semplice se considerata isolatamente, pur interessando un servizio che ha registrato incidenti di recente, frequenti rilavorazioni o una gestione complessa delle responsabilità. Collegare la modifica alla sua storia fornisce a chi la esamina o all’agente di programmazione informazioni che una semplice istantanea del repository potrebbe non offrire.

Nel nuovo studio, i responsabili possono porre domande in linguaggio naturale, ottenere suggerimenti sui passaggi successivi e usare l’assistenza dell’IA per creare metriche, dashboard e altri contenuti. LinearB afferma che le organizzazioni possono definire il contesto accessibile agli utenti tramite i controlli di accesso basati sui ruoli integrati nella piattaforma.

Questo approccio è in linea con le indicazioni di LinearB sull’ingegneria del contesto, che sottolineano l’importanza di selezionare le informazioni pertinenti, anziché riempire indiscriminatamente la finestra di contesto di un agente. Il quadro di riferimento prende in considerazione il codice, l’intento alla base di una modifica, i collegamenti tra i sistemi e i limiti di accesso dell’agente.

Una funzionalità in accesso anticipato per adeguare l’impegno al rischio

La prima funzionalità per agenti è progettata per stabilire quanto impegno richieda un’attività di programmazione. LinearB afferma che tiene conto della rilevanza per l’azienda, della complessità e del rischio, utilizzando segnali come i tassi di rilavorazione, gli incidenti recenti dei servizi e la cronologia delle responsabilità.

Una modifica a basso rischio può essere gestita in modo più leggero e con meno token, mentre un intervento dalle conseguenze più rilevanti può richiedere analisi e test più approfonditi. I responsabili dei team di ingegneria possono vedere con quale frequenza le attività vengono classificate come a impegno basso, medio o alto. L’azienda afferma che la funzionalità è compatibile con qualsiasi agente di programmazione, ma l’annuncio non presenta risultati comparativi per agenti specifici né quantifica il risparmio di token effettivamente ottenuto.

L’approccio ingegneristico è utile anche prima che venga dimostrato un risparmio. Un budget di ragionamento uniforme tratta allo stesso modo una piccola modifica di manutenzione e una correzione delicata in produzione. Un contesto specifico per ogni attività potrebbe aiutare a concentrare maggiore attenzione dove gli errori sono costosi, riducendo al contempo il lavoro superfluo per le modifiche più semplici.

MCP collega i dati ai flussi di lavoro IA esistenti

LinearB rende disponibili le informazioni ingegneristiche anche tramite il Model Context Protocol, o MCP. La pagina del prodotto MCP descrive l’accesso in linguaggio naturale alle metriche di distribuzione, la creazione di report personalizzati e l’analisi dei colli di bottiglia, oltre a suggerimenti come l’automazione delle revisioni e l’instradamento delle attività.

Questo permette ai team di analizzare i dati ingegneristici da un client di IA, senza dover passare manualmente da una dashboard all’altra. MCP collega gli strumenti e le informazioni; il livello di contesto fornisce le relazioni specifiche del processo di distribuzione che danno significato a una domanda su un repository o un team.

Con la diffusione della nuova piattaforma, resta da chiarire una distinzione. Sebbene l’annuncio descriva controlli di accesso basati sui ruoli e misure di protezione per le aziende, le FAQ pubbliche di LinearB su MCP indicano ancora l’accesso a MCP con autorizzazioni circoscritte come una funzionalità prevista nella roadmap. La dichiarazione sui controlli di accesso del nuovo studio non va quindi interpretata come conferma che tutti i client MCP esistenti ereditino già ogni autorizzazione di LinearB.

Perché una maggiore produzione di contenuti con l’IA può mettere in luce i colli di bottiglia a valle

Nell’annuncio, LinearB cita parametri di riferimento sull’IA relativi al 2026, ricavati da 2,7 milioni di pull request e 83.000 sviluppatori in 253 organizzazioni. Secondo l’azienda, gli sviluppatori che hanno usato l’IA in almeno il 75% delle giornate di programmazione hanno integrato il 96% di pull request in più alla settimana rispetto a un anno prima.

Questi dati descrivono l’attività osservata, ma non dimostrano che il cambiamento sia stato causato esclusivamente dall’IA. Inoltre, un numero maggiore di pull request integrate non dimostra che i clienti abbiano ricevuto un valore doppio. La comunicazione cita separatamente risultati secondo cui le modifiche assistite dall’IA erano più ampie e le pull request create dagli agenti hanno atteso molto più a lungo prima di essere esaminate: un esempio di come una generazione del codice più rapida possa trasferire lavoro al resto del processo di distribuzione.

Un esempio concreto tratto da un cliente chiarisce la distinzione. LinearB afferma che Kraken ha usato il suo server MCP con l’IA per analizzare i ritardi nelle revisioni e ha scoperto che i fusi orari e la disponibilità dei revisori contavano più delle dimensioni delle modifiche. Secondo quanto riferito, Kraken ha ridotto di oltre la metà i tempi di revisione al 90º percentile nell’arco di quattro mesi. La discussione pubblicata con Kraken dall’azienda offre ulteriori indicazioni su come utilizzare i dati dei repository e le metriche di distribuzione per individuare i colli di bottiglia.

Dalla misurazione dell’adozione dell’IA al miglioramento della distribuzione

LinearB prevede di aggiungere competenze per gli agenti dedicate alle fasi successive del lavoro, come la revisione, l’integrazione e la governance. Si tratta di sviluppi futuri, distinti dall’attuale disponibilità dello studio e dalla fase di accesso anticipato della funzionalità di stima dell’impegno.

La tesi più ampia è che gli agenti di programmazione debbano comprendere l’organizzazione che ruota attorno al codice: cosa conta, chi ne è responsabile, dove le modifiche precedenti hanno incontrato problemi e quali vincoli si applicano. Agentic Studio integra questa visione nella piattaforma per la produttività degli sviluppatori; il suo valore si misurerà, in definitiva, dalla qualità e dal flusso delle modifiche consegnate, non dalla quantità di codice generato.