LinearB lanceert Agentic Studio om codeeragents van technische context te voorzien

LinearB heeft Agentic Studio gelanceerd om gegevens over softwarelevering om te zetten in context die technische leidinggevenden en codeeragents kunnen gebruiken om beslissingen te nemen. Het platform werd op 2 november aangekondigd en combineert analyse in natuurlijke taal met een technische contextlaag die de tools omvat die teams gebruiken om software te plannen, schrijven, beoordelen en uit te brengen.

De lancering weerspiegelt een groeiend probleem bij AI-ondersteunde ontwikkeling: meer code produceren helpt een organisatie niet automatisch om sneller bruikbare software te leveren. Beoordelingen kunnen vastlopen, wijzigingen kunnen lastiger te beoordelen worden en agents kunnen aan een taak beginnen zonder te weten welke services kwetsbaar zijn of waarom een bepaalde oplossing belangrijk is.

Volgens de aankondiging is Agentic Studio beschikbaar voor alle LinearB-klanten. Agentvaardigheden, waaronder een eerste mogelijkheid om de inspanning van een agent af te stemmen op een taak, zijn beschikbaar als vroege toegang.

Leveringsgegevens omzetten in technische context

LinearB verzamelt informatie over het hele softwareleveringsproces en brengt die samen in een gemeenschappelijk model. Het bedrijf zegt dat het de identiteiten van engineers in Git- en projectmanagementsystemen met elkaar in overeenstemming brengt, wijzigingen koppelt van ticket tot release en AI-toeschrijving en benchmarks toevoegt om leidinggevenden te helpen de resultaten te interpreteren.

De belangrijke stap is het met elkaar verbinden van die gegevens. Een pull request kan op zichzelf eenvoudig lijken, terwijl het gevolgen heeft voor een service met recente incidenten, veel herstelwerk of een ingewikkelde eigendomsstructuur. Door de wijziging aan die voorgeschiedenis te koppelen, krijgt een beoordelaar of codeeragent informatie die niet uit alleen een momentopname van de repository blijkt.

In de nieuwe studio kunnen leidinggevenden vragen stellen in gewone taal, voorgestelde vervolgstappen krijgen en AI-ondersteuning gebruiken om meetgegevens, dashboards en andere hulpmiddelen te maken. LinearB zegt dat organisaties met op rollen gebaseerde toegangsrechten, ingebouwd in het platform, kunnen bepalen welke context voor gebruikers beschikbaar is.

Die aanpak sluit aan bij de richtlijnen van het bedrijf voor context engineering, waarin de nadruk ligt op het selecteren van relevante informatie in plaats van het contextvenster van een agent lukraak te vullen. Het raamwerk houdt rekening met de code, de bedoeling achter een wijziging, verbanden tussen systemen en de grenzen van waartoe een agent toegang mag hebben.

Een vaardigheid in vroege toegang om inspanning af te stemmen op risico

De eerste agentvaardigheid is bedoeld om te bepalen hoeveel inspanning een codeertaak rechtvaardigt. Volgens LinearB houdt de vaardigheid rekening met zakelijk belang, complexiteit en risico, aan de hand van signalen zoals herstelpercentages, recente service-incidenten en de eigendomsgeschiedenis.

Een wijziging met een laag risico kan met minder tokens eenvoudiger worden afgehandeld, terwijl een ingrijpendere wijziging een grondiger analyse en uitgebreider testen kan krijgen. Technische leidinggevenden kunnen zien hoe vaak taken worden ingedeeld in de categorieën lage, gemiddelde of hoge inspanning. Het bedrijf zegt dat de vaardigheid met elke codeeragent werkt, maar de aankondiging bevat geen vergelijkende resultaten voor specifieke agents en kwantificeert evenmin de daadwerkelijk gerealiseerde tokenbesparingen.

Het technische idee is nuttig, ook voordat een kostenbesparing is aangetoond. Een uniform budget voor redeneringen behandelt een kleine onderhoudswijziging hetzelfde als een gevoelige productieoplossing. Taakspecifieke context kan helpen om meer aandacht te besteden aan situaties waarin fouten duur zijn, en tegelijk onnodig werk aan eenvoudigere wijzigingen te beperken.

MCP verbindt de gegevens met bestaande AI-workflows

LinearB ontsluit technische informatie ook via het Model Context Protocol, of MCP. De productpagina over MCP beschrijft toegang in natuurlijke taal tot leveringsstatistieken, rapportages op maat en analyses van knelpunten, naast aanbevelingen zoals het automatiseren en toewijzen van beoordelingen.

Zo kunnen teams technische gegevens onderzoeken vanuit een AI-client, in plaats van handmatig tussen dashboards te schakelen. MCP zorgt voor de verbinding met tools en informatie; de contextlaag levert de relaties die specifiek zijn voor softwarelevering en die vragen over een repository of team betekenis geven.

Bij de uitrol van het nieuwe platform is er een onderscheid dat aandacht verdient. Hoewel de aankondiging spreekt over op rollen gebaseerde toegang en beveiligingsmaatregelen voor bedrijven, vermeldt de openbare MCP-FAQ van LinearB toegang tot MCP op basis van machtigingen nog steeds als een onderdeel van de roadmap. De verklaring over toegangsbeheer voor de nieuwe studio mag daarom niet worden opgevat als bevestiging dat elke bestaande MCP-client al alle LinearB-machtigingen overneemt.

Waarom meer AI-output knelpunten verderop in het proces aan het licht kan brengen

In de aankondiging verwijst LinearB naar AI-benchmarks voor 2026, gebaseerd op 2,7 miljoen pull requests en 83.000 ontwikkelaars bij 253 organisaties. Volgens het bedrijf hebben ontwikkelaars die AI op minstens 75% van hun coderingsdagen gebruikten per week 96% meer pull requests samengevoegd dan een jaar eerder.

Die cijfers beschrijven waargenomen activiteit, maar bewijzen niet dat AI alleen de verandering heeft veroorzaakt. Meer samengevoegde pull requests betekenen ook niet dat klanten twee keer zoveel waarde hebben gekregen. In het persbericht worden daarnaast bevindingen aangehaald waaruit blijkt dat AI-ondersteunde wijzigingen groter waren en dat pull requests van agents aanzienlijk langer op beoordeling wachtten. Dat illustreert hoe snellere codegeneratie extra werk kan opleveren voor de rest van het leveringsproces.

Een klantvoorbeeld maakt dat onderscheid concreet. LinearB zegt dat Kraken zijn MCP-server met AI gebruikte om vertragingen bij codebeoordelingen te onderzoeken. Daarbij bleek dat tijdzones en de beschikbaarheid van reviewers belangrijker waren dan grote wijzigingen. Naar verluidt verkortte Kraken de beoordelingstijd op het 90e percentiel in vier maanden met meer dan de helft. De gepubliceerde bespreking met Kraken biedt meer inzicht in het gebruik van repositorygegevens en leveringsstatistieken om knelpunten op te sporen.

Van het meten van AI-adoptie naar het verbeteren van de levering

LinearB is van plan aanvullende agentvaardigheden te ontwikkelen voor vervolgwerk, zoals beoordelen, samenvoegen en governance. Dat zijn toekomstige ontwikkelingen, los van de huidige beschikbaarheid van Studio en de vroege toegang tot de vaardigheid voor inspanningsinschatting.

Het bredere uitgangspunt is dat codeeragenten inzicht nodig hebben in de organisatie rond de code: wat belangrijk is, wie waarvoor verantwoordelijk is, waar eerdere wijzigingen zijn mislukt en welke beperkingen gelden. Agentic Studio brengt dat uitgangspunt naar het platform voor productiviteit van ontwikkelaars. De waarde ervan wordt uiteindelijk afgemeten aan de kwaliteit en doorstroming van opgeleverde wijzigingen, niet aan de hoeveelheid gegenereerde code.