LinearB lanserer Agentic Studio for å gi kodeagenter teknisk kontekst

LinearB har lansert Agentic Studio, som gjør data om programvareleveranser om til kontekst som tekniske ledere og kodeagenter kan bruke når de skal ta beslutninger. Plattformen ble kunngjort 2. november og kombinerer analyse på naturlig språk med et lag for teknisk kontekst som omfatter verktøyene teamene bruker til å planlegge, skrive, gjennomgå og lansere programvare.

Lanseringen gjenspeiler et voksende problem innen AI-assistert utvikling: Å produsere mer kode hjelper ikke automatisk en organisasjon med å levere nyttig programvare raskere. Kodegjennomganger kan hope seg opp, endringer kan bli vanskeligere å vurdere, og agenter kan begynne på en oppgave uten å vite hvilke tjenester som er sårbare, eller hvorfor en bestemt rettelse er viktig.

Ifølge kunngjøringen er Agentic Studio tilgjengelig for alle LinearB-kunder. Agentferdigheter, blant annet en første funksjon som tilpasser agentens innsats til oppgaven, er tilgjengelige i tidlig tilgang.

Fra leveransedata til teknisk kontekst

LinearB samler inn informasjon fra hele programvareleveransen og normaliserer den i en felles modell. Selskapet sier at det kobler ingeniørenes identiteter på tvers av Git- og prosjektstyringssystemer, følger endringer fra sak til lansering og legger til attribusjon av AI-bidrag og referanseverdier for å hjelpe ledere med å tolke resultatene.

Det viktige steget er å koble sammen disse opplysningene. En pull request kan virke ukomplisert isolert sett, samtidig som den påvirker en tjeneste med nylige driftsavbrudd, hyppig omarbeiding eller kompliserte ansvarsforhold. Når endringen kobles til denne historikken, får en fagfelle eller kodeagent informasjon som et øyeblikksbilde av kodebasen alene kanskje ikke gir.

I det nye studioet kan ledere stille spørsmål med vanlig språk, få forslag til neste steg og bruke AI-assistanse til å lage måltall, dashbord og andre artefakter. LinearB sier at organisasjoner kan definere hvilken kontekst brukerne har tilgang til, med rollebasert tilgangskontroll innebygd i plattformen.

Denne retningen samsvarer med selskapets retningslinjer for kontekstutforming, som legger vekt på å velge relevant informasjon i stedet for å fylle agentens kontekstvindu ukritisk. Rammeverket tar hensyn til koden, hensikten bak en endring, forbindelser på tvers av systemer og grensene for hva en agent kan få tilgang til.

En ferdighet i tidlig tilgang som tilpasser innsatsen til risikoen

Den første agentferdigheten er utformet for å avgjøre hvor mye innsats en kodeoppgave krever. LinearB sier at den vurderer forretningsmessig relevans, kompleksitet og risiko ved hjelp av signaler som omarbeidingsrater, nylige driftsavbrudd i tjenester og historikk for ansvarsfordeling.

En endring med lav risiko kan behandles enklere og med færre tokener, mens en mer konsekvensrik endring kan få grundigere analyse og testing. Tekniske ledere kan se hvor ofte oppgaver blir fordelt til lavt, middels eller høyt innsatsnivå. Selskapet sier at ferdigheten fungerer med alle kodeagenter, men kunngjøringen inneholder verken sammenlignende resultater for bestemte agenter eller tall for realiserte tokenbesparelser.

Den tekniske ideen er nyttig selv før det er dokumentert noen kostnadsbesparelse. Et fast resonneringsbudsjett behandler en mindre vedlikeholdsendring på samme måte som en sensitiv rettelse i produksjon. Oppgavespesifikk kontekst kan bidra til å rette mer oppmerksomhet mot områder der feil er kostbare, samtidig som unødvendig arbeid med enklere endringer reduseres.

MCP kobler dataene til eksisterende AI-arbeidsflyter

LinearB gjør også teknisk informasjon tilgjengelig gjennom Model Context Protocol, eller MCP. På produktsiden for MCP beskrives tilgang til leveransemåltall på naturlig språk, tilpasset rapportering og analyse av flaskehalser, samt anbefalinger som automatisering av kodegjennomganger og fordeling av oppgaver.

Dette gir teamene en måte å undersøke tekniske data fra en AI-klient på, i stedet for å måtte veksle manuelt mellom dashbord. MCP kobler til verktøy og informasjon, mens kontekstlaget tilfører de leveransespesifikke sammenhengene som gjør spørsmål om en kodebase eller et team meningsfulle.

Det er et skille som må avklares etter hvert som den nye plattformen rulles ut. Lanseringsbeskrivelsen omtaler rollebasert tilgang og sikkerhetstiltak for bedrifter, men LinearBs offentlige MCP-FAQ oppgir fortsatt MCP-tilgang avgrenset etter tillatelser som en funksjon på veikartet. Uttalelsen om tilgangskontroll i det nye studioet bør derfor ikke tolkes som en bekreftelse på at alle eksisterende MCP-klienter allerede arver alle LinearB-tillatelser.

Hvorfor mer AI-generert innhold kan avdekke flaskehalser senere i leveransen

I kunngjøringen viser LinearB til AI-referanseverdier for 2026, basert på 2,7 millioner pull requests og 83 000 utviklere i 253 organisasjoner. Ifølge selskapet slo utviklere som brukte AI på minst 75 % av arbeidsdagene de kodet, sammen 96 % flere pull requests per uke enn året før.

Disse tallene beskriver observert aktivitet, men beviser ikke at AI alene førte til endringen. Flere sammenføyde pull requests viser heller ikke at kundene fikk dobbelt så mye verdi. I produktoppdateringen vises det separat til funn om at AI-assisterte endringer var større, og at agentopprettede pull requests ventet betydelig lenger på gjennomgang. Dette illustrerer hvordan raskere kodegenerering kan flytte arbeidsbelastningen over på resten av leveranseprosessen.

Et kundeeksempel konkretiserer dette skillet. LinearB sier at Kraken brukte MCP-serveren sin sammen med KI for å undersøke forsinkelser i kodegjennomganger, og fant ut at tidssoner og tilgjengeligheten til kodegjennomleserne hadde større betydning enn store endringer. Kraken skal ha redusert gjennomgangstiden ved 90. persentil med mer enn halvparten i løpet av fire måneder. Selskapets publiserte samtale med Kraken gir ytterligere innsikt i hvordan data fra kodearkivet og leveringsmålinger kan brukes til å avdekke flaskehalser.

Fra måling av KI-adopsjon til forbedring av leveransen

LinearB planlegger flere agentferdigheter for senere arbeidsfaser, som kodegjennomgang, sammenslåing og styring. Dette er framtidige planer, og må skilles fra at studioet er tilgjengelig nå, og at innsatsferdigheten foreløpig er i tidlig tilgang.

Den bredere påstanden er at kodeagenter trenger forståelse for organisasjonen rundt koden: hva som er viktig, hvem som har ansvaret, hvor tidligere endringer har slått feil, og hvilke begrensninger som gjelder. Agentic Studio integrerer denne tanken i plattformen for utviklerproduktivitet. Verdien vil til syvende og sist måles ut fra kvaliteten på og flyten i leverte endringer, ikke mengden kode som genereres.