LinearB lança o Agentic Studio para fornecer contexto de engenharia aos agentes de programação

LinearB lançou o Agentic Studio para transformar dados de entrega de software em contexto que líderes de engenharia e agentes de programação possam usar para tomar decisões. Anunciada em 2 de novembro, a plataforma combina análise em linguagem natural com uma camada de contexto de engenharia que abrange as ferramentas usadas pelas equipes para planejar, escrever, revisar e lançar software.

O lançamento reflete um problema crescente no desenvolvimento assistido por IA: produzir mais código não ajuda automaticamente uma organização a entregar software útil com mais rapidez. As revisões podem ficar congestionadas, as alterações podem se tornar mais difíceis de avaliar e os agentes podem começar uma tarefa sem saber quais serviços são frágeis ou por que determinada correção é importante.

Segundo o anúncio, o Agentic Studio está disponível para todos os clientes da LinearB. As habilidades para agentes, incluindo um recurso inicial que ajusta o esforço do agente à tarefa, estão em acesso antecipado.

Transformando dados de entrega em contexto de engenharia

A LinearB coleta informações de todo o processo de entrega de software e as normaliza em um modelo comum. A empresa afirma que concilia as identidades dos engenheiros em sistemas Git e de gerenciamento de projetos, conecta as alterações desde o chamado até o lançamento e acrescenta atribuição de IA e referências comparativas para ajudar os líderes a interpretar os resultados.

O passo importante é conectar esses registros. Uma solicitação de pull pode parecer simples quando analisada isoladamente, embora afete um serviço que tenha sofrido incidentes recentemente, passado por retrabalho frequente ou tenha uma estrutura de responsabilidades complexa. Vincular a alteração a esse histórico fornece a um revisor ou agente de programação informações que talvez não estejam disponíveis apenas em uma fotografia instantânea do repositório.

No novo estúdio, os líderes podem fazer perguntas em linguagem natural, obter sugestões de próximos passos e usar assistência de IA para criar métricas, painéis e outros recursos. A LinearB afirma que as organizações podem definir o contexto disponível para os usuários com o controle de acesso baseado em funções integrado à plataforma.

Essa orientação está alinhada às diretrizes da empresa sobre engenharia de contexto, que enfatizam a seleção de informações relevantes, em vez de preencher indiscriminadamente a janela de contexto de um agente. Sua estrutura considera o código, a intenção por trás de uma alteração, as conexões entre sistemas e os limites do que um agente pode acessar.

Uma habilidade em acesso antecipado para ajustar o esforço ao risco

A primeira habilidade para agentes foi concebida para determinar quanto esforço uma tarefa de programação exige. A LinearB afirma que ela considera a relevância para os negócios, a complexidade e o risco, usando sinais como taxas de retrabalho, incidentes recentes nos serviços e histórico de responsabilidades.

Uma alteração de baixo risco pode receber um tratamento mais simples, com menos tokens, enquanto uma alteração de maior impacto pode receber uma análise e testes mais cuidadosos. Os líderes de engenharia podem ver com que frequência as tarefas são encaminhadas para níveis de esforço baixo, médio ou alto. A empresa afirma que a habilidade funciona com qualquer agente de programação, embora o anúncio não apresente resultados comparativos entre agentes específicos nem quantifique a economia de tokens efetivamente obtida.

A ideia de engenharia é útil mesmo antes de se comprovar qualquer alegação de redução de custos. Um orçamento uniforme de raciocínio trata da mesma forma uma pequena alteração de manutenção e uma correção delicada em produção. Um contexto específico para cada tarefa poderia ajudar a direcionar mais atenção para onde os erros são dispendiosos, reduzindo ao mesmo tempo o trabalho desnecessário em alterações mais simples.

O MCP conecta os dados aos fluxos de trabalho de IA existentes

A LinearB também disponibiliza informações de engenharia por meio do Model Context Protocol, ou MCP. A página do produto MCP descreve o acesso a métricas de entrega em linguagem natural, relatórios personalizados e análise de gargalos, além de recomendações como automação de revisões e encaminhamento de tarefas.

Isso oferece às equipes uma maneira de investigar dados de engenharia a partir de um cliente de IA, sem precisar alternar manualmente entre painéis. O MCP conecta ferramentas e informações; a camada de contexto fornece as relações específicas do processo de entrega que dão sentido a uma pergunta sobre um repositório ou uma equipe.

Há uma distinção a esclarecer durante a implementação da nova plataforma. Embora o lançamento descreva acesso baseado em funções e salvaguardas empresariais, a seção pública de perguntas frequentes sobre MCP da LinearB ainda lista o acesso ao MCP limitado por permissões como um item do roteiro de desenvolvimento. Portanto, a declaração sobre controle de acesso do novo estúdio não deve ser interpretada como confirmação de que todos os clientes MCP existentes já herdam todas as permissões da LinearB.

Por que mais resultados de IA podem revelar gargalos nas etapas seguintes

O anúncio da LinearB cita referências de desempenho de IA de 2026, baseadas em 2,7 milhões de solicitações de pull e 83.000 desenvolvedores de 253 organizações. Segundo a empresa, os desenvolvedores que usaram IA em pelo menos 75% dos dias de programação integraram 96% mais solicitações de pull por semana do que um ano antes.

Esses números descrevem a atividade observada, mas não provam que a IA, por si só, tenha causado essa mudança. Um número maior de solicitações de pull integradas também não demonstra que os clientes tenham recebido o dobro do valor. O comunicado cita separadamente resultados segundo os quais as alterações assistidas por IA eram maiores e as solicitações de pull criadas por agentes esperavam muito mais tempo por uma revisão, ilustrando como a geração mais rápida de código pode transferir trabalho para as demais etapas do processo de entrega.

Um exemplo de cliente torna essa distinção concreta. Segundo a LinearB, a Kraken usou seu servidor MCP com IA para investigar atrasos nas revisões e descobriu que os fusos horários e a disponibilidade dos revisores eram mais importantes do que o tamanho das alterações. Segundo relatos, a Kraken reduziu em mais da metade o tempo de revisão no percentil 90 ao longo de quatro meses. A discussão publicada com a Kraken pela empresa oferece mais contexto sobre o uso de dados do repositório e métricas de entrega para identificar gargalos.

Da medição da adoção da IA à melhoria da entrega

A LinearB planeja adicionar skills de agentes para etapas posteriores do trabalho, como revisão, mesclagem e governança. Essas são direções futuras, distintas da disponibilidade atual do estúdio e do status de acesso antecipado da skill de esforço.

A ideia mais ampla é que os agentes de programação precisam entender a organização em torno do código: o que é importante, quem é responsável por cada parte, onde alterações anteriores falharam e quais restrições se aplicam. O Agentic Studio incorpora essa ideia à plataforma de produtividade para desenvolvedores, e seu valor será medido, em última análise, pela qualidade e pelo fluxo das alterações entregues, não pela quantidade de código gerado.