LinearB lanserar Agentic Studio för att ge kodningsagenter teknisk kontext

LinearB har lanserat Agentic Studio, som omvandlar data om programvaruleveranser till kontext som tekniska ledare och kodningsagenter kan använda för att fatta beslut. Plattformen, som tillkännagavs den 2 november, kombinerar analys på naturligt språk med ett lager av teknisk kontext som omfattar verktygen team använder för att planera, skriva, granska och släppa programvara.

Lanseringen speglar ett växande problem inom AI-assisterad utveckling: att producera mer kod hjälper inte automatiskt en organisation att leverera användbar programvara snabbare. Granskningar kan bli en flaskhals, ändringar kan bli svårare att bedöma och agenter kan börja arbeta med en uppgift utan att veta vilka tjänster som är sköra eller varför en viss korrigering är viktig.

Enligt tillkännagivandet är Agentic Studio tillgängligt för alla LinearB-kunder. Agentfunktioner, däribland en första funktion för att anpassa en agents arbetsinsats efter en uppgift, är i tidig åtkomst.

Omvandla leveransdata till teknisk kontext

LinearB samlar in information från hela programvaruleveransen och normaliserar den till en gemensam modell. Företaget uppger att det kopplar samman ingenjörers identiteter i Git och projekthanteringssystem, följer ändringar från ärende till release och lägger till AI-attribution och jämförelsetal för att hjälpa ledare att tolka resultaten.

Det viktiga steget är att koppla samman dessa poster. En pull-förfrågan kan verka okomplicerad för sig, samtidigt som den påverkar en tjänst som nyligen haft incidenter, ofta krävt omarbete eller har komplicerat ägarskap. När ändringen kopplas till den historiken får en granskare eller kodningsagent information som en ögonblicksbild av kodförrådet ensam kanske inte kan ge.

I den nya studion kan ledare ställa frågor på naturligt språk, få förslag på nästa steg och använda AI-stöd för att skapa mätvärden, instrumentpaneler och andra artefakter. LinearB uppger att organisationer kan definiera vilken kontext användarna får tillgång till med hjälp av rollbaserad åtkomst som är inbyggd i plattformen.

Den inriktningen ligger i linje med företagets vägledning om kontextutformning, som betonar vikten av att välja relevant information i stället för att fylla en agents kontextfönster urskillningslöst. Ramverket tar hänsyn till koden, avsikten bakom en ändring, kopplingar mellan system och gränserna för vad en agent får komma åt.

En funktion i tidig åtkomst som anpassar arbetsinsatsen efter risken

Den första agentfunktionen är utformad för att avgöra hur stor arbetsinsats en kodningsuppgift kräver. LinearB uppger att den tar hänsyn till affärsrelevans, komplexitet och risk, med hjälp av signaler som omarbetningsfrekvens, nyliga tjänsteincidenter och ägarhistorik.

En ändring med låg risk kan hanteras enklare och med färre token, medan en ändring med större konsekvenser kan få en mer noggrann analys och testning. Tekniska ledare kan se hur ofta uppgifter tilldelas låg, medelhög eller hög arbetsinsats. Företaget uppger att funktionen fungerar med alla kodningsagenter, men tillkännagivandet redovisar inga jämförande resultat för specifika agenter och kvantifierar inte de faktiska tokenbesparingarna.

Den tekniska idén är användbar även innan några kostnadsbesparingar har kunnat beläggas. En enhetlig budget för resonemang behandlar en mindre underhållsändring på samma sätt som en känslig korrigering i produktion. Uppgiftsspecifik kontext skulle kunna bidra till att lägga mer uppmärksamhet där misstag blir kostsamma och samtidigt minska onödigt arbete med enklare ändringar.

MCP kopplar data till befintliga AI-arbetsflöden

LinearB gör också teknisk information tillgänglig via Model Context Protocol, eller MCP. Företagets produktsida för MCP beskriver åtkomst på naturligt språk till leveransmått, anpassad rapportering och flaskhalsanalys, samt rekommendationer om exempelvis automatisering av granskningar och dirigering.

Det ger team möjlighet att undersöka tekniska data från en AI-klient i stället för att manuellt växla mellan instrumentpaneler. MCP kopplar samman verktyg och information, medan kontextlagret tillför de leveransspecifika samband som gör en fråga om ett kodförråd eller ett team meningsfull.

En skillnad behöver klargöras när den nya plattformen rullas ut. Lanseringen beskriver rollbaserad åtkomst och skyddsåtgärder för företag, men LinearB:s offentliga MCP-FAQ anger fortfarande MCP-åtkomst begränsad efter behörigheter som en funktion på produktens färdplan. Uppgiften om åtkomstkontroll i den nya studion bör därför inte tolkas som en bekräftelse på att varje befintlig MCP-klient redan ärver alla LinearB-behörigheter.

Varför större mängder AI-genererat innehåll kan blottlägga flaskhalsar längre fram i processen

I sitt tillkännagivande hänvisar LinearB till AI-jämförelsetal för 2026, baserade på 2,7 miljoner pull-förfrågningar och 83 000 utvecklare vid 253 organisationer. Enligt företaget slog utvecklare som använde AI minst 75 % av arbetsdagarna med kodning samman 96 % fler pull-förfrågningar per vecka än ett år tidigare.

Siffrorna beskriver observerad aktivitet, men bevisar inte att AI ensamt orsakade förändringen. Att fler pull-förfrågningar slås samman visar inte heller att kunderna fick dubbelt så stort värde. I tillkännagivandet hänvisas separat till resultat som visar att AI-assisterade ändringar var större och att pull-förfrågningar skapade av agenter fick vänta betydligt längre på granskning. Det illustrerar hur snabbare kodgenerering kan flytta över arbete till resten av leveransprocessen.

Ett kundexempel gör skillnaden konkret. LinearB uppger att Kraken använde deras MCP-server tillsammans med AI för att undersöka förseningar i kodgranskningen och fann att tidszoner och granskarnas tillgänglighet spelade större roll än stora ändringar. Kraken uppges ha minskat granskningstiden vid den 90:e percentilen med mer än hälften på fyra månader. Företagets publicerade samtal med Kraken ger ytterligare sammanhang om hur data från kodförråd och leveransmått kan användas för att hitta flaskhalsar.

Från att mäta AI-användning till att förbättra leveransen

LinearB planerar att ta fram fler agentfärdigheter för senare arbetsmoment, såsom granskning, sammanslagning och styrning. Det här är framtida inriktningar, skilda från studions nuvarande tillgänglighet och färdigheten för arbetsinsatser, som fortfarande är i ett tidigt åtkomstskede.

Den bredare tanken är att kodningsagenter behöver förstå organisationen kring koden: vad som är viktigt, vem som ansvarar för vad, var tidigare ändringar har misslyckats och vilka begränsningar som gäller. Agentic Studio för in den tanken i plattformen för utvecklarproduktivitet. I slutänden mäts dess värde utifrån kvaliteten på och flödet i de levererade ändringarna, snarare än mängden kod som genereras.