Présentation
Atlassian a annoncé l’extension de Jira et Confluence avec deux nouvelles fonctionnalités : Code Context et Agent Context Controls. Ces ajouts visent à fournir aux agents d’écriture de code alimentés par l’IA le niveau de contexte organisationnel et technique nécessaire pour générer du code fiable et être gouvernés de façon granulaire au sein du cycle de vie logiciel (SDLC). La société s’appuie sur son Teamwork Graph, un modèle de données qui relie tickets, dépôts et artefacts, pour enrichir les agents d’informations structurées.
Fonctionnement du Code Context et des contrôles d’agent
Le composant Code Context exploite le Teamwork Graph afin d’évaluer la faisabilité architecturale avant même la production d’une ligne de code. Concrètement, l’agent interroge le graphe pour vérifier que les dépendances, les versions de bibliothèques et les contraintes d’infrastructure sont compatibles avec la proposition de modification. Cette étape préventive réduit les risques de régressions liées à des incompatibilités non détectées par les modèles de langage classiques.
Parallèlement, Agent Context Controls introduit une couche d’autorisation : les équipes DevSecOps définissent quels agents peuvent intervenir dans un espace de travail donné et quelles parties du graphe ils sont autorisés à consulter. Cette granularité permet, par exemple, de restreindre l’accès d’un agent tiers aux seules tickets non assignés, tout en bloquant la lecture de données sensibles comme les secrets de configuration.
Impacts sur le flux DevSecOps
Jira Coding Agent complète l’écosystème en scannant en continu les tickets bien définis mais non assignés. Lorsqu’un tel ticket est détecté, l’agent génère le code requis, crée une pull request et la soumet à un examen humain. Un agent dédié, AI Review, analyse chaque pull request en appliquant les standards de codage que les équipes ont mappés aux dépôts, assurant ainsi une cohérence de qualité entre développeurs humains et agents.
Un avantage quantifiable réside dans la réduction de la consommation de tokens d’API : en déléguant la recherche de contexte au graphe Jira/Confluence, l’agent évite de parcourir l’ensemble du codebase via des appels de modèle, ce qui diminue le nombre de tokens nécessaires pour chaque tâche. Cette optimisation est cruciale lorsque les modèles sous‑jacents sont coûteux en termes de calcul et de facturation.
Limites et perspectives d’interopérabilité
Le principal point d’interrogation soulevé par les analystes externes concerne la portée du graphe propriétaire d’Atlassian. Si plusieurs fournisseurs d’agents accèdent au même référentiel, la cohérence des contrôles d’accès dépendra de la capacité du Teamwork Graph à appliquer des politiques uniformes à travers des agents hétérogènes. À ce jour, Atlassian n’a pas publié de protocole d’interopérabilité, ce qui laisse incertain le comportement des agents tiers lorsqu’ils rencontrent des restrictions définies par un autre fournisseur.
Enfin, la mise en œuvre de ces capacités requiert une refonte des workflows existants. Les équipes doivent identifier les points de friction où les agents peuvent être insérés sans amplifier les goulets d’étranglement déjà présents. Sans une telle ré‑architecture, l’ajout d’agents risque de simplement reproduire les inefficacités humaines, contrecarrant les gains attendus en productivité.
