Présentation des nouvelles fonctionnalités

Atlassian a annoncé une série de mises à jour de Jira destinées à déployer des agents d’intelligence artificielle capables de fonctionner en continu sur l’ensemble du cycle de vie logiciel. L’objectif déclaré est de permettre aux équipes d’ingénierie d’exécuter des agents à grande échelle tout en contrôlant leurs actions sur de longues périodes.

Parmi les nouveautés, Code Context fournit aux agents une visibilité structurée sur l’architecture des projets grâce au Teamwork Graph, un graphe interne qui relie dépôts, dépendances et décisions de conception. Cette couche de contexte vise à corriger le problème récurrent d’« agents qui échouent faute de vision globale » identifié par Atlassian.

Le système AutoDev analyse les backlogs Jira, génère automatiquement des merge‑requests et les soumet à un agent de validation conforme à un référentiel de standards. Un second agent, nommé DevDocs, met à jour la documentation technique dans Confluence directement à partir du code, évitant ainsi le retard habituel entre implémentation et documentation.

Architecture et mécanismes de gouvernance

Les agents sont confinés par deux leviers : Agent Space Settings et Agent Context Controls. Le premier définit les espaces (projets, dépôts) où l’agent peut opérer, tandis que le second restreint la visibilité et les actions autorisées, à l’image des contrôles d’accès classiques appliqués aux utilisateurs humains. Cette approche repose sur le même modèle d’autorisation basé sur les rôles que Jira utilise pour les comptes employés.

Le Teamwork Graph agit comme une couche d’abstraction sécurisée : chaque nœud représente un artefact (fichier, service, ticket) et chaque arête encode une relation (dépendance, appel, révision). Les agents interrogent ce graphe via une API interne, ce qui leur fournit un « plan de vol » du code avant d’exécuter une tâche, réduisant ainsi les risques de modifications hors‑cible.

Chaque exécution génère un journal d’audit détaillé contenant diagnostics, métriques de performance et identifiants d’opération. Ces logs alimentent un tableau de bord d’usage qui mesure le throughput, la qualité (taux de défauts détectés), l’adoption (nombre d’équipes actives) et le coût (temps CPU consommé). Le tableau de bord rend la gouvernance transparente et permet aux responsables de vérifier la conformité aux politiques internes.

Évaluation de l’impact et limites

Les premiers indicateurs montrent que les agents peuvent fonctionner plusieurs heures voire plusieurs jours sans intervention humaine, activant leurs routines dès qu’une tâche est détectée dans le backlog. Cette autonomie augmente la productivité théorique, mais dépend fortement de la qualité du Code Context. Si le graphe omet des dépendances, l’agent risque d’introduire des régressions non détectées par le seul contrôle de standards.

La validation en temps réel reste limitée : les agents ne disposent pas d’un mécanisme de « feedback » humain continu, ce qui peut entraîner des divergences entre les décisions automatisées et les exigences métier évolutives. Atlassian reconnaît l’absence d’un playbook industriel standardisé et mise sur des « best practices » en cours de construction, ce qui implique que les équipes devront investir dans la définition de leurs propres règles de gouvernance.

En résumé, Atlassian propose une infrastructure robuste pour le déploiement d’agents IA « always‑on », combinant contexte architectural, contrôles d’accès granulaire et visibilité d’audit. La réussite de ce modèle dépendra de la précision du graphe de contexte et de la capacité des organisations à formaliser des standards de validation adaptés à leurs environnements complexes.