Contexte et enjeux
LinearB a analysé plus de 2,7 millions de pull‑requests provenant de 250 organisations. Les équipes qui utilisent des outils de génération de code IA, comme Claude Code ou Codex, voient leurs changements fusionnés presque doubler d’une année sur l’autre, mais chaque pull‑request devient 2,6 fois plus volumineux et attend plus de cinq fois plus longtemps avant d’être revu. Le taux de fusion des modifications proposées par les agents IA n’atteint que 79 % dans les organisations « élite », contre 92 % pour le code humain, ce qui crée un goulot d’étranglement dans les pipelines de livraison.
Fonctionnement d’Agentic Studio
Agentic Studio normalise les données issues des dépôts Git et des outils de suivi de projet en une couche de contexte unifiée. Cette couche alimente à la fois les ingénieurs et les agents autonomes via le Model Context Protocol (MCP). En pratique, le système fournit des métriques historiques – taux de retouche, incidents de production, propriété du code – sous forme de réponses en langage naturel. Un ingénieur peut ainsi interroger le système (« Pourquoi le cycle de livraison stagne ? ») et recevoir des recommandations précises, sans passer par plusieurs tableaux de bord.
Analyse des impacts et limites
Le premier client, la plateforme d’échange Kraken, a utilisé l’intégration MCP pour identifier que le décalage horaire, et non la taille des pull‑requests, ralentissait les revues. En réorganisant ses flux, Kraken a réduit ses temps de revue de plus de 50 % en quatre mois. Cette amélioration montre que la visibilité contextuelle peut transformer des métriques brutes en actions concrètes. Cependant, la dépendance à la qualité des métadonnées historiques implique que les organisations disposant de données incomplètes ou mal structurées pourraient obtenir des réponses partielles ou erronées.
Perspectives d’évolution
LinearB développe des « agent skills », dont le premier, le « effort skill », ajuste dynamiquement la consommation de tokens et le niveau de raisonnement d’un agent en fonction de la complexité, du risque et du passé de chaque pull‑request. Des compétences futures sont prévues pour l’automatisation de la revue de code, la gouvernance des merges et l’optimisation des coûts de tokenisation. Si ces extensions réussissent, elles pourraient réduire davantage la charge cognitive des équipes et limiter les dépenses liées aux modèles de langage, à condition que les organisations continuent d’alimenter le graphe de connaissances avec des données fiables.
