LinearB lança Agentic Studio para acelerar revisão de código 50%

Tecnologia

Nova plataforma integra dados de Git e gestão para otimizar processos e diminuir atrasos em revisões de código.

Leia também: Apple vai lançar 3 iPads com chips A19 e M7 em 2027: o que muda

A startup LinearB lançou nesta segunda-feira (2) o Agentic Studio, uma plataforma que promete destravar gargalos nas pipelines de entrega de software ao unificar dados de repositórios Git e de ferramentas de acompanhamento de projetos, oferecendo contexto detalhado e recomendações práticas tanto para engenheiros quanto para agentes autônomos de inteligência artificial.

Plataforma mira gargalo criado por IA na revisão de código

Com a popularização de ferramentas de codificação assistida por IA, o volume de mudanças de código explodiu, mas a etapa de revisão continua lenta. Em um relatório recente, a LinearB analisou 2,7 milhões de pull requests em 250 organizações e constatou que equipes que usam IA quase dobraram o número de mudanças de código mescladas de um ano para o outro.

O ganho vem com efeito colateral: os pull requests assistidos por IA são 2,6 vezes maiores e esperam mais de cinco vezes mais tempo para serem revisados, gerando filas crescentes. Mesmo em organizações consideradas de elite, o código sugerido por agentes de IA é aceito em 79% dos casos, contra 92% de taxa de merge para código escrito por humanos.

Para o cofundador e CEO da LinearB, Ori Keren, o problema não é falta de números, mas de entendimento. “Contexto se tornou o novo rei, não apenas para ferramentas de IA, mas também para humanos”, afirmou. Segundo ele, a empresa reconstruiu sua plataforma em torno de uma camada unificada de contexto que acompanha todo o ciclo de entrega de software.

Como funciona o Agentic Studio

O Agentic Studio normaliza dados vindos de repositórios Git e de ferramentas de gestão de tarefas em uma única camada de contexto. Em vez de navegar por vários dashboards, engenheiros podem fazer perguntas em linguagem natural — como por que a velocidade de entrega caiu ou quais times travam mais revisões — e receber diagnósticos e recomendações específicas.

A mesma camada de contexto é exposta a agentes autônomos de codificação por meio de integrações baseadas em Model Context Protocol. Com isso, os agentes deixam de operar “no escuro” sobre um pull request e passam a considerar histórico de retrabalho, incidentes em produção, propriedade de módulos e riscos associados antes de sugerir mudanças.

“Métricas são úteis, mas não dizem o que fazer. Agora um líder pode perguntar o que melhorar em sua organização de engenharia e obter uma resposta clara”, disse o COO da LinearB, Dan Lines. Ele destaca que, ao compartilhar esse contexto com agentes de IA, a plataforma deixa de apenas reportar problemas para também orientar ações.

Kraken corta tempo de revisão pela metade

Uma das primeiras empresas a adotar o Agentic Studio é a exchange de criptomoedas Kraken, que integrou seus fluxos de desenvolvimento à plataforma para investigar por que as revisões de código estavam atrasadas. Ao cruzar dados de pull requests, horários de atividade e alocação de revisores, a equipe percebeu que o principal entrave não era o tamanho das mudanças, mas a falta de sobreposição de horários entre quem abria e quem revisava.

“Descobrimos que desalinhamentos de fuso horário eram a principal causa dos atrasos, não o tamanho dos pull requests”, relata o caso da Kraken. Com essa descoberta, a empresa reorganizou seus fluxos de trabalho e, em quatro meses, reduziu o tempo médio de revisão em cerca de 50%.

O exemplo ilustra o tipo de insight que a LinearB pretende escalar: causas de atraso que não aparecem em dashboards tradicionais, mas emergem quando dados técnicos e operacionais são analisados em conjunto.

‘Effort skill’ ajusta rigor e custo dos agentes de IA

Para que agentes autônomos consigam usar esse contexto na prática, a LinearB está lançando uma primeira habilidade dedicada, batizada de “effort skill”, já em acesso antecipado. A função avalia, para cada pull request, a complexidade das mudanças propostas, o histórico de retrabalho e o risco envolvido e, a partir disso, calibra dinamicamente quanto esforço computacional o agente deve empregar.

Na prática, mudanças simples e de baixo risco são tratadas com respostas mais rápidas e consumo mínimo de tokens, enquanto alterações sensíveis ou críticas recebem camadas adicionais de raciocínio e testes mais exaustivos. A expectativa é reduzir desperdício de recursos e, ao mesmo tempo, aumentar a confiança em modificações mais delicadas.

Nos próximos meses, a empresa planeja ampliar a biblioteca de habilidades para agentes, com capacidades de revisão automática de código, governança de merges e otimização de custos de tokens, aproximando o Agentic Studio de uma solução completa de desenvolvimento assistido por IA.

Entenda o contexto

O movimento da LinearB acontece em um momento em que muitas empresas já colhem ganhos de produtividade com geradores de código, mas esbarram em filas de revisão, incidentes em produção e dificuldade para priorizar o que realmente destrava valor. Ferramentas tradicionais de engenharia costumam mostrar indicadores como tempo de ciclo ou número de pull requests, mas oferecem pouco suporte sobre o que mudar no processo.

Ao apostar em uma camada unificada de contexto e em consultas em linguagem natural, o Agentic Studio mira líderes técnicos e gestores de engenharia que buscam ir além das métricas e querem respostas objetivas sobre gargalos e ações corretivas. O ganho, porém, depende de uma mudança de cultura: equipes terão de incorporar esse tipo de análise no dia a dia e ajustar rituais de planejamento, revisão e operação.

Se a adoção avançar, o impacto tende a ir além da produtividade individual, redesenhando fluxos de trabalho em que humanos e agentes de IA atuam em conjunto na priorização, revisão e entrega de software.