לפי דיווח של מייק ויטלי (Mike Wheatley) באתר SiliconANGLE, חברת ההזנק LinearB Inc., העוסקת במודיעין לפיתוח יישומים, הודיעה היום על השקת Agentic Studio במטרה להקל על העומס הגובר בצינורות אספקת התוכנה של ארגונים, עומס שנוצר בעקבות האימוץ הנרחב של כלי כתיבת קוד המבוססים על בינה מלאכותית. המוצר החדש מתמקד באספקת הקשר מעשי ובר-פעולה (actionable context) הן למהנדסי תוכנה אנושיים והן לסוכני קידוד אוטונומיים.
העלייה בשימוש בכלי קידוד מבוססי AI ויצירת צווארי בקבוק
בחברה מסבירים כי הופעתם של כלי בינה מלאכותית גנרטיבית לכתיבת קוד, כגון Claude Code ו-Codex, יצרה כאבי ראש וקשיים חדשים עבור צוותי פיתוח תוכנה ארגוניים. אף שכתיבת קוד תוכנה כעת עשויה להיות כמעט חסרת מאמץ, שילוח והעברת אותו קוד לסביבת הייצור (production) נותרו תהליך כואב כפי שהיו תמיד, וכעת הצוותים נדרשים להעביר נפח גדול בהרבה של קוד.
במסגרת דוח מדדי הנדסת התוכנה האחרון שלה (Software Engineering Benchmarks report), ניתחה החברה יותר מ-2.7 מיליון בקשות משיכה (pull requests) בקרב 250 ארגונים שונים. הדוח העלה כי ארגונים המסתמכים על כלי קידוד מבוססי בינה מלאכותית כמעט הכפילו משנה לשנה את מספר שינויי הקוד שמוזגו. עם זאת, הבעיה המרכזית היא שבקשות משיכה שנוצרו בסיוע בינה מלאכותית הן גדולות יותר בשיעור של כמעט פי 2.6 בהשוואה לאחרות, וכפועל יוצא מכך הן ממתינות זמן ארוך יותר מפי חמישה לביצוע סקירת קוד.
מצב זה גרם להיווצרות צבר משימות משמעותי (backlogs). קושי זה מחריף עוד יותר לאור העובדה ששינויי קוד המוצעים על ידי סוכני בינה מלאכותית ממוזגים בשיעור של 79% בלבד מהמקרים בקרב ארגונים המוגדרים כ"ארגוני עלית", לעומת שיעור מיזוג של 92% כאשר מדובר בקוד שנכתב בידי מהנדסים אנושיים.
מגבלות לוחות המחוונים המסורתיים ושכבת ההקשר המאוחדת
לפי LinearB, מהנדסי תוכנה אנושיים מתקשים לפנות את צבר המשימות המצטבר מכיוון שלוחות המחוונים המסורתיים שהם נאלצים לעבוד עמם מציגים מדדים בלבד, ואינם מספקים את ההקשר הנדרש כדי להכריע ולפתור את בקשות המשיכה. באמצעות Agentic Studio, החברה שואפת לתת מענה לבעיה זו על ידי נרמול הנתונים והתובנות שמפיקים מאגרי Git וכלי מעקב אחר פרויקטים לכדי שכבת הקשר אחידה ומאוחדת (unified context layer).
משמעות הדבר היא שבמקום שמהנדסי תוכנה יאלצו להתלבט ולנבור בין תרשימים וגרפים שונים בניסיון לפענח מדוע קצב שחרור הגרסאות נבלם, הם יכולים לשאול שאלות ישירות בשפה פשוטה כדי לאתר את סיבת השורש של העיכוב ולקבל המלצות מעשיות כיצד להאיץ את התהליכים בארגון.
גרף הידע הארגוני ופרוטוקול Model Context Protocol
מייסד שותף ומנכ"ל LinearB, אורי קרן (Ori Keren), ציין כי ההקשר הפך לגורם המרכזי והחשוב ביותר, לא רק עבור כלי בינה מלאכותית אלא גם עבור בני אדם. קרן מסר: "הבנו שאנו מחזיקים בגרף ידע שאין לאף אחד אחר לגבי כל מה שמתרחש לאורך מחזור החיים של אספקת התוכנה. זה בדיוק מה שסוכנים וצוותים צריכים כדי לספק תוכנה באיכות גבוהה ובמהירות רבה יותר, ולכן בנינו מחדש את LinearB סביב זה".
לדברי קרן, מה ששונה ב-Agentic Studio הוא שהמערכת תוכננה לסייע לסוכני קידוד אוטונומיים באותה מידה שהיא מסייעת למהנדסי תוכנה אנושיים. באמצעות אינטגרציה דרך פרוטוקולים דוגמת Model Context Protocol (פרוטוקול MCP), המערכת מזינה את סוכני הבינה המלאכותית בהקשר היסטורי חיוני, כגון שיעורי עבודה חוזרת (rework rates), תקריות עבר בסביבת הייצור ובעלות על חלקי קוד שונים, ובכך מונעת מהסוכנים לבצע שינויים עיוורים וחסרי ביסוס בבקשות משיכה.
יישום מעשי בבורסת Kraken והמעבר ממדדים לפעולה
לפי הדיווח, משתמשים ראשונים בטכנולוגיה חוו עלייה דרמטית בפרודוקטיביות. דוגמה לכך היא בורסת מטבעות הקריפטו Kraken, אשר השתמשה באינטגרציית ה-MCP של LinearB כדי לאתר במדויק מדוע סקירות הקוד שלה התעכבו. הבורסה גילתה כי חוסר תיאום בין אזורי זמן שונים היה הגורם המרכזי לעיכובים, ולא נפח בקשות המשיכה, ובעקבות כך ארגנה מחדש את תהליכי העבודה שלה וקיצצה את זמני סקירת הקוד ביותר ממחצית בתוך ארבעה חודשים בלבד.
סמנכ"ל התפעול (COO) של LinearB, דן קווי (Dan Lines), ציין: "במשך שנים, מנהלי הנדסה אמרו לנו את אותו הדבר: מדדים הם שימושיים, אך הם אינם אומרים לך מה לעשות. לוח מחוונים אומר שזמן המחזור שלך הוא יומיים, אבל אז מה? כעת [באמצעות Agentic Studio] מנהל יכול לשאול מה לשפר בארגון ההנדסה שלו ולקבל תשובה ברורה. כאשר אותו הקשר מוזן לסוכני קידוד, הפלטפורמה אינה מדווחת בלבד, אלא פועלת".
פיתוח מיומנויות סוכן וכיול מאמץ חישובי
במטרה לסייע לסוכני בינה מלאכותית להפוך את ההקשר המסופק לפעולות ממשיות, LinearB מפתחת סדרה של מיומנויות סוכן חדשות. המיומנות הראשונה, המוגדרת כמיומנות מאמץ ("effort skill"), זמינה כעת בגישה מוקדמת ומנתחת את רמת המורכבות של בקשת המשיכה ושינויי הקוד המוצעים בה, לצד היסטוריית העבודה החוזרת ורמת הסיכון, כדי לכייל באופן דינמי את היקף המאמץ החישובי שעל סוכן הקידוד להשקיע במהלך העבודה.
באמצעות מנגנון זה, שינויים פשוטים בעלי רמת סיכון נמוכה מבוצעים במהירות רבה יותר ותוך שימוש מינימלי באסימונים (tokens). לעומת זאת, שינויים רגישים יותר בעלי עדיפות גבוהה ייושמו תוך הפעלת יכולות הנמקה עמוקות יותר ובדיקות מקיפות וממצות יותר כדי לוודא שדבר אינו משתבש. החברה ציינה כי בכוונתה להרחיב את ספריית מיומנויות הסוכן בחודשים הקרובים, עם מיומנויות נוספות הממוקדות בסקירת קוד אוטומטית, ניהול ופיקוח על מיזוג קוד (merge governance), ואופטימיזציה של עלויות אסימונים.