LinearB lanciert Agentic Studio fuer Steuerung von AI-Coding-Agents
LinearB will mit Agentic Studio fuehrenden Entwicklern und Coding-Agents Kontext aus 2,7 Millionen Pull Requests liefern. Eine Funktion zur Aufwandsschaetzung soll den Token-Verbrauch senken.
Anmeldung Neuen Beitrag schreiben LinearB startet Agentic Studio zur Steuerung von KI-Coding-Agenten in einem Markt, der bis 2032 auf 127 Milliarden Dollar anwächst, von Ishan Pandey von Ishan Pandey | @ ishanpandey KI, Web3, Cybersicherheit, Startup-Finanzierung und Enterprise SaaS. Top-Journalist, Analyst und Thought-Leadership-Medienexperte.
KI, Web3, Cybersicherheit, Startup-Finanzierung und Enterprise SaaS. Top-Journalist, Analyst und Thought-Leadership-Medienexperte.
Entwickler, die KI an mindestens 75% ihrer Coding-Tage nutzten, mergten im Mai 2026 im Median 95,7% mehr Pull Requests pro Woche als im Juni 2025, wie aus LinearBs Benchmarks von 2,7 Millionen Pull Requests aus 253 Engineering-Organisationen hervorgeht. Bei den leistungsstärksten Organisationen derselben Stichprobe werden jedoch nur 79% der von autonomen Agenten eröffneten Pull Requests innerhalb von 30 Tagen gemergt, gegenüber 92% bei Änderungen, die ausschließlich von Menschen geschrieben wurden.
LinearB, ein Leader im ersten Gartner Magic Quadrant für Developer Productivity Insight Platforms, hat Agentic Studio gestartet, um diese Lücke zu schließen, indem Engineering-Leads und Coding-Agenten dieselbe Sicht auf alles erhalten, was in der Softwarebereitstellung geschehen ist. Der Start ist für alle relevant, die für KI-Coding-Tools Geld ausgeben, denn die Benchmark-Daten zeigen, dass sich zusätzlicher Code in den Review-Warteschlangen stapelt und die Token-Rechnung am oberen Ende der Verteilung am schnellsten steigt.
LinearB hat über Jahre hinweg Daten aus den Tools gesammelt, die Ingenieure täglich nutzen, wie GitHub und Jira, und dabei jede Codeänderung mit dem Ticket verknüpft, das sie angefordert hat, und dem Release, der sie ausgeliefert hat. Agentic Studio macht diese Historie für Manager nutzbar, die eine einfache Frage eingeben können, etwa wo die Bereitstellung feststeckt oder ob sich die KI-Ausgaben auszahlen, und eine Antwort mit einem vorgeschlagenen nächsten Schritt erhalten.
Coding-Agenten erhalten dieselbe Historie über einen MCP-Server, einem Standardverfahren für KI-Tools, um sich mit externen Daten zu verbinden, zusammen mit Zusatzmodulen, die LinearB als Agent Skills bezeichnet. Ein Agent, der kurz davor ist, eine Datei zu bearbeiten, kann nun sehen, wem dieser Code gehört, wie oft er neu geschrieben wurde und ob er in letzter Zeit Vorfälle verursacht hat, was dem Agenten zeigt, wie sorgfältig er arbeiten muss.
Die erste Skill mit dem Namen Effort befindet sich im Early Access und nutzt diese Historie, um zu entscheiden, wie intensiv sich ein Agent bei jeder Änderung anstrengen soll. Ein einfacher, risikoarmer Edit erhält einen schnellen Durchlauf, der weniger Tokens verbraucht, den Abrechnungseinheiten der KI-Anbieter, während eine komplexe oder riskante Änderung mehr Aufwand mit sorgfältigen, getesteten Änderungen erhält. Die Skill funktioniert mit jedem Coding-Agenten, Agentic Studio ist ab sofort für alle LinearB-Kunden verfügbar, und die nächsten Skills werden sich auf Code Review und Mergen konzentrieren.
Unternehmen investieren massiv in KI-Coding-Tools, wobei Unternehmen im Jahr 2025 4,0 Milliarden Dollar dafür ausgaben, gegenüber 550 Millionen Dollar ein Jahr zuvor laut Menlo Ventures. Dieser siebenfache Anstieg macht Coding zum größten einzelnen KI-Einsatz innerhalb von Unternehmen, mit 55% der 7,3 Milliarden Dollar, die für departmentale KI ausgegeben wurden.
MarketsandMarkets erwartet, dass der Markt für KI-Code-Assistenten von 8,14 Milliarden Dollar im Jahr 2025 auf 127,05 Milliarden Dollar bis 2032 wächst, ein Anstieg von etwa 48% pro Jahr. Da das Schreiben von Code günstiger wird, verlagert sich der Druck auf alles, was nach dem Schreiben des Codes geschieht, weshalb auch die Tools, die Engineering-Arbeit messen, schnell wachsen, wobei Gartner diese Kategorie auf etwa 400 Millionen Dollar schätzt und sie um mehr als 40% pro Jahr expandiert.
Mehr Code bedeutet nicht schnellere Bereitstellung, denn jede Änderung muss vor der Auslieferung weiterhin von einem menschlichen Reviewer geprüft werden. LinearBs 2026 Software Engineering Benchmarks Report, der 8,1 Millionen Pull Requests von 4.800 Teams aus 42 Ländern abdeckt, zeigt, dass KI-gestützte Änderungen beim 75. Perzentil auf 408 Codezeilen kommen gegenüber 157 bei Änderungen ohne KI, was sie 2,6-mal größer macht (unsere Rechnung).
Von Agenten geschriebene Änderungen haben ein anderes Problem, denn sie warten 17,6 Stunden darauf, dass ein Reviewer sie übernimmt, gegenüber 3,4 Stunden bei menschlichen Änderungen, was 5,2-mal länger ist (unsere Rechnung). Sobald ein Reviewer beginnt, dauert das Review selbst 6,4 Stunden, sodass eine Agentenänderung fast dreimal so lange in der Warteschlange verbringt wie sie gelesen wird. Über den gesamten Datensatz hinweg wurden 84,4% der Änderungen ohne KI innerhalb von 30 Tagen akzeptiert, gegenüber 32,7% der KI-Änderungen.
Größe der Pull Requests und Review-Wartezeit nach Typ.
Die Produktivitätsgewinne sind bei intensiven Nutzern real, denn unter den 83.000 Entwicklern in LinearBs 2026er KI-Benchmarks mergten diejenigen, die KI an mindestens drei von vier Coding-Tagen nutzten, im Median 95,7% mehr Pull Requests pro Woche im Mai 2026 als im Juni 2025. Entwickler, die gar keine KI nutzten, mergten im selben Zeitraum 3,6% weniger.
Die Gewinne steigen stufenweise mit der Nutzung, wobei Entwickler, die KI an der Hälfte ihrer Coding-Tage nutzen, 65,4% hinzugewinnen und gelegentliche Nutzer 24,4%. LinearB betont, dass diese Zahlen eine Korrelation zeigen, die nicht beweist, dass allein die KI die Gewinne verursacht hat. Das Unternehmen weist außerdem darauf hin, dass die Akzeptanzrate der Änderungen intensiver Nutzer im Jahresverlauf um 4,4% sank. Die KI-Nutzung ist inzwischen nahezu universell, mit 88,3% der Organisationen, die KI-Tools täglich oder wöchentlich nutzen, aber 44,7% messen weiterhin nicht, was diese Tools liefern.
Wachstum der gemergten Pull Requests nach KI-Nutzungsstufe.
Selbst die besten Teams nutzen KI weniger, als der Hype nahelegt. Bei Elite-Organisationen, den Top 10% in LinearBs Stichprobe, hilft KI nur bei 54% der Pull Requests, KI schreibt 45% des Codes, der gemergt wird, und vollständig autonome Agenten eröffnen lediglich 4,7% aller Änderungen.
Der größte Unterschied zwischen den besten Teams und dem Rest ist das KI-Code-Review, bei dem ein KI-Tool eine Änderung prüft, bevor ein Mensch es tut. Elite-Organisationen setzen es bei 57% der Pull Requests ein, gegenüber 8% bei soliden Organisationen, den oberen 60%, was eine Lücke um Faktor sieben ist. Es ist zugleich der einfachste erreichbare Gewinn, denn Änderungen mit KI-Review werden mit der höchsten Rate aller Typen akzeptiert, was die Akzeptanz um bis zu fünf Prozentpunkte steigert, während LinearBs Analyse aus August eine Steigerung von zwei bis drei Punkten über nahezu jeden Änderungstyp hinweg feststellte.
Mehr KI-Output geht mit einer deutlich höheren Rechnung einher, denn Elite-Organisationen mergen 2,6 Pull Requests pro Entwickler und Woche, doppelt so viele wie die 1,3 bei soliden Organisationen, geben aber 481 Dollar pro Entwickler und Monat für KI-Tokens aus, gegenüber 50 Dollar, was 9,6-mal so viel ist.
Gemeinhin ausgedrückt hat sich eine Verdopplung des Outputs fast das Zehnfache an KI-Nutzung gekostet, und genau diesen Zielkonflikt müssen Engineering-Leads Vorständen und Finanzteams inzwischen erklären. LinearB kennzeichnet diese Token-Zahlen als grobe Durchschnittswerte, doch die Richtung ist klar: Genau diese Lücke soll die Effort-Skill verkleinern, indem teurer KI-Aufwand für die Änderungen gespart wird, die ihn benötigen.
Bei der Akzeptanz liegen Agenten weiterhin zurück, denn bei Elite-Organisationen werden 79% der von autonomen Agenten eröffneten Änderungen innerhalb von 30 Tagen gemergt, gegenüber 92% der ausschließlich von Menschen geschriebenen Änderungen, eine Lücke von 13 Punkten (unsere Rechnung).
Die Lücke weitet sich bei schwächeren Organisationen aus, wo die Agenten-Akzeptanz bei guten Organisationen auf 58% und bei soliden auf 37% fällt, sodass die Agentenarbeit 28 beziehungsweise 44 Punkte hinter der Gesamtquote zurückliegt (unsere Rechnung). LinearBs Erklärung lautet Ownership, denn eine Änderung, für die sich kein Entwickler verantwortlich fühlt, wird oft nie gemergt. Aus diesem Grund gibt Agentic Studio Agenten die Code-Ownership-Historie, damit ein Agent weiß, wessen Code er berührt, bevor er eine Änderung eröffnet.
Die Token-Rechnungen steigen am schnellsten bei den intensivsten Nutzern, denn beim 90. Perzentil, also dem zehntelseuersten Zehntel, verbrauchen Entwickler inzwischen 35,20 Dollar an KI-Tokens pro Coding-Tag, was in drei Monaten um fast 75% gestiegen ist, während sich die Ausgaben des typischen Entwicklers kaum bewegt haben. Das ergibt 481 Dollar im Monat oder 5.772 Dollar im Jahr pro Entwickler (unsere Rechnung), was laut LinearB weiterhin unter 4% der Gesamtkosten eines Entwicklers liegt.
Gartner erwartet, dass die Ausgaben für KI-Coding-Tools bis 2028 das Durchschnittsgehalt eines Entwicklers übersteigen, da die Token-Nutzung weiter steigt. LinearBs eigenes Rechenbeispiel, das eine Illustration und keine Kundendaten darstellt, zeigt, warum die Kosten pro gelieferter Änderung wichtiger sind als die rohe Rechnung: Ein Unternehmen mit 350 Entwicklern, das seine Token-Ausgaben von 300.000 auf 1,2 Millionen Dollar pro Monat vervierfacht und dabei den Output von 3,3 auf 5,67 gemergte Änderungen pro Entwickler und Woche steigert, senkt seine Kosten pro gelieferter Änderung um 29%, von 864 auf 613 Dollar.
Kraken liefert ein frühes Beispiel für die Nutzung dieser Daten, denn das Unternehmen nutzte LinearBs MCP-Server mit einem KI-Assistenten, um herauszufinden, was seine Code-Reviews verlangsamte, und erkannte, dass die Ursache Zeitzonen und die Verfügbarkeit von Reviewern waren, nicht große Änderungen. In den folgenden vier Monaten halbierte es mehr als die langsamsten Review-Zeiten, gemessen beim 90. Perzentil.
Emburse nutzt die Daten auf Vorstandsebene, wobei Chief Technology Officer Ken Ringdahl LinearB-Diagramme direkt in Vorstandspräsentationen einfügt, weil sein Vorstand wissen will, wie das Unternehmen KI einsetzt und welchen Ertrag es daraus zieht. LinearB zufolge haben der eigene KI-Assistent und der MCP-Zugriff die höchste Nutzerbindung aller Funktionen, die das Unternehmen veröffentlicht hat.
LinearB plant seine nächsten Agenten-Skills für Code-Review und Merging, gefolgt von Werkzeugen, die Teams helfen, KI-geschriebenen Code sicher zu verwalten und ihre Ausgaben für KI zu senken. Der Geschäftsführer und Mitgründer Ori Keren beschreibt die Daten des Unternehmens als einen Knowledge Graph des gesamten Software-Lieferprozesses, den die Hersteller von Coding-Tools nicht besitzen, während der Mitgründer und Chief Operating Officer Dan Lines sagt, das Ziel sei es, Führungskräfte vom reinen Lesen von Dashboards dazu zu bringen, zu wissen, was als Nächstes zu tun ist.
Für Engineering-Führungskräfte deuten die Daten von LinearB auf drei Stellen hin, an denen KI-gestütztes Codieren heute an Wert verliert: die Review-Warteschlange, die Agenten-Änderung, für die niemand die Verantwortung trägt, und die Spitze der Token-Rechnung. Agentic Studio ist LinearBs Versuch, alle drei Probleme zu lösen, indem Menschen und Agenten denselben Kontext erhalten, in einem Markt, den Gartner auf rund 400 Millionen Dollar schätzt und der um mehr als 40% pro Jahr wächst.
Vergiss nicht, die Geschichte zu liken und zu teilen!
Erklärung von Interessenkonflikten: HackerNoon hat den Bericht auf Qualität geprüft, aber die hier gemachten Aussagen gehören dem Autor. #DYOR.
Frgmnt-CEO Aurélien Roussel darüber, wie Finance-Teams Onchain Rendite auf Stablecoins erzielen können
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Signup Write New Story LinearB Launches Agentic Studio to Steer AI Coding Agents in a $127 Billion Market by 2032 by Ishan Pandey by Ishan Pandey | @ ishanpandey AI, Web3, Cybersecurity, Startup Funding & Enterprise SaaS. Top Journalist, Analyst & Thought Leadership Media Leader.
AI, Web3, Cybersecurity, Startup Funding & Enterprise SaaS. Top Journalist, Analyst & Thought Leadership Media Leader.
Developers who used AI on at least 75% of their coding days merged a median of 95.7% more pull requests per week in May 2026 than they did in June 2025 according to LinearB's benchmarks of 2.7 million pull requests from 253 engineering organizations, yet at the top-performing organizations in that same sample only 79% of the pull requests opened by autonomous agents merge within 30 days against 92% for changes written by humans alone.
LinearB, a Leader in the first Gartner Magic Quadrant for Developer Productivity Insight Platforms, launched Agentic Studio to close that gap by giving engineering leaders and coding agents the same view of everything that has happened across software delivery. The launch matters to anyone paying for AI coding tools because the benchmark data shows the extra code piling up in review queues and the token bill climbing fastest at the top of the distribution.
LinearB has spent years collecting data from the tools engineers use every day, such as GitHub and Jira, while linking each code change to the ticket that requested it and the release that shipped it. Agentic Studio puts that history to work for managers, who can type a plain question such as where delivery is stuck or whether AI spending is paying off and receive an answer with a suggested next step.
Coding agents get the same history through an MCP server, which is a standard way for AI tools to plug into outside data, along with add-ons that LinearB calls agent skills. An agent about to edit a file can now see who owns that code, how often it has been rewritten and whether it caused recent incidents, which tells the agent how carefully it needs to work.
The first skill, called effort, is in early access and uses that history to decide how hard an agent should try on each change. A simple, low-risk edit gets a quick pass that uses fewer tokens, the units AI providers bill by, while a complex or risky change gets more effort with careful, tested edits. The skill works with any coding agent, Agentic Studio is available now to all LinearB customers and the next skills will focus on code review and merging.
Companies are pouring money into AI coding tools, with enterprises spending $4.0 billion on them in 2025 against $550 million a year earlier according to Menlo Ventures. That sevenfold jump makes coding the largest single use of AI inside companies, at 55% of the $7.3 billion spent on departmental AI.
MarketsandMarkets expects the market for AI code assistants to grow from $8.14 billion in 2025 to $127.05 billion by 2032, a rise of about 48% a year. As writing code gets cheaper, the pressure moves to everything that happens after the code is written, which is why the tools that measure engineering work are growing fast too, with Gartner estimating that category at about $400 million and expanding more than 40% a year.
More code does not mean faster delivery, because every change still has to be checked by a human reviewer before it ships. LinearB's 2026 Software Engineering Benchmarks Report, which covers 8.1 million pull requests from 4,800 teams in 42 countries, shows that AI-assisted changes run to 408 lines of code against 157 for changes written without AI, measured at the 75th percentile, which makes them 2.6 times larger (our arithmetic).
Changes written by agents face a different problem, since they wait 17.6 hours for a reviewer to pick them up against 3.4 hours for human changes, which is 5.2 times longer (our arithmetic). Once a reviewer starts, the review itself takes 6.4 hours, so an agent's change spends almost three times as long waiting in the queue as it does being read. Across the whole dataset 84.4% of changes written without AI were accepted within 30 days against 32.7% of AI changes.
Pull request size and review wait by type.
The productivity gains are real for heavy users, since among the 83,000 developers in LinearB's 2026 AI benchmarks those who used AI on at least three out of every four coding days merged a median 95.7% more pull requests per week in May 2026 than in June 2025. Developers who used no AI at all merged 3.6% fewer over the same period.
The gains grow step by step with usage, with developers using AI on half their coding days gaining 65.4% and occasional users gaining 24.4%. LinearB says these figures show a correlation that does not prove AI alone caused the gains. It also notes that the acceptance rate of heavy users' changes slipped 4.4% over the year. AI use is now close to universal, with 88.3% of organizations using AI tools daily or weekly, yet 44.7% still do not measure what those tools deliver.
Merged pull request growth by AI usage band.
Even the best teams use AI less than the hype suggests. At elite organizations, the top 10% in LinearB's sample, AI helps write only 54% of pull requests, AI writes 45% of the code that gets merged and fully autonomous agents open just 4.7% of all changes.
The biggest difference between the best teams and the rest is AI code review, where an AI tool checks a change before a human does. Elite organizations use it on 57% of pull requests against 8% at fair organizations, the top 60%, which is a sevenfold gap. It is also the easiest win on the table, because changes with an AI review are accepted at the highest rate of any type, lifting acceptance by up to five percentage points, while LinearB's August analysis found a lift of two to three points across almost every type of change.
More AI output comes with a much bigger bill, since organizations merge 2.6 pull requests per developer each week, twice the 1.3 at fair organizations, yet spend $481 per developer each month on AI tokens against $50, which is 9.6 times as much.
In plain terms, doubling output has cost close to ten times as much in AI usage, which is the trade-off that boards and finance teams now ask engineering leaders to explain. LinearB labels these token figures as rough averages, though the direction is clear: this is the gap the effort skill is designed to narrow by saving expensive AI effort for the changes that need it.
Acceptance is where agents still fall short, since at elite organizations 79% of the changes opened by autonomous agents are merged within 30 days against 92% of changes written only by people, a gap of 13 points (our arithmetic).
The gap widens at weaker organizations, where agent acceptance drops to 58% at good organizations and 37% at fair ones, leaving agent work 28 and 44 points behind the overall rate (our arithmetic). LinearB's explanation is ownership, because a change that no developer feels responsible for often never gets merged. That is why Agentic Studio gives agents code ownership history, so an agent knows whose code it is touching before it opens a change.
Token bills are rising fastest among the heaviest users, since at the 90th percentile, meaning the top tenth of spenders, developers now use $35.20 of AI tokens per coding day, up nearly 75% in three months, while the typical developer's spend has barely moved. That works out to $481 a month or $5,772 a year per developer (our arithmetic), which LinearB says is still under 4% of what a developer costs in total.
Gartner expects spending on AI coding tools to pass the average developer's salary by 2028 as token use keeps climbing. LinearB's own worked example, which is an illustration and not customer data, shows why the cost of each delivered change matters more than the raw bill, since a 350-developer company that quadruples its token spend from $300,000 to $1.2 million a month while lifting output from 3.3 to 5.67 merged changes per developer each week cuts its cost per delivered change by 29%, from $864 to $613.
Kraken offers an early example of the data at work, since the company used LinearB's MCP server with an AI assistant to find out what was slowing its code reviews and learned that the cause was time zones and reviewer availability, not large changes. Over the next four months it cut its slowest review times, measured at the 90th percentile, by more than half.
Emburse uses the data at board level, with chief technology officer Ken Ringdahl putting LinearB charts directly into board decks because his board wants to know how the company uses AI and what return it gets. LinearB says its AI assistant and MCP access have the highest user retention of any features it has released.
LinearB plans its next agent skills for code review and merging, followed by tools that help teams govern AI-written code safely and cut what they spend on AI. Chief executive and co-founder Ori Keren describes the company's data as a knowledge graph of the entire software delivery process that coding tool makers do not have, while co-founder and chief operating officer Dan Lines says the goal is to move leaders from reading dashboards to knowing what to do next.
For engineering leaders, LinearB's data points to three places where AI coding is losing value today, which are the review queue, the agent change that nobody owns and the top of the token bill. Agentic Studio is LinearB's attempt to fix all three by giving people and agents the same context, in a market that Gartner sizes at about $400 million and growing more than 40% a year.
Don’t forget to like and share the story!
Vested Interest Disclosure: HackerNoon has reviewed the report for quality, but the claims herein belong to the author. #DYOR.
Frgmnt CEO Aurélien Roussel on How Finance Teams Can Earn Yield on Stablecoins Onchain