Kód od AI projde revizí jen ve třetině případů. Co s tím dělá LinearB

Co Agentic Studio dělá

LinearB prodává analytiku pro vývojářské týmy. Agentic Studio je jeho odpověď na stav, do kterého se firmy dostaly s generativními nástroji: revizní procesy, tedy code review, se zahlcují, protože kódovacích agentů přibývá rychleji než lidí, kteří jejich výstupy kontrolují.

Nástroj sjednocuje telemetrii z celého životního cyklu vývoje softwaru do jedné kontextové vrstvy. Ta slouží dvěma adresátům najednou, lidskému vedoucímu týmu i autonomnímu AI agentovi. Představ si to jako společný zápisník, ze kterého čtou oba. Člověk se může v přirozeném jazyce zeptat, kde projekt váznul, a agent dostává stejná data jako podklad pro svá rozhodnutí.

Součástí je i modul effort skill, zatím v early access. Ten má předem vyhodnotit riziko a náročnost úkolu, ještě než ho tým předá AI agentovi. Jinými slovy řekne, které zadání je na agenta moc velké.

Platforma je dostupná okamžitě všem zákazníkům LinearB. Ceník firma v oznámení neuvádí, jde o B2B produkt s individuální nabídkou.

Čísla, která popisují problém

LinearB při spuštění zveřejnil výstupy ze zprávy Software Engineering Benchmarks Report 2026. Vychází z 2,7 milionu pull requestů napříč 250 organizacemi a celá databáze čítá přes 8,1 milionu PR.

Hlavní zjištění:

• Vývojáři, kteří AI používají aktivně, meziročně téměř zdvojnásobili počet sloučených změn.
• PR, na kterých se AI podílela, jsou na úrovni 75. percentilu v průměru 2,6krát objemnější než lidské změny.
• Požadavky vytvořené kódovacími agenty čekají na lidskou revizi více než 5krát déle.
• Míra sloučení kódu od AI agentů je 79 procent u elitních organizací, u běžných AI PR dohromady jen 33 procent. Lidský kód prochází v 85 až 92 procentech.

Poslední bod je nejzajímavější. Ukazuje, že AI agenti produkují hodně kódu, ale velká část se vyhodí.

Rozdíl mezi 33 a 79 procenty

Rozdíl mezi 33 a 79 procenty naznačuje, že problém není v samotných agentech, ale v tom, jak se používají. Elitní organizace, které dosahují 79procentní úspěšnosti, mají zavedené procesy: menší a lépe ohraničené úkoly, jasné mantinely pro agenty a kontrolu nad tím, jaká data agent k práci dostává.

Objemnější AI PR, tedy 2,6krát větší na 75. percentilu, znamenají víc kódu na jednu revizi. Kontrolorům to trvá déle a snáz se něco přehlédne. Pětkrát delší čekání na revizi není technický problém, ale kapacitní: lidí na kontrolu nepřibývá tak rychle jako agentů, kteří kód generují.

Tohle je podle mě jádro věci. Agent dokáže vygenerovat hodně, ale zodpovědnost za kvalitu zůstává na člověku. Nástroje jako Agentic Studio se snaží tuhle zodpovědnost dostat pod kontrolu tím, že oběma stranám dají stejný obraz o stavu projektu.

Agenti už zasahují i do sítí

Stejný princip se šíří i do jiných oborů. 8. září 2026 spustila firma Zayo službu Agentic Networking, která AI agenty pouští do řízení síťové infrastruktury. Schválení agenti smějí v reálné síti provádět autorizované zásahy a diagnostiku, ovšem jen uvnitř definovaných bezpečnostních mantinelů.

Technicky to běží přes první produkční MCP server postavený pro síťovou infrastrukturu a WAN služby. MCP je zkratka pro Model Context Protocol a dá se popsat jako univerzální zásuvka, kterou AI agenta připojíš k firemním datům a nástrojům. Agent přes ni vidí, co se v síti děje, a může do ní i zasahovat.

Zayo přitom argumentuje konkrétním číslem: 93 procent organizací dnes vnímá síť jako kritičtější pro své obchodní cíle než před dvěma lety. Fyzická infrastruktura firmy zahrnuje přes 32 milionů vláknových mil a 224 000 trasových mil. Služba navazuje na rok ostrého provozu platformy DynamicLink.

Společné téma s LinearB je zřejmé. Agenti přestávají jen radit a začínají konat, ať už píšou kód, nebo řídí provoz v síti. V obou případech zůstává otázkou, kdo a jak hlídá, že agent dělá to, co má.

A co české týmy

Agentic Studio je anglicky mluvící B2B nástroj pro zákazníky LinearB. Oficiální českou lokalizaci ani cenovou nabídku pro český trh firma neuvádí. Pro české vývojářské týmy to ale není překážka: nástroj pracuje s daty z Gitu a vývojových nástrojů, které tu běžně používají.

Praktičtější poučení je jinde. Data LinearB ukazují, že AI agenty se vyplatí nasazovat s jasnými mantinely a menšími úkoly, ne pustit je na volno s velkým zadáním. MCP je navíc otevřený standard, takže podobný přístup jako Zayo nebo LinearB si dnes může postavit i menší firma, aniž by musela čekat na hotový produkt.

Zároveň platí, co říkají čísla: dokud neporoste kapacita lidské kontroly, budou AI generované změny dál čekat déle a častěji padat. Agentic Studio tenhle problém neodstraňuje, jen ho zviditelňuje a dává týmům data, podle kterých se můžou rozhodnout.