Atlassian sta estendendo gli agenti di intelligenza artificiale ben oltre la semplice generazione di codice, integrandoli praticamente in ogni fase del ciclo di sviluppo software. Durante l’evento Team’26 Europe l’azienda ha presentato una serie di nuove capacità che coprono dalla pianificazione alla manutenzione, tutte collegate tramite il Teamwork Graph e con Jira che funge da nodo di coordinamento centrale.

Un modello “AI‑native SDLC”

La proposta di Atlassian prende forma nella visione di un SDLC nativo per l’IA, in cui le persone conservano la definizione di obiettivi, criteri e decisioni che richiedono giudizio umano, mentre gli agenti assumono una parte sempre più significativa dell’esecuzione. La differenza rispetto all’introduzione isolata di assistenti di codice è la volontà di coordinare tutte le attività come un unico processo, preservando il contesto generato tra le diverse fasi.

La brecha nella adozione aziendale

Il nuovo modello risponde a una lacuna individuata da Atlassian nel proprio studio AI SDLC 2026. Secondo il sondaggio, il 94 % dei responsabili di ingegneria ha dichiarato che i propri team usufruiscono già di IA, ma solo il 6 % ha affermato di disporre dei sistemi necessari per scalarla e governarla. I dati, forniti dalla stessa Atlassian, evidenziano il problema centrale:

    • l’integrazione di nuovi agenti è relativamente semplice;
    • misurarne l’impatto, gestirne l’attività e mantenere il controllo richiede cambiamenti aggiuntivi.

Teamwork Graph e Code Context

Il pilastro tecnico di questa strategia è Teamwork Graph, ora potenziato con la funzionalità Code Context. Quest’ultima indicizza il codice dei repository collegati a Bitbucket e GitHub e stabilisce relazioni tra file, funzioni, simboli e classi con il lavoro e la documentazione associati.

La ricerca combina segnali lessicali e semantici, permettendo di collegare il codice a elementi di Jira, documenti di Confluence, video di Loom e contenuti provenienti da Slack o Google Drive. L’obiettivo è che un agente che indaga un problema tecnico possa accedere anche a decisioni precedenti, requisiti o documentazione collegata al codice.

Atlassian riporta che questo approccio porta a un miglioramento fino al 44 % della qualità delle risposte e a una riduzione fino al 48 % del consumo di token senza perdita di velocità. È importante notare che le cifre provengono da test interni e rappresentano risultati massimi, non necessariamente replicabili in tutti i contesti.

Planner: dalla idea al piano eseguibile

Il contesto ottenuto alimenta Planner, attualmente in accesso anticipato privato. Partendo da un’idea iniziale, lo strumento formula domande per precisare ambito, vincoli, criteri di successo e decisioni pendenti. Il risultato è un piano editabile in Confluence, capace di includere rischi, dipendenze e responsabili.

Una volta approvato, il piano si suddivide in item di lavoro di Jira, pronti per l’esecuzione da parte di persone o agenti. Questo spostamento del carico di lavoro verso la definizione preliminare è cruciale: con la generazione di codice sempre più rapida, la qualità delle specifiche, il contesto fornito all’agente e i criteri di accettazione diventano determinanti per il risultato finale.

Record for Agent: dal design al codice

Per il design Atlassian utilizza Record for Agent, attualmente in beta aperta. Grazie a Loom, le registrazioni di prototipi, revisioni di interfaccia o spiegazioni di bug visivi vengono trasformate in piani strutturati per un agente.

Durante la registrazione vengono conservati click, cambi di schermo, URL e annotazioni dell’utente. Successivamente, questi dati possono diventare istruzioni per generare un’interfaccia, creare un prototipo o aprire un elemento di lavoro con un livello di informazione visiva superiore a una descrizione testuale.

Questo approccio consente a designer e product owner di produrre prototipi o richiedere modifiche con l’aiuto di agenti senza dover passare ogni dettaglio al team di ingegneria, accelerando il flusso di lavoro. Tuttavia, la velocità di generazione non garantisce automaticamente qualità, accessibilità o adeguatezza al prodotto.

Jira e l’ecosistema di agenti aperti

Atlassian sta rafforzando una strategia deliberatamente aperta. Jira supporta già agenti di Cognition, Factory e Warp tramite il marketplace, con l’integrazione di OpenAI Codex prevista a breve.

Un agente può ricevere un ticket Jira come compito, utilizzare riassunto e descrizione come contesto e aprire successivamente una pull request. Può essere invocato da un commento o collegato a automazioni scatenate da cambi di stato, etichette, assegnazioni o altri eventi. I team hanno la possibilità di stabilire punti in cui è necessaria l’approvazione umana.

Questa architettura consente di sostituire un agente senza ricostruire l’intero processo attorno a un fornitore specifico. Jira conserva l’elemento di lavoro, il contesto e lo stato, mentre l’esecuzione può avvenire in strumenti esterni.

Stime di velocità e casi pilota

Atlassian afferma che per lo sviluppo di funzionalità su basi di codice esistenti i propri ingegneri stimano un aumento di velocità superiore a sette volte grazie a questi processi. Inoltre, cita un pilota basato su specifiche in cui un team ha concluso in settimane una roadmap inizialmente prevista per diversi mesi.

Si tratta di esperienze interne, non di benchmark indipendenti, ma i risultati evidenziano come l’accelerazione della codifica possa spostare il collo di bottiglia verso la pianificazione, il design, la revisione e le decisioni critiche. Il modello AI‑native SDLC di Atlassian mira a intervenire proprio su questo spostamento.

Agent Sessions: tracciare l’attività degli agenti

Una delle funzionalità più attese è Agent Sessions, attualmente in accesso anticipato chiuso. Essa registra all’interno di Jira le attività avviate in IDE, terminali, Slack o processi in background.

Quando esiste un ticket correlato, la sessione viene collegata ad esso. Se l’agente inizia a indagare prima della creazione di un ticket, il sviluppatore può successivamente trasformare quell’attività in un nuovo elemento di lavoro. Il registro include obiettivo, modifiche effettuate, pull request, decisioni e parte dell’interazione che ha guidato l’agente, collegandolo poi a repository, documenti e altri elementi tramite Teamwork Graph.

L’obiettivo è recuperare attività che attualmente possono rimanere disperse tra terminali e tool di terze parti. Atlassian dichiara, inoltre, che quasi la metà della pulizia dei feature flag nella propria azienda viene già eseguita automaticamente da Jira Coding Agent e dalle automazioni associate.

Revisione potenziata da Loom

Per la revisione, Atlassian sta preparando flussi di pull request generati tramite Loom. Un agente potrà spiegare le variazioni principali, evidenziare decisioni e rischi, e allegare il video alla pull request in Bitbucket prima dell’intervento del revisore umano.

Conclusioni

La spinta di Atlassian verso un ciclo di sviluppo “AI‑native” rappresenta una risposta concreta alla difficoltà delle aziende nel scalare e governare l’uso dell’IA. Collegando il contesto di codice, design e comunicazione attraverso Teamwork Graph, e fornendo strumenti come Planner, Record for Agent e Agent Sessions, l’azienda vuole trasformare gli assistenti intelligenti da semplici generatori di snippet a partner operativi integrati in tutto il flusso di lavoro.

Se da un lato le metriche interne mostrano miglioramenti notevoli in termini di qualità delle risposte e riduzione del consumo di token, dall’altro resta da verificare come questi benefici si tradurranno in ambienti reali, con team eterogenei e carichi di lavoro variabili. Il vero test sarà capire se le organizzazioni riusciranno a mantenere la governance, la trasparenza e la responsabilità mentre affidano una parte sempre più ampia del processo decisionale a agenti autonomi.