Atlassian está extendiendo los agentes de inteligencia artificial más allá de la generación de código para incorporarlos a prácticamente todo el ciclo de desarrollo de software. La compañía ha presentado en Team’26 Europe nuevas capacidades para planificación, diseño, programación, revisión y mantenimiento, conectadas mediante Teamwork Graph y con Jira como uno de los puntos de coordinación del trabajo.
El movimiento concreta su propuesta de un AI-native SDLC, un modelo en el que las personas mantienen la definición de objetivos, los criterios y las decisiones que requieren juicio, mientras los agentes asumen una parte creciente de la ejecución. La diferencia respecto a introducir asistentes de código de forma aislada está en intentar coordinar esas actividades como un mismo proceso, conservando el contexto que se genera entre unas fases y otras.
La propuesta responde también a una brecha que Atlassian identifica en la adopción empresarial. En su estudio AI SDLC de 2026, el 94% de los responsables de ingeniería consultados afirmó que sus equipos ya utilizan IA, pero únicamente el 6% dijo disponer de los sistemas necesarios para escalarla y gobernarla. Son datos elaborados por la propia compañía y describen a la muestra analizada, aunque ilustran el problema que Atlassian intenta resolver: incorporar más agentes resulta relativamente sencillo; integrarlos en los procesos de desarrollo, medirlos y mantener control sobre su actividad exige cambios adicionales.
El contexto pasa a formar parte de la infraestructura de desarrollo
La base técnica de esta estrategia es Teamwork Graph. Atlassian está ampliando el grafo con Code Context, una capacidad que indexa código de repositorios conectados de Bitbucket y GitHub y relaciona archivos, funciones, símbolos y clases con el trabajo y la documentación asociados.
La búsqueda combina señales léxicas y semánticas y puede vincular el código con elementos de Jira, documentos de Confluence, vídeos de Loom y contenido procedente de herramientas como Slack o Google Drive. El objetivo es que un agente que investiga un problema técnico disponga también de decisiones anteriores, requisitos o documentación relacionados con ese código.
Atlassian atribuye a este enfoque una mejora de hasta el 44% en la calidad de las respuestas y una reducción de hasta el 48% en el consumo de tokens sin pérdida de velocidad. Conviene matizar el alcance: las cifras proceden de pruebas internas de Atlassian y la compañía las presenta como resultados máximos, por lo que no permiten asumir el mismo comportamiento en cualquier organización, modelo o tarea.
Esa capa de contexto alimenta después Planner, actualmente en acceso anticipado privado. A partir de una idea inicial, la herramienta formula preguntas para precisar alcance, restricciones, criterios de éxito y decisiones pendientes. El resultado se convierte en un plan editable en Confluence que puede incorporar riesgos, dependencias y responsables y, una vez aprobado, dividirse en elementos de trabajo de Jira preparados para su ejecución por personas o agentes.
El cambio es relevante porque desplaza parte del esfuerzo hacia la definición previa del trabajo. A medida que la generación de código se acelera, la calidad de las especificaciones, el contexto entregado al agente y los criterios de aceptación adquieren más peso en el resultado final.
Del diseño al código sin perder la intención
Atlassian aplica la misma lógica al diseño con Record for Agent, disponible en beta abierta. Loom puede convertir la grabación de un prototipo, una revisión de interfaz o la explicación de un error visual en un plan estructurado para un agente.
Durante la grabación se conservan elementos como clics, cambios de pantalla, URL y anotaciones realizadas por el usuario. Ese material puede convertirse posteriormente en instrucciones para generar una interfaz, crear un prototipo o abrir un elemento de trabajo con mayor información visual que una descripción escrita convencional. Atlassian
La compañía plantea así una relación más directa entre diseño e implementación. Diseñadores y responsables de producto pueden producir prototipos o solicitar modificaciones con ayuda de agentes sin trasladar cada ajuste al equipo de ingeniería. La ganancia potencial de velocidad desplaza, de nuevo, parte del problema hacia el criterio: que una modificación pueda generarse más rápidamente no determina por sí misma su calidad, accesibilidad o adecuación al producto.
Jira conecta agentes de distintos proveedores
En desarrollo, Atlassian está reforzando una estrategia deliberadamente abierta. Jira admite ya agentes de Cognition, Factory y Warp a través de su marketplace, mientras que la integración con OpenAI Codex está prevista próximamente.
Un agente puede recibir un elemento de Jira como tarea, utilizar su resumen y descripción como contexto y abrir posteriormente una pull request. También puede invocarse desde un comentario o conectarse a automatizaciones disparadas por cambios de estado, etiquetas, asignaciones u otros eventos. Los equipos pueden establecer puntos concretos en los que la ejecución requiere aprobación humana.
Esta arquitectura permite cambiar de agente sin reconstruir necesariamente el proceso alrededor de un proveedor concreto. Jira conserva el work item, el contexto y el estado del trabajo mientras la ejecución puede producirse en herramientas externas.
Atlassian asegura que, para el desarrollo de funcionalidades sobre bases de código existentes, sus propios ingenieros estiman un aumento de velocidad superior a siete veces mediante estos procesos. También menciona un piloto de desarrollo basado en especificaciones en el que un equipo completó en semanas una hoja de ruta prevista inicialmente para varios meses. De nuevo, se trata de experiencias internas y no de un benchmark independiente.
La cifra resulta especialmente significativa por lo que ocurre alrededor del código. Si la implementación deja de consumir la misma cantidad de tiempo, planificación, diseño, revisión y toma de decisiones pueden convertirse en los siguientes límites del sistema. El AI-native SDLC que plantea Atlassian intenta actuar precisamente sobre ese desplazamiento del cuello de botella.
El trabajo de los agentes vuelve al sistema de registro
Una de las piezas más relevantes llegará con Agent Sessions, actualmente en acceso anticipado cerrado. Su función es registrar dentro de Jira actividad que puede haber comenzado en un IDE, un terminal, Slack o un proceso ejecutado en segundo plano.
Cuando existe un elemento de trabajo relacionado, Jira vincula la sesión con él. Cuando el agente empieza a investigar antes de que exista un ticket, el desarrollador podrá convertir posteriormente esa actividad en un nuevo elemento de trabajo. El registro incluye el objetivo, cambios realizados, pull requests, decisiones y parte de la interacción que dirigió al agente, conectándolo después con repositorios, documentos y otros elementos mediante Teamwork Graph.
La intención es recuperar una actividad que actualmente puede quedar dispersa entre terminales y herramientas de terceros. Atlassian afirma además que casi la mitad de la limpieza de feature flags dentro de la propia compañía se realiza ya automáticamente mediante Jira Coding Agent y automatizaciones. Atlassian
Para la revisión, la compañía prepara también recorridos de pull requests generados mediante Loom. Un agente podrá explicar los cambios principales, señalar decisiones y riesgos y adjuntar ese vídeo a la pull request en Bitbucket antes de que intervenga el revisor humano.
Medir si producir más rápido produce mejores resultados
El último componente de la propuesta intenta responder a una cuestión distinta de la velocidad. DX AI Measurement, ya disponible de forma general, relaciona el uso de herramientas de IA con métricas como throughput, calidad, adopción y fricción.
También permite comparar el retorno declarado con grupos anonimizados por sector, tamaño o geografía y evaluar sesiones individuales atendiendo a factores como claridad de requisitos, intervención humana, calidad del contexto o adecuación del modelo utilizado. Otro análisis identifica casos en los que modelos de mayor coste se han empleado para tareas de baja complejidad.
Ese componente de medición es especialmente importante porque la generación de más código o el aumento del uso de agentes no equivalen automáticamente a una mejora de los resultados. La propia arquitectura que Atlassian presenta reconoce esa diferencia: contexto antes de la ejecución, controles durante el trabajo y medición después.
Code Context está desplegándose gradualmente en beta abierta para clientes de pago; Record for Agent está también en beta abierta; Planner, agent loops y AI Review permanecen en acceso anticipado privado; Agent Sessions y las revisiones interactivas con Loom están en acceso anticipado cerrado. DX AI Measurement es, de las principales novedades anunciadas, la que ya está disponible de forma general.
La estrategia deja así de concentrarse en cuánto código puede producir un modelo y se desplaza hacia una cuestión más amplia para los responsables de ingeniería: cómo reorganizar el proceso cuando los agentes participan en varias fases a la vez. Para Atlassian, esa reorganización pasa por mantener unidos contexto, trabajo, decisiones y medición aunque cambien las herramientas que ejecutan cada tarea.
