Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Atlassian quiere mover la inteligencia artificial desde la ayuda puntual hasta el trabajo continuo dentro del desarrollo de software.
La compañía presentó en Team'26 Europe nuevas capacidades de agentes para planificación, diseño, programación, revisión y mantenimiento. La idea que las une cabe en una fórmula sencilla, aunque sus implicaciones no lo sean tanto, porque en su modelo AI-native SDLC las personas marcan objetivos y los agentes ejecutan tareas coordinados a través de Teamwork Graph y Jira.
El dato incómodo apareció cuando casi todos ya usaban IA
Hay una cifra que explica por qué el anuncio no gira solo en torno a más automatización. El 94% de los responsables de ingeniería ya usa IA en sus equipos, pero solo el 6% dispone de sistemas para escalarla y gobernarla, según el estudio interno AI SDLC de 2026.
No es un problema menor. Una cosa es pedir ayuda a un asistente para escribir código y otra muy distinta encajar varios agentes dentro del mismo flujo de trabajo sin perder trazabilidad, contexto ni control, una tensión que también aparece en estudios sobre coordinación entre agentes.
Atlassian conectó el código con el resto del trabajo
Ahí entra Code Context.
La herramienta amplía Teamwork Graph para indexar código de Bitbucket y GitHub y relacionarlo con Jira, Confluence, Loom, Slack y Google Drive. Dicho de otro modo, intenta que el agente no vea solo líneas de código, sino también tickets, documentos, vídeos y conversaciones asociadas a cada cambio.
Las pruebas internas de Atlassian atribuyen a ese cruce de contexto una mejora de hasta el 44% en la calidad de las respuestas y una reducción de hasta el 48% en el consumo de tokens. En sistemas de IA que responden de forma constante durante la jornada, gastar menos tokens no es un detalle técnico, sino una forma de reducir ruido y coste al mismo tiempo.
Planificar ya no empieza siempre con un documento en blanco
Planner, aún en acceso anticipado privado, genera planes editables en Confluence a partir de ideas iniciales y después los divide en elementos de trabajo de Jira. Record for Agent, disponible en beta abierta, empuja esa lógica un paso más allá al convertir con Loom una grabación de prototipos o una revisión de interfaz en planes estructurados para los agentes.
A veces la fricción de un equipo no está en programar, sino en traducir una conversación dispersa a tareas concretas.
Ese cuello de botella explica por qué la empresa también prepara recorridos de pull request generados mediante Loom. Un agente explicará los cambios y adjuntará el vídeo en Bitbucket antes de que llegue la revisión humana, una escena que recuerda a revisiones de código con agentes que ya empujan parte del análisis técnico fuera de la lectura lineal del código.
La velocidad se disparó cuando el trabajo partió de especificaciones
Jira ya admite agentes de Cognition, Factory y Warp a través de su marketplace, y próximamente integrará OpenAI Codex. La apuesta no consiste en un único asistente todoterreno, sino en sumar piezas especializadas dentro de una misma superficie de trabajo.
Ingenieros internos de Atlassian estiman un aumento de velocidad superior a siete veces en el desarrollo de funcionalidades sobre bases de código existentes mediante estos procesos. En un piloto interno basado en especificaciones, un equipo completó en semanas una hoja de ruta que al principio estaba prevista para varios meses.
Eso cambia la escala del calendario.
La automatización también bajó al mantenimiento cotidiano
Agent Sessions, en acceso anticipado cerrado, registra en Jira la actividad iniciada en entornos de desarrollo, terminales, Slack o procesos en segundo plano. La función apunta a un problema muy antiguo del software, porque buena parte del trabajo real ocurre fuera del ticket y luego alguien tiene que reconstruirlo a mano.
Mientras tanto, casi la mitad de la limpieza de feature flags ya se realiza automáticamente mediante Jira Coding Agent y automatizaciones. Pocas tareas resultan más invisibles y repetitivas que retirar restos de funciones que ya cumplieron su papel, así que el dato dice mucho sobre dónde empieza a notarse de verdad la IA en un equipo.
DX AI Measurement, disponible de forma general, conecta el uso de estas herramientas con métricas de rendimiento, calidad, adopción y fricción. El contraste con el 94% de adopción frente al 6% de gobierno reaparece aquí, porque medir deja de ser un lujo cuando casi todos usan IA pero casi nadie sabe todavía cómo ordenarla.
Code Context ya está en beta abierta para clientes de pago, Record for Agent también está en beta abierta, Planner y las revisiones de IA siguen en acceso anticipado privado, y Agent Sessions permanece en acceso anticipado cerrado.