Atlassian lleva agentes de IA a todo el ciclo de desarrollo

Por qué Atlassian asegura que usar IA ya no alcanza

El 94% de los responsables de ingeniería consultados por Atlassian afirma que su equipo ya utiliza IA, pero sólo el 6% cuenta con los sistemas necesarios para gobernarla y escalarla. La brecha, publicada por la propia Atlassian en su estudio AI SDLC 2026, es la que la compañía intenta cerrar con el movimiento anunciado en Team'26 Europe, su conferencia europea celebrada en Ámsterdam entre el 6 y el 8 de octubre de 2026. La propuesta, que la empresa resume como un AI-native SDLC (ciclo de vida de desarrollo de software nativo en IA), lleva a los agentes de inteligencia artificial más allá de la generación de código para integrarlos en planificación, diseño, programación, revisión y mantenimiento. El elemento estrella del anuncio es AMP (Agentic Multiplayer Protocol), un protocolo para que agentes de distintos proveedores trabajen como un equipo, en lugar de hacerlo como asistentes aislados.

Según la información recogida por Computer Weekly durante el evento, el cofundador y CEO Mike Cannon-Brookes describió la experiencia actual con agentes como 'mayoritariamente single player': el desarrollador habla con un agente, recibe un resultado y lo traslada a otra herramienta. AMP busca convertir ese flujo en un trabajo multi-agente visible para todo el equipo, con identidad, contexto y reglas de gobierno. La propuesta coincide con un dato que Cannon-Brookes mencionó en la misma keynote: más del 75% de los clientes de Atlassian ya usan varios proveedores de modelos grandes, a menudo con Microsoft y Google en la mezcla, lo que refuerza la necesidad de no atarse a un único vendor.

Teamwork Graph y Code Context: el contexto como infraestructura

La base técnica de toda la estrategia es Teamwork Graph, el grafo de Atlassian que ya conecta más de 250.000 millones de objetos y relaciones entre Jira, Confluence, Loom y otras herramientas. En Team'26 Europe la compañía amplió ese grafo con Code Context, una capacidad que indexa código de repositorios de Bitbucket y GitHub y lo vincula con archivos, funciones, símbolos y clases, además de con tickets, documentos y decisiones previas. La idea es que un agente que investiga un problema técnico disponga no sólo del código, sino del contexto histórico que lo rodea: requisitos, discusiones y documentación relacionada.

Atlassian presentó además un nuevo MCP (Model Context Protocol) Server que conecta agentes externos con ese contexto empresarial. Según el comunicado oficial recogido por TMCnet, el servidor MCP ya cuenta con cerca de 2 millones de usuarios activos mensuales y gestiona más de 15 millones de llamadas a herramientas al día, quince veces más que seis meses antes. La compañía también asegura que la nueva versión consume hasta un 25% menos de tokens en tareas equivalentes sobre Jira y Confluence, en pruebas internas con modelos Claude. Sobre Code Context, Atlassian habla de mejoras de hasta el 44% en la calidad de las respuestas y reducciones de hasta el 48% en el consumo de tokens, aunque conviene recordar que se trata de benchmarks internos y que los resultados variarán por organización, modelo y tarea.

De la idea al ticket: Planner y Record for Agent

Una vez que el contexto está disponible, Atlassian lo aprovecha con dos productos nuevos. Planner, en acceso anticipado privado, toma una idea inicial, formula preguntas para precisar alcance, restricciones, criterios de éxito y decisiones pendientes, y produce un plan editable en Confluence. Cuando se aprueba, ese plan se descompone en elementos de trabajo de Jira listos para ser ejecutados por personas o agentes. Record for Agent, en beta abierta, hace algo similar con el diseño: una grabación de pantalla y voz en Loom (un prototipo, una revisión de interfaz, la explicación de un error visual) se convierte en un brief estructurado para un agente, con clics, cambios de pantalla, URL y anotaciones conservados.

La consecuencia práctica, según la propia Atlassian, es que parte del esfuerzo se desplaza hacia la definición previa del trabajo. A medida que la generación de código se acelera, la calidad de las especificaciones, el contexto entregado y los criterios de aceptación ganan peso en el resultado final. Lo que parecía un trabajo menor (escribir buenos tickets, dejar decisiones por escrito, grabar el porqué de un cambio visual) se convierte en el cuello de botella que decide la calidad de lo que el agente entrega.

Jira como hub multi-agente: Cognition, Factory, Warp y OpenAI

En la fase de desarrollo, Atlassian refuerza una estrategia deliberadamente abierta. Jira admite ya agentes de Cognition, Factory y Warp desde su marketplace, y la integración con OpenAI Codex está prevista para los próximos meses. Un agente puede recibir un ticket de Jira como tarea, utilizar su resumen y descripción como contexto y abrir después una pull request. También puede invocarse desde un comentario o conectarse a automatizaciones disparadas por cambios de estado, etiquetas o asignaciones. Los equipos pueden establecer puntos concretos en los que la ejecución requiere aprobación humana.

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. 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. Son experiencias internas, no benchmarks independientes, por lo que conviene tratarlas como una cota máxima, no como un promedio esperable para cualquier equipo.

Agent Sessions, Non-Human Identities y la medición

Una de las piezas más relevantes para la gobernanza es Agent Sessions, en acceso anticipado cerrado. Su función es registrar en Jira la actividad de los agentes que pueda haber empezado en un IDE, un terminal, Slack o un proceso en segundo plano, y vincularla con el elemento de trabajo correspondiente. Atlassian complementa esta capa con Non-Human Identities, que da a cada agente (propio o de terceros) una identidad propia para saber qué agentes están activos, qué pueden acceder y quién los gestiona.

Para la fase de revisión, la compañía prepara Interactive PR Reviews: un agente grabará un vídeo en Loom explicando los cambios principales, las decisiones y los riesgos, y lo adjuntará a la pull request antes de que intervenga el revisor humano. El último componente es DX AI Measurement, ya disponible de forma general: relaciona el uso de herramientas de IA con métricas como throughput, calidad, adopción y fricción, permite comparar el retorno declarado con grupos anonimizados por sector, tamaño o geografía, e identifica casos en los que modelos de mayor coste se han usado para tareas de baja complejidad. Según Atlassian, dentro de la propia compañía ya se automatiza con Jira Coding Agent casi la mitad de la limpieza de feature flags, una muestra del tipo de tareas internas que la propia empresa delega en sus agentes.

¿Qué significa esto para tu startup?

El movimiento de Atlassian no llega en el vacío. Según un artículo de TechTimes sobre la crisis de capacidad de GitHub, los pull requests abiertos por agentes de IA pasaron de unos 4 millones en septiembre de 2025 a más de 17 millones en marzo de 2026, un 325% en seis meses. En el mismo período, GitHub pasó de 1.000 millones de commits en todo 2025 a un ritmo anualizado de 14.000 millones en 2026, catorce veces más, impulsado por el trabajo continuo de Cursor, Claude Code, Copilot, Devin y decenas de competidores que operan vía API y CLI a velocidad de máquina. TechRepublic, además, recogió un estudio de Microsoft que asocia a los agentes de IA con un 24% más de pull requests fusionadas cuando los desarrolladores los usan de forma sostenida.

Eso dibuja un escenario que confirma la tesis de Atlassian: producir más código ya no es el cuello de botella, la gobernanza, el contexto y la trazabilidad sí lo son. La propia Microsoft confirmó en junio de 2026 que estaba ruteando parte del tráfico de GitHub a AWS, su mayor rival en cloud, porque su infraestructura no absorbía la oleada de commits generados por agentes, y su CTO reconoció que la plataforma había incumplido en febrero y marzo el compromiso de 'tres nueves' (99,9% de disponibilidad) con clientes enterprise. Si el proveedor de repositorios más grande del mundo tiene que pedir capacidad prestada para sostener la carga, el problema es sistémico, no de un caso aislado.

¿Qué hacer en tu startup, entonces?

• Invierte en especificaciones antes de invertir en más agentes. Cuando el código se genera rápido, lo que decide la calidad es el contexto entregado. Dedica tiempo a tickets accionables, criterios de aceptación claros y briefs visuales, justo lo que Planner y Record for Agent apuntan a resolver.
• Mide qué produce cada agente. DX AI Measurement existe porque Atlassian vio que la velocidad de generación no equivale a mejores resultados. Si usas agentes, trackea throughput, calidad, adopción y fricción desde el primer día, y no confundas más commits con más valor.
• Piensa en la trazabilidad desde el inicio. El hecho de que Atlassian haya tenido que crear Non-Human Identities y Agent Sessions muestra una realidad: los agentes sin identidad dejan trabajo invisible. Si tu stack de IA no sabe qué agente hizo qué cambio, vas a pagar ese desorden en auditorías, debugging y compliance.
• No te cases con un proveedor. Más del 75% de los clientes enterprise de Atlassian usan varios modelos grandes, según Cannon-Brookes. Diseña tu arquitectura de agentes para que cambiar de proveedor no obligue a reconstruir el proceso.

Conclusión

El anuncio de Atlassian en Team'26 Europe no es sólo una colección de features: es una apuesta por una idea concreta. La velocidad de generación de código dejó de ser el factor limitante, y la nueva frontera es cómo coordinar, gobernar y medir el trabajo de los agentes cuando participan en varias fases a la vez. Para los founders, la lección es directa: si tu estrategia de IA se mide en commits por día, te estás quedando en el indicador equivocado. La pregunta correcta dejó de ser 'cuánto código podemos escribir' y pasó a ser 'cuánto código podemos mantener bajo control mientras crece solo'.

Fuentes

• Atlassian reconfigura el ciclo de desarrollo con agentes de IA - La Ecuación Digital
• Atlassian Team '26 Europe: move to AI as team sport with 'multi-player' agentic system - Computer Weekly
• Atlassian Introduces AMP: The Agentic Multiplayer Protocol - TMCnet
• Team '26 Europe - VodafoneZiggo change with Atlassian's teamwork tools - Diginomica
• GitHub's AI Agent Crisis Forces Microsoft to Tap AWS - TechTimes
• 5 Best Claude Code Alternatives for 2026 - TechRepublic