Atlassian a présenté Code Context, une nouvelle fonctionnalité de Teamwork Graph qui permet à Rovo et à des agents de programmation tels que Claude Code, Codex ou Cursor de comprendre du code réparti sur plusieurs dépôts et de le relier à Jira, Confluence, Loom et autres sources de connaissances de l’entreprise. La société affirme que, lors de ses tests internes, les agents enrichis avec ce contexte ont été 44 % plus précis tout en utilisant 48 % de tokens en moins. Il est à noter que ces résultats proviennent de leurs propres évaluations et ne constituent pas une étude indépendante.

Les points clés d’Atlassian Code Context en 30 secondes

• Code Context intègre le code source de plusieurs dépôts dans le graphe de travail d’Atlassian, Teamwork Graph.
• Claude Code, Codex et Cursor peuvent y accéder depuis le terminal via l’interface CLI de Teamwork Graph.
• L’agent peut relier le code à des tickets Jira, de la documentation Confluence, des vidéos Loom et plus de 50 connecteurs.
• Atlassian annonce une amélioration de 44 % en précision et une réduction de 48 % de consommation de tokens lors de ses tests internes.
• Cette fonctionnalité est en phase de bêta ouverte avec un support initial pour GitHub et Bitbucket.

Cette nouveauté répond à un des défis rencontrés par les agents de programmation les plus avancés : le modèle peut écrire un bon code mais se tromper parce qu’il ne connaît pas suffisamment le système dans lequel il travaille.

Un agent exécuté depuis l’ordinateur portable d’un développeur dispose généralement du dépôt ouvert, des fichiers accessibles localement et du contexte fourni par l’utilisateur. Cependant, une application d’entreprise peut être répartie entre des dizaines ou des centaines de dépôts, services et équipes.

La modification que l’on souhaite apporter peut dépendre d’une bibliothèque maintenue par un autre groupe, répondre à une décision architecturale documentée il y a deux ans dans Confluence ou être liée à une discussion associée à un ticket Jira.

Atlassian souhaite que l’agent puisse identifier ces relations avant même de commencer à coder.

Passer d’une recherche de code à une compréhension des raisons d’existence du code

Code Context crée une représentation consultable du code connecté au graphe de travail.

Les développeurs et agents peuvent utiliser des recherches exactes, des requêtes en langage naturel et la récupération sémantique pour localiser du code pertinent dans différents dépôts.

Ce qui différencie cette approche d’une recherche conventionnelle, c’est tout ce qui entoure le résultat.

Supposons qu’un agent reçoive la requête suivante :

Modifier le système d’authentification pour supporter la nouvelle politique de sessions.

Trouver la fonction qui valide une session est relativement simple.

Le vrai défi est de comprendre qu’il existe un autre service qui utilise ce token, qu’une implémentation précise a été rejetée il y a six mois pour des problèmes de compatibilité, et que le ticket en cours est lié à une décision technique documentée dans Confluence.

C’est là que Teamwork Graph entre en scène.

Ce graphe relie personnes, projets, objectifs, documentation et activités issues d’outils comme Jira, Confluence, Google Drive, Slack, GitHub ou Salesforce. Atlassian le présente comme une carte dynamique des relations autour du travail au sein d’une organisation.

Avec Code Context, le code lui-même devient une partie intégrante de cette carte.

L’agent ne se limite plus à demander « Où se trouve cette fonction ? » mais peut aussi chercher à répondre à « De quoi dépend-elle ? », « Pourquoi a-t-elle été construite ainsi ? » ou « Quel ticket Jira est lié à ce module ? ».

Claude Code et Codex accessibles depuis le terminal

Une particularité intéressante pour les développeurs et administrateurs est qu’Atlassian ne limite pas ce contexte à Rovo.

La société propose Teamwork Graph CLI, une interface en ligne de commande conçue pour que des agents externes consultent le graphe directement depuis le terminal.

Sa documentation mentionne explicitement la compatibilité avec Claude Code, Codex, Gemini, Cursor et d’autres agents. Après installation de la CLI et de ses skills, l’agent peut interroger Jira, Confluence et d’autres sources connectées en utilisant un langage naturel.

Par exemple, pour Claude Code, les skills sont placés dans :

~/.claude/skills/

Codex utilise un emplacement commun :

~/.agents/skills/

Pour installer ou mettre à jour ces capacités, Atlassian recommande la commande :

twg skills install --global

Et pour cibler une installation spécifique à Claude :

twg skills install --global --agent claude

Une fois configuré, l’objectif est que l’utilisateur n’ait plus besoin de connaître des centaines de commandes. Il peut simplement demander à l’agent :

Rechercher tout le contexte lié à PROJ-123, incluant dépôts, PR, documentation et dépendances, avant de proposer des modifications.

L’agent utilise alors Teamwork Graph CLI pour récupérer l’information pertinente.

Code Context étend désormais cette possibilité à la structure et au contenu des dépôts.

Réduction du nombre de tokens grâce à une meilleure perspective de l’agent

Atlassian accompagne cette annonce de chiffres particulièrement significatifs.

Dans ses benchmarks internes, les agents enrichis via Teamwork Graph ont été 44 % plus précis et ont utilisé 48 % de tokens en moins par rapport à ceux sans ce contexte.

Aucune méthode détaillée n’a été publiée pour croire à une comparaison universelle, ces chiffres restant internes à Atlassian.

Cependant, la logique technique derrière cette économie est plausible.

Un agent ignorant les relations d’une organisation doit d’abord les reconstituer :

• il consulte Jira ;
• il cherche une page dans Confluence ;
• il examine un dépôt ;
• il vérifie qui maintient un autre service, etc.

Chaque étape consomme des tokens, chaque document récupéré potentiellement intégré au contexte du modèle.

Teamwork Graph tente d’anticiper ces recherches, en croisant, liant, indexant et pré-calculant des relations entre des milliards d’objets. Plutôt que de fournir au modèle une masse de données brutes à analyser lors de chaque requête, il propose une représentation déjà connectée et organisée.

Cela explique en partie pourquoi, depuis plusieurs mois, Atlassian associe cette architecture à des économies de contexte. En mai dernier, la société annonçait déjà un résultat identique de 44 % de gain de précision et 48 % de tokens en moins pour des agents utilisant Teamwork Graph, avant même d’intégrer spécifiquement Code Context.

L’impact économique peut s’amplifier à mesure que les agents prennent en charge des tâches plus longues.

• Une requête simple peut ne consommer que quelques tours.
• Une opération impliquant plusieurs repos, dépendances, documentation, outils et interactions peut en compter des dizaines ou centaines.

Limiter le contexte superflu dans chaque étape peut réduire la latence et le coût total.

Les agents de code font face à un problème de contexte, pas seulement d’intelligence

Le secteur des outils de programmation assistés par IA a longtemps focalisé ses efforts sur la comparaison de la qualité d’écriture des modèles.

Cependant, cette approche devient de plus en plus limitée.

Un bon modèle peut générer une fonction correcte mais échouer à adapter une application complète car il ignore les décisions externes au fichier analysé.

Ce problème est accentué avec l’architecture microservices.

Imaginons une modification dans :

payments-api

qui semble n’affecter qu’une réponse JSON.

Cela peut impacter aussi :

checkout-servicemobile-appfraud-enginebilling-workeranalytics-pipeline

Si ces composants résident dans cinq dépôts différents, un agent qui ne clone que payments-api opère avec une vision partielle.

Code Context vise à rendre consultable cette architecture multi-dépôts.

Et le défi se complique encore lorsque la raison d’une dépendance ne figure pas dans le code.

Un commentaire peut décrire la fonction.

Un ticket Jira peut expliquer pourquoi cette décision a été prise.

Une page Confluence peut présenter l’architecture.

Une vidéo Loom peut montrer une discussion technique.

Une ancienne demande de tirage (pull request) peut documenter une alternative abandonnée.

L’objectif d’Atlassian est justement de relier ces différentes couches.

L’importance de l’autorisation lorsque l’agent explore toute l’entreprise

Fournir davantage de contexte à un agent soulève immédiatement la question de sécurité.

Un développeur peut avoir accès à plusieurs dépôts sans possibilité d’accéder à d’autres. Il en va de même pour des projets Jira, des pages Confluence ou d’autres données sensibles.

Code Context respecte le modèle de permissions de Teamwork Graph.

Selon Atlassian, les résultats accessibles à un utilisateur ou agent autorisé se limitent à l’information qu’il peut consulter. L’objectif est d’éviter qu’un outil IA connecté ne devienne un moyen de contourner les contrôles en place.

Teamwork Graph CLI a aussi intégré OAuth, des audits et des contrôles d’accès pour une utilisation en entreprise.

Cela devient crucial lorsque les agents évoluent vers la modification du code, la création d’incidents, l’approbation d’actions ou la gestion d’infrastructures.

Le contexte optimal ne consiste pas à fournir à l’agent toutes les données possibles, mais celles auxquelles il a droit et qu’il est autorisé à consulter.

GitHub et Bitbucket en tête

Code Context entre en bêta ouverte, avec un support initial pour GitHub et Bitbucket.

Les administrateurs de chaque organisation pourront vérifier sa disponibilité depuis la configuration de Rovo dans l’administration Atlassian.

Le choix de GitHub et Bitbucket couvre à la fois des dépôts externes et la plateforme Atlassian elle-même. Cependant, Atlassian présente Code Context comme une capacité conçue pour de grands environnements multi-dépôts, ce qui laisse penser à une évolution vers d’autres fournisseurs. Pour l’instant, seules ces deux plateformes sont confirmées.

L’objectif n’est pas de remplacer l’IDE ou l’agent mais d’ajouter une couche d’informations que ces outils peuvent consulter.

Cursor peut continuer à être Cursor.

Claude Code fonctionne toujours depuis le terminal.

Codex reste dans son environnement propre.

Rovo reste la stratégie d’Atlassian.

Ce qui change, c’est que tous peuvent désormais avoir une vision plus complète de l’intégration du code dans le contexte global de l’entreprise.

La nouvelle étape dans la compétition des agents réside dans celui qui leur fournit le meilleur contexte

Atlassian n’est pas seul dans cette démarche.

Les bases de données, plateformes de développement, fournisseurs cloud et fabricants de modèles construisent des mécanismes pour donner mémoire et contexte aux agents.

MongoDB veut placer les données opérationnelles et la récupération vectorielle au plus près des agents. GitHub détient tout l’historique de code et de pull requests. Les serveurs MCP transforment les outils d’entreprise en ressources consultables par les modèles.

Atlassian bénéficie d’un avantage particulier, puisque la majeure partie des informations expliquant pourquoi quelque chose est développé vivent déjà dans Jira et Confluence.

Code Context ajoute désormais la seconde partie : le logiciel lui-même.

Cela permet de mieux comprendre la direction prise par Teamwork Graph.

Atlassian n’a pas besoin d’avoir le modèle de programmation le plus puissant du marché si elle parvient à faire que Claude, Codex, Cursor et d’autres agents soient plus performants lorsqu’ils travaillent sur des informations gérées par sa plateforme.

La société l’exprime également dans ses documents : elle souhaite que tout agent puisse profiter de Teamwork Graph, pas seulement ses propres agents.

Pour les équipes de développement, cela pourrait représenter une avancée significative.

Dans les petites structures, le développeur connaît souvent une bonne partie de la mémoire du système. Dans une grande entreprise avec des centaines de services et des milliers d’employés, ce savoir est distribué entre dépôts, tickets, documentation et collaborateurs.

Les agents rencontrent le même problème qu’un développeur nouvellement arrivé : savoir coder, mais ne pas encore connaître le fonctionnement global de l’entreprise.

Code Context cherche précisément à réduire cette distance.

Questions fréquemment posées

Qu’est-ce que Atlassian Code Context ?

C’est une nouvelle capacité de Teamwork Graph qui intègre la compréhension du code source dans plusieurs dépôts et permet de le relier aux informations issues de Jira, Confluence, Loom et autres outils.

Code Context peut-il être utilisé avec Claude Code ou Codex ?

Oui. Atlassian permet à des agents comme Claude Code, Codex et Cursor d’accéder au Teamwork Graph via CLI et d’utiliser ce contexte avant de planifier, générer ou vérifier du code.

Quelle est la réduction de consommation de tokens ?

Selon Atlassian, lors de ses tests internes, les agents utilisant Teamwork Graph ont consommé 48 % de tokens en moins et ont obtenu des résultats 44 % plus précis. Ces chiffres sont internes à la société et ne constituent pas une évaluation indépendante.

Quels dépôts sont pris en charge par Code Context ?

La bêta ouverte débute avec un support pour GitHub et Bitbucket. Les administrateurs peuvent vérifier sa disponibilité dans la configuration de Rovo dans l’administration Atlassian.