El argumento de Atlassian de $1.2B a favor del control de agentes

En febrero de 2026, el fabricante de software de flujos de trabajo Atlassian fue el peor desempeño del Nasdaq 100, con una caída de más de 45% mientras los inversionistas temían que los agentes de IA vaciaran sus productos. Seis meses después, sus resultados del Q4 impulsaron las acciones cerca de 30%. ¿Qué sistema decide si un agente puede actuar?

A medida que los proveedores de modelos hacen más intercambiable la generación de código, el premio empresarial duradero se desplaza al plano de control alrededor de los agentes de IA: el sistema que proporciona contexto confiable, otorga derechos de ejecución, canaliza aprobaciones, gobierna los despliegues y conserva un registro de auditoría.

Las organizaciones de ingeniería no aceptan un parche porque compile. Vinculan solicitudes con incidencias, repositorios con responsables, cambios con pruebas, pruebas con aprobaciones, despliegues con entornos e incidentes con registros de respuesta. Los desarrolladores humanos navegan esos vínculos mediante la memoria organizacional. Los agentes necesitan software para hacerlos explícitos.

El entorno de programación ahora puede cambiar de modelo

Apple dejó especialmente claro el cambio en la oferta. Xcode 26.3 es compatible tanto con Claude Agent de Anthropic como con Codex de OpenAI, junto con el Model Context Protocol. Apple controla el entorno de desarrollo, pero eligió una capa de agentes multiproveedor en vez de exigir una inteligencia de programación propietaria. El IDE puede mantenerse estable mientras el modelo cambia por debajo.

Anthropic ha avanzado en la dirección opuesta, incrementando la cantidad de trabajo que un solo sistema de agentes puede coordinar. Los flujos de trabajo dinámicos de Claude Code pueden ejecutar cientos de subagentes en paralelo en tareas de ingeniería como migraciones de frameworks. El Allen Institute for AI amplió la oferta desde otro frente con modelos de agentes de programación de código abierto diseñados para adaptarse a bases de código privadas. Estos movimientos independientes apuntan a la misma arquitectura: costos de generación en descenso e interfaces reemplazables.

Cientos de subagentes paralelos multiplican la necesidad de información en tiempo real y herramientas externas. Un modelo puede componer sintaxis a partir de su entrenamiento y prompt, pero un agente de ingeniería debe recuperar la incidencia actual, inspeccionar el repositorio, consultar resultados de compilación, invocar herramientas y responder a la retroalimentación. Cada conexión introduce un responsable, un límite de permisos, un límite de tasa y un posible estado desactualizado.

Un modelo de programación puede intentar la primera fila. El software empresarial se gana su lugar al mantener actualizadas las otras cuatro mientras muchos modelos y herramientas pasan por ellas.

Un grafo de trabajo le da al agente dónde apoyarse

Atlassian comenzó a incorporar modelos en sus sistemas de trabajo existentes antes de que los agentes de programación se convirtieran en la idea organizadora. Atlassian Intelligence llegó a Jira y Confluence Cloud en 2023 usando los modelos de Atlassian y los de OpenAI. En 2024, Rovo añadió búsqueda contextual, insights y agentes personalizados destinados a manejar tareas y “completar proyectos”.

Jira y Confluence ofrecen a un agente distintas formas de estado. Una incidencia de Jira puede identificar el cambio solicitado, su estado y su relación con otro trabajo. Confluence puede contener el conocimiento operativo alrededor de esa solicitud. La automatización puede mover la incidencia o invocar otro sistema después de que cambie una condición. El agente necesita un registro confiable de dónde está el trabajo y qué acción sigue.

OpenAI hizo explícita la disputa por el plano de control en 2026. Su especificación Symphony convierte un tablero de gestión de proyectos como Linear en un plano de control para agentes de programación. El tablero proporciona asignaciones, transiciones de estado y orquestación alrededor de agentes que pueden provenir de otros lugares.

La elección de Linear por parte de OpenAI también impide que Atlassian reclame la categoría por definición. Cualquier sistema de proyectos puede intentar cumplir este papel si contiene el estado actual del trabajo y puede conectar ese estado con herramientas. Para servir como contexto, una base de datos de tickets debe reflejar las solicitudes actuales. Para servir como control, un tablero necesita identidad, políticas e integraciones de despliegue. Los agentes exponen registros desactualizados y conexiones faltantes con una admirable falta de tacto.

Atlassian construyó el stack de flujos de trabajo antes que los agentes de programación

Atlassian entró a la era de los agentes con una cartera de flujos de trabajo armada entre planificación, automatización, entrega y respuesta a incidentes. Cada producto aportó un bloque que el trabajo autónomo ahora requiere.

• 2018: Atlassian compró OpsGenie por $295 million, extendiéndose de la planificación y los tickets a la respuesta operativa a incidentes.
• 2019: Atlassian adquirió AgileCraft por cerca de $166 million para añadir planificación de proyectos estratégicos y flujos de trabajo.
• 2019: Atlassian adquirió Code Barrel, cuya Automation for Jira manejaba procesos rutinarios en empresas como Visa, Cisco y Airbnb.
• 2020: Atlassian lanzó automatización nativa sin código en los productos Jira Cloud, con integraciones que incluían Slack y Microsoft Teams.
• 2023: Atlassian incorporó asistencia de IA dentro de Jira y Confluence Cloud.
• 2024: Rovo combinó recuperación contextual con agentes personalizados destinados a actuar sobre el trabajo.

En conjunto, estos productos le dan a Atlassian una base creíble para la IA nativa de flujos de trabajo. Puede conectar un cambio solicitado con planificación, documentación, automatización y respuesta operativa sin pedir a los clientes que construyan un sistema de trabajo completamente nuevo alrededor del modelo.

Atlassian aún debe convertir productos adyacentes en un solo entorno gobernado. Jira puede saber quién es responsable de una incidencia; un sistema de incidentes puede saber qué servicio está fallando; un sistema de entrega puede saber qué compilación llegó a producción. Un agente necesita que esos sistemas coincidan antes de actuar, no durante la retrospectiva.

Atlassian puede usar sus clientes empresariales, herramientas de administración y visibilidad entre equipos para financiar la capa de control. Esos mismos requisitos hacen más difícil una reescritura rápida que para una nueva herramienta de desarrollo. Atlassian debe convertir su flujo de trabajo instalado en infraestructura interoperable sin romper los procesos que llevaron a los clientes a comprarlo.

Los clientes siguieron comprando mientras los inversionistas vendían

Atlassian reportó ingresos del Q4 de $1.77 billion, un alza de 28% interanual y por encima de la estimación de $1.66 billion. La empresa pronosticó ingresos del Q1 por encima de las estimaciones y volvió a ser rentable.

Los clientes siguieron comprando la base de Atlassian mientras los agentes se volvían más capaces. Los resultados no aíslan qué parte de la demanda provino de Rovo, el Teamwork Graph, las ventas empresariales o la suite de productos subyacente. La compra planeada de acciones por $250 million de Mike Cannon-Brookes expresó convicción después del repunte; no proporcionó atribución a nivel de producto.

En el Q3, los ingresos de Atlassian aumentaron 32% a $1.79 billion mientras su pérdida neta se amplió. La empresa también recortó cerca de 1,600 empleos, o 10% de su fuerza laboral, para financiar inversión en IA y ventas empresariales, con cargos previstos de $225 million a $236 million. Atlassian está reconstruyendo su modelo operativo mientras vende el nuevo.

Para febrero de 2026, los fundadores de Atlassian habían perdido cerca de $7.2 billion en riqueza mientras TEAM se hundía. El repunte del Q4 cuestionó la idea de que los agentes simplemente borran el software de flujos de trabajo, pero un trimestre sólido no puede establecer márgenes duraderos en la era de la IA.

Los controles de revisión vuelven gobernable el trabajo autónomo

Un agente capaz de coordinar cientos de subagentes cambia la unidad de supervisión. Un revisor no puede supervisar cada token intermedio o llamada a herramienta. En cambio, la organización define límites alrededor de la identidad, los sistemas accesibles, las acciones permitidas, los requisitos de pruebas, los umbrales de aprobación y los entornos de despliegue.

Las empresas crean autonomía orquestada al permitir que el modelo elija entre acciones dentro de una arquitectura gobernada. Un control de aprobación humana detecta código defectuoso y asigna responsabilidad en el punto donde el trabajo generado se convierte en un acto organizacional.

Por lo tanto, las empresas necesitan la rendición de cuentas de despliegue como infraestructura de producto. Deben saber qué agente cambió un archivo, qué modelo y herramientas utilizó, qué política permitió la acción, quién aprobó el resultado y qué llegó a producción. El registro importa incluso cuando el código funciona, porque la rendición de cuentas no puede depender de que la falla sea evidente.

El control verificable de agentes y la gobernanza de ejecución de agentes pertenecen a la capa de flujo de trabajo. Los permisos de repositorio, el sandboxing, los controles de aprobación y los registros de acciones gobiernan lo que un agente puede hacer real. La seguridad del modelo limita lo que el sistema puede intentar; la gobernanza del flujo de trabajo limita lo que la empresa le permite completar.

Cada categoría adyacente de SaaS puede competir por el control

Atlassian enfrenta competidores desde cuatro direcciones. Los retadores de gestión de proyectos pueden convertir sus tableros en máquinas de estado para agentes. Linear levantó una Serie C de $82 million con una valuación de $1.25 billion antes de que OpenAI nombrara su tablero como el plano de control de ejemplo de Symphony. Su ventaja vendría de convertirse en el lugar más limpio para asignar y supervisar trabajo impulsado por modelos.

Las plataformas para desarrolladores controlan otros límites valiosos. Microsoft y GitHub pueden conectar repositorios, identidad de desarrolladores, VS Code, reglas de proyectos y flujos de trabajo de entrega. Las Automations de Cursor pueden activar agentes a partir de un cambio en la base de código, un mensaje de Slack o un temporizador, trasladando la orquestación fuera de la caja de chat y hacia procesos impulsados por eventos.

Las empresas de modelos pueden construir hacia abajo desde el runtime. La especificación Symphony de OpenAI y las integraciones de Anthropic permiten que sus agentes alcancen sistemas de proyectos y herramientas externas sin controlar el registro original. Las interfaces abiertas reducen su costo de entrada, aunque esas empresas todavía dependen de que los clientes concedan acceso al contexto y las acciones empresariales.

ServiceNow puede construir lateralmente desde su presencia en flujos de trabajo empresariales. Reportó ingresos por suscripciones del Q2 de $3.88 billion, un alza de 24.5% interanual, lo que le da otra base desde la cual gobernar trabajo mediado por IA más allá del desarrollo de software.

En 2025, Microsoft, OpenAI, Salesforce y otros todavía comercializaban significados incompatibles de “agente”. Los proveedores que venden un agente como un empleado digital místico debilitan su argumento ante clientes confundidos. Las empresas pueden comparar productos con más claridad cuando los proveedores exponen la unidad concreta: una llamada a herramienta, una tarea aprobada, un cambio desplegado o un incidente resuelto.

El trabajo autónomo rompe el asiento como precio completo

Las suscripciones por usuario suponen que el acceso humano se aproxima al consumo del producto. Los agentes alteran esa relación. Un empleado puede lanzar muchos agentes, un agente puede realizar trabajo en varios sistemas y las automatizaciones en segundo plano pueden continuar sin que otro asiento humano entre a la aplicación.

Los proveedores de software ya han comenzado a ajustarse. Para finales de 2025, 79 de 500 empresas de software monitoreadas habían adoptado cargos de IA basados en uso, más del doble del nivel de 2024. Los precios por uso permiten a los proveedores cobrar por la actividad creciente de las máquinas, pero un medidor de tokens o invocaciones mide consumo, no valor de negocio.

Los proveedores de flujos de trabajo pueden medir eventos más ricos porque ven el ciclo de vida alrededor de la acción. Un sistema de proyectos puede observar la asignación y la finalización. Una plataforma de repositorios puede observar un cambio integrado. Un sistema de entrega puede observar un despliegue. Una plataforma de incidentes puede observar la resolución y la recurrencia. El proveedor que une esos eventos puede poner precio al trabajo controlado frente a un resultado observable.

Los clientes pueden usar protocolos abiertos para reemplazar el modelo, mover contexto mediante interfaces estándar y canalizar acciones entre varias herramientas. Esa portabilidad evita que un solo IDE o tablero de proyectos herede poder monopólico. Atlassian, Linear, Microsoft, OpenAI, Anthropic y ServiceNow deben ganarse el control manteniendo el contexto preciso, las integraciones amplias y la aplicación de políticas creíble.

El giro de Atlassian muestra por qué la pregunta costosa comienza después de que existe el parche. El repositorio guarda código; el sistema de trabajo decide si un agente puede integrarlo, desplegarlo o cerrar el incidente resultante. Ese permiso es el producto.