Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
LinkedIns multi-agent codereview: 63,9% van de gesamplede suggesties door ontwikkelaars geaccepteerd
LinkedIn bouwde een AI-codereviewer die op elke pull request meerdere AI-modellen parallel laat draaien en teamspecifieke regels toepast. In augustus 2026 meldde het bedrijf een gecombineerd acceptatiepercentage van 63,9% in een steekproef van een week, met meer dan 79.000 reviews per week.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
63,9%
Gecombineerd acceptatiepercentage van de opmerkingen van de AI-reviewer op gesamplede pull requests (1.727 PR’s, 5.230 gesamplede opmerkingen, een periode van 7 dagen)1
58,1%
Acceptatiepercentage voor suggesties voor bugfixes, de categorie met het hoogste volume1
80%
Acceptatiepercentage voor suggesties over logische fouten1
43,5%
Acceptatiepercentage voor refactoringsuggesties1
Wat het kostte
Kosten, teamgrootte en doorlooptijd zijn in de bronnen niet openbaar gemaakt.
Het probleem
Codereview is een knelpunt in softwarelevering. LinkedIn heeft meer dan 10.000 actieve coderepositories en elke week tienduizenden pull requests (voorgestelde codewijzigingen). AI-codeertools voegden meer code per ontwikkelaar toe, en de wachttijd op een eerste menselijke review nam toe. Generieke AI-reviewers leverden opmerkingen die de conventies van elk team misten, en ruisende opmerkingen leren ontwikkelaars de tool te negeren.
Wat ze bouwden
Een multi-agentreviewer. Een orchestrator stuurt elke pull request tegelijk naar meerdere review-subagenten. Elke subagent is een andere combinatie van een AI-model en de tooling eromheen. De orchestrator verzamelt hun bevindingen, verwijdert dubbelingen, controleert ze en plaatst één review. LinkedIn vergeleek dit met de gehoste reviewproducten van modelleveranciers en koos ervoor zelf te bouwen. Het noemde drie beperkingen: elk product draagt de blinde vlekken van zijn model, één regelbestand kan niet zowel bedrijfsbrede als repositoryspecifieke standaarden uitdrukken, en een gekocht product kan niet eerst op een paar repositories worden getest of over de hele vloot worden bewaakt.
Hoe ze het aanpakten
Bevindingen die meerdere subagenten onafhankelijk aandragen, gelden als zeer betrouwbaar. Een bevinding die er maar één aandraagt, wordt gecontroleerd voordat die wordt geplaatst. Een regelkader met drie niveaus laat het bedrijf, groepen teams en afzonderlijke repositories elk reviewrichtlijnen toevoegen, en combineert die voor elke wijziging. Het systeem draait op GitHub-events en een pool van werkmachines op Kubernetes. Elke werkmachine verwerkt tot 12 pull requests tegelijk. LinkedIn beheert het met een oproepbare bereikbaarheidsdienst, monitoring van snelheid en acceptatie, gefaseerde uitrol en een terugvaloptie als een modelleverancier slechter gaat presteren.
Kwaliteit wordt op twee manieren gecontroleerd. Voordat een wijziging aan een prompt of model live gaat, moet die in een blinde, rechtstreekse vergelijking, beoordeeld door een AI-beoordelaar, de huidige versie verslaan of evenaren. Na de release vergelijkt een geautomatiseerde controle elke suggestie met de code die uiteindelijk is samengevoegd, om te zien of ontwikkelaars ermee aan de slag zijn gegaan.
Resultaten
LinkedIn meldt een gecombineerd acceptatiepercentage van 63,9% op een steekproef van 1.727 pull requests en 5.230 opmerkingen over zeven dagen. Per categorie bereikten logische fouten 80% en bugfixes 58,1%, terwijl refactoring (43,5%) en beveiliging (40,6%) lager lagen. LinkedIn leest de lagere cijfers als teken dat deze gebieden subjectiever zijn. Het meldt dat het systeem in een typische week meer dan 79.000 reviews afrondt over meer dan 40.000 pull requests in meer dan 7.500 repositories, met een percentage voltooide taken van 99,1%. Het meldt ook dat de meeste reviews in minder dan 10 minuten klaar zijn en dat de AI-review gewoonlijk binnenkomt voordat een menselijke reviewer de wijziging opent. De acceptatie liep per repository uiteen van 0% tot 100%. LinkedIn zegt dat veel engineers nu op de AI-review wachten voordat ze een collega vragen, en dat menselijke review bij elke wijziging verplicht blijft.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Gecombineerd acceptatiepercentage van de opmerkingen van de AI-reviewer op gesamplede pull requests (1.727 PR’s, 5.230 gesamplede opmerkingen, een periode van 7 dagen) | 63,9%1 | |
| Acceptatiepercentage voor suggesties voor bugfixes, de categorie met het hoogste volume | 58,1%1 | |
| Acceptatiepercentage voor suggesties over logische fouten | 80%1 | |
| Acceptatiepercentage voor refactoringsuggesties | 43,5%1 | |
| Acceptatiepercentage voor beveiligingssuggesties | 40,6%1 | |
| Percentage voltooide taken in een typische week | 99,1%1 | |
| Tijd waarin de meeste reviews van begin tot eind klaar zijn | minder dan 10 minuten1 |
Lessen voor uw project
Meet of mensen iets doen met de uitvoer van AI, niet of ze die waarderen. LinkedIn verwierp duimpjes omhoog als ijdelheidsmaatstaf en keek in de samengevoegde code welke suggesties werden overgenomen.
Vertrouw niet op één model. LinkedIn laat op elke wijziging meerdere combinaties van model en tool draaien en vertrouwt bevindingen die meer dan één ervan onafhankelijk aandraagt.
Laat elk team zijn eigen standaarden vastleggen. Een betaaldienst en een front-endexperiment hebben verschillende reviewregels nodig, en de acceptatie liep per repository uiteen van 0% tot 100%.
Snelheid bepaalt vertrouwen. De reviewer is ontworpen om te plaatsen voordat de menselijke reviewer de wijziging opent, omdat een late AI-review als ruis wordt gezien.
Beheer het systeem als elke kritieke dienst: met bereikbaarheidsdienst, monitoring, gefaseerde uitrol van prompt- en modelwijzigingen en een terugvaloptie als een modelleverancier vertraagt.
Kanttekeningen
- Alle cijfers zijn van LinkedIn zelf, uit één blogbericht van de engineeringblog (InfoQ vat hetzelfde bericht samen en voegt geen onafhankelijke gegevens toe), en betreffen één steekproef van 7 dagen. Acceptatie werd beoordeeld door een op AI gebaseerde beoordelaar die suggesties vergeleek met de samengevoegde code; het bericht zegt dat 90,1% van de beoordelingen als zeer betrouwbaar werd bestempeld.
- Het bericht zegt niet welke modellen of leveranciers de reviewer gebruikt. Het beschrijft meerdere verschillende combinaties van model en tool. De leverancier staat vermeld als niet bekendgemaakt.
- Acceptatiepercentage is geen nauwkeurigheidspercentage. LinkedIn zegt dat de ongeveer 37% die niet werd overgenomen niet allemaal AI-fouten zijn, en dat elke wijziging nog steeds menselijke review krijgt.
- Geen bron noemt een startdatum. Het jaar van inzet (2026) is ontleend aan de datum van het LinkedIn-bericht, en het systeem kan eerder live zijn gegaan: het bericht beschrijft de reviewachterstand als groeiend in het vierde kwartaal van 2025 en verwijst naar een eerdere bedrijfsbrede aankondiging.
- Het bericht stelt dat het systeem door ongeveer 10.000 repositories is overgenomen, terwijl het weekcijfer meer dan 7.500 repositories omvat. Wij tonen het weekcijfer als schaal.
- Voor de bouw wordt geen kosten- of teamgrootte genoemd. Het bericht bedankt in de dankwoorden 14 genoemde teamleden en een manager, zonder te zeggen hoeveel tijd het hen kostte.
Bronnen
- High-signal AI code review that adapts to your codebase at scale
LinkedIn Engineering Blog · 2026-08-13 · Bedrijfsblog · linkedin.com
- AI Code Review at Scale: LinkedIn's Multi-Agent Approach
InfoQ · 2026-08-22 · Nieuws · infoq.com
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.