monday.com déploie des agents IA en production sur Amazon Bedrock : +50 % de PR par ingénieur

monday.com a mis en production ses agents agentic AI Teammates sur la plateforme Amazon Bedrock et publie leurs métriques internes : neuf développeurs de l'entreprise sur dix utilisent chaque mois des outils d'IA pour écrire du code, et le nombre de pull requests par ingénieur a été multiplié par plus de 1,5.

Quels chiffres monday.com a-t-elle dévoilés ?

monday.com s'appuie sur les métriques de sa propre analytique de production, et toutes témoignent d'un déploiement massif, et non d'un simple pilote, de l'IA dans le développement. Il y a six mois, environ la moitié des ingénieurs utilisaient régulièrement des outils d'IA pour coder ; ils sont désormais 9 sur 10.

• Neuf développeurs sur dix (les « Builders ») utilisent chaque mois des outils d'IA pour coder, contre environ la moitié il y a six mois
• Le nombre de pull requests par ingénieur a augmenté de plus de 50 %
• Les agents tournent sur Amazon Bedrock, le service géré d'AWS pour exécuter et orchestrer des grands modèles de langage
• Tous les chiffres proviennent des données de production internes de monday.com, et non d'une enquête ou d'un rapport marketing

Selon l'AWS Machine Learning Blog, monday.com fait partie des rares organisations d'ingénierie à faire tourner de l'IA agentique en production à cette échelle, et non sous forme de démo.

Comment les agents ont-ils été intégrés à un code vieux de 10 ans ?

La principale difficulté d'ingénierie ne tenait pas aux agents eux-mêmes, mais à leur intégration dans une base de code vieille d'une dizaine d'années. Ces projets accumulent des schémas hérités, des conventions non standard et des couplages sur lesquels les outils d'IA généralistes butent.

monday.com parle de « retrofits » : des aménagements qui ont rendu l'architecture existante exploitable par des agents. Cela comprend du contexte sur la base de code, des garde-fous et des intégrations, faute desquels le modèle produit un code formellement correct mais inutilisable dans ce projet. Ce sont ces aménagements, et non le choix d'un modèle précis, que l'entreprise désigne comme la raison pour laquelle l'ensemble fonctionne à grande échelle.

Qu'est-ce que le confidence-scored merge ?

Le confidence-scored merge est la technique par laquelle monday.com réduit l'écart avec une autonomie totale des agents. Le système attribue un score de confiance à chaque modification proposée et, d'après ce score, décide soit de fusionner le code automatiquement, soit de le soumettre à la relecture d'un humain.

Cette approche est un compromis entre vitesse et contrôle : les changements de routine, prévisibles et à forte confiance, passent sans intervention humaine, tandis que tout ce qui prête à discussion reste sous contrôle manuel. C'est le dernier obstacle qui sépare un assistant qui code sous surveillance d'un agent à qui l'on confie la fusion en autonomie.

Chaque chiffre de cet article provient des données de production internes de monday, comme l'indique le blog AWS

Machine Learning.

Ce que cela signifie

Le cas monday.com est un exemple rare où l'agentic AI appliqué au développement se mesure non pas avec des promesses, mais avec des métriques de production : part d'utilisateurs, nombre de PR, part de fusions automatiques. Pour les équipes qui gèrent de gros projets hérités, la conclusion est simple : le goulot d'étranglement n'est pas le modèle, mais ce qui l'entoure, à savoir le contexte, les garde-fous et les règles de fusion automatique.

Questions fréquentes

Qu'est-ce que AI Teammates ?

AI Teammates est l'IA agentique (agentic) de monday.com, construite sur Amazon Bedrock. Contrairement à un assistant qui se contente de suggérer, ces agents exécutent des tâches de développement et mènent les modifications jusqu'à la pull request, certaines étant fusionnées automatiquement selon un score de confiance.

Sur quelle plateforme les agents IA de monday.com fonctionnent-ils ?

Les agents de monday.com fonctionnent sur Amazon Bedrock, le service géré d'AWS pour exécuter et orchestrer des grands modèles de langage. C'est sur ce service que l'entreprise fait tourner ses agents de production à l'échelle de toute son organisation d'ingénierie.