monday.com запустила AI-агентов в продакшене на Amazon Bedrock: +50% PR на инженера

monday.com a déployé ses agents agentiques AI Teammates en production sur la plateforme Amazon Bedrock et a dévoilé les métriques internes de leur fonctionnement : neuf développeurs de l'entreprise sur dix utilisent des outils d'IA pour coder chaque mois, et la production de pull requests par ingénieur a augmenté de plus d'une fois et demie.

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

monday.com présente des métriques issues de sa propre analyse de production, et toutes indiquent une adoption massive de l'IA dans le développement, et non un simple pilote. Il y a six mois, environ la moitié des ingénieurs utilisaient régulièrement des outils d'IA pour le code ; aujourd'hui, c'est 9 sur 10.

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

Selon l'AWS Machine Learning Blog, monday.com est l'une 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 été intégrés à un code vieux de 10 ans

La principale difficulté d'ingénierie ne résidait pas dans les agents eux-mêmes, mais dans leur intégration à une base de code vieille d'une dizaine d'années. Ce type de projets accumule des schémas hérités, des conventions non standard et des dépendances sur lesquelles butent les outils d'IA généralistes.

monday.com décrit cela comme des « retrofits » — des adaptations qui ont rendu l'architecture existante compatible avec le travail des agents : contexte sur la base de code, garde-fous et intégrations, sans lesquels le modèle produit un code formellement correct, mais inutile dans ce projet précis. C'est à ces adaptations, et non au choix d'un modèle en particulier, que l'entreprise attribue le fait que l'ensemble ait fonctionné à cette échelle.

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

Le confidence-scored merge est la technique par laquelle monday.com réduit l'écart vers l'autonomie totale des agents. Le système attribue un score de confiance à chaque modification proposée et, selon ce score, décide de fusionner le code automatiquement ou de l'envoyer à un humain pour relecture.

Cette approche est un compromis entre vitesse et contrôle : les modifications routinières et prévisibles à haute confiance passent sans intervention humaine, tandis que tout ce qui est incertain reste sous contrôle manuel. C'est la toute dernière frontière séparant un assistant qui écrit du code sous supervision d'un agent à qui l'on fait confiance pour fusionner seul.

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

Machine Learning.

Ce que cela signifie

Le cas de monday.com est un exemple rare où l'IA agentique dans le développement est mesurée non par des promesses, mais par des métriques de production : part des utilisateurs, production de PR, part des fusions automatiques. Pour les équipes ayant de gros projets hérités, la conclusion est simple : le goulot d'étranglement n'est pas le modèle, mais ce qui est construit autour de lui — contexte, garde-fous et règles de fusion automatique.

Questions fréquentes

Qu'est-ce que AI Teammates ?

AI Teammates est l'IA agentique de monday.com, construite sur Amazon Bedrock. Contrairement à un assistant de suggestion, ces agents exécutent des tâches de développement et mènent les modifications jusqu'à une pull request, en fusionnant automatiquement une partie des modifications selon un score de confiance.

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

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