Agents de code : les 3 secrets de Spotify pour déployer en trois jours ce qui prenait trois mois
Chez Spotify, les migrations de code qui prenaient jadis des mois et des centaines de développeurs sont maintenant réalisées en trois jours par un seul ingénieur. En introduisant des agents de code basés sur l'intelligence artificielle, le groupe est parvenu à industrialiser sa production de code à grande échelle. Une prouesse pour une entreprise de cette taille, avec plus de 3 000 ingénieurs dans le monde entier. Pour y parvenir, le groupe suédois a développé son propre agent de code, adapté à ses besoins. Une réussite également fruit de plusieurs années de bonnes pratiques, partagées à l'occasion de Code with Claude à Londres où le JDN était présent.
Une base de code qui grossit 7x plus que le staff
Pendant des années, chez Spotify, la base de code a grossi plus vite que ses effectifs d'ingénieurs (jusqu'à 7 fois plus vite). Mécaniquement, le temps consacré à maintenir le code existant a fini par dévorer celui consacré à créer de nouvelles fonctionnalités. Plutôt que de subir, Spotify avait alors développé un cadre opérationnel : Fleet Shift. Le principe est simple. Un ingénieur écrivait une fois la règle de transformation et Fleet Shift l'appliquait ensuite automatiquement, via des scripts, aux milliers de dépôts concernés.
L'approche fonctionnait parfaitement pour les changements simples. Mais dès lors qu'il fallait appliquer des modifications complexes ou contextuelles, Fleet Shift était tout bonnement incapable de les réaliser. C'est précisément cette limite qui a conduit Spotify vers une autre approche, capable de s'adapter au cas par cas : l'agent de code.
Honk : un agent de code basé sur le SDK d’Anthropic
L'idée d'un agent de code a germé tôt, avant même l'arrivée de Claude Code. A mesure que les premiers LLM apparaissaient, les équipes de Spotify ont fait un constat : plutôt que d'écrire des scripts déterministes pour modifier le code, pourquoi ne pas confier la tâche à un modèle de langage ? Les débuts furent laborieux. “Les modèles étaient tout simplement trop bêtes, et notre façon de procéder l'était tout autant”, reconnaît Niklas Gustavsson, chief architect et VP of engineering chez Spotify. Au fil des itérations, les ingénieurs ont fini par identifier les bons schémas, pendant que les modèles gagnaient eux-mêmes en capacités. De ce travail est né Honk.
Honk s'appuie sur Claude via l'Agent SDK d'Anthropic, que Spotify enveloppe dans sa propre infrastructure. Pourquoi ne pas avoir directement choisi Claude Code ? L'enjeu pour Spotify était assez différent : faire tourner des centaines d'agents en parallèle, de façon autonome et planifiée, à travers des milliers de dépôts, sans intervention humaine. C'est précisément ce que permet l'infrastructure maison autour de l'Agent SDK. Chaque agent tourne dans un pod Kubernetes, ce qui permet de lancer un grand nombre d'agents en parallèle. Honk ne peut actionner qu'un ensemble d'outils validés en amont par Spotify. Parmi eux, des outils de vérification qui lui permettent de tester lui-même son travail, une fois le code modifié, Honk lance un build dans l'environnement d'intégration continue (CI) du groupe pour s'assurer que rien n'est cassé.
Conçu au départ pour les migrations de masse, Honk a été rapidement détourné par les développeurs eux-mêmes. Très vite, certains ont compris qu'ils pouvaient l'invoquer directement à la manière de Claude Code. Le mouvement a été tel que Spotify a fini par packager l'outil pour cet usage interactif. Le groupe a ainsi annoncé Honk V2, une version intégrée à son orchestrateur d'agents. Avec cette nouvelle mouture, plusieurs développeurs peuvent désormais partager une même session d'agent, à la manière d'un Google Docs appliqué à Claude, et travailler à plusieurs sur un objectif commun.
Des migrations rapides, du prototypage pour tous les métiers
Avec Honk V2, la dernière mise à jour majeure de Java sur le backend du groupe, historiquement un chantier de plusieurs mois mobilisant des centaines d'équipes, a été bouclée en trois jours. Mais l'effet le plus direct se situe ailleurs : le code n'est aujourd'hui plus le goulot d'étranglement des équipes. Développer un prototype d'app exigeait jusqu'ici de mobiliser des développeurs pendant des jours, voire des semaines. “N'importe qui se met désormais à construire ces prototypes pour les idées qu'il a en tête, y compris, comme on a fini par le constater, l'un de nos CEO”, explique Niklas Gustavsson, chief architect & VP of engineering de Spotify.
Mais cette accélération a créé un revers direct, une avalanche de pull requests à relire. Spotify a vu sa fréquence de PR bondir de 76%. La réponse de Spotify tient aujourd’hui en un principe : réserver le jugement humain là où il compte vraiment. Concrètement, les changements jugés suffisamment sûrs sont validés et fusionnés automatiquement, sans relecture humaine. La revue humaine est alors concentrée sur les modifications à fort enjeu. Une logique qui permet au groupe de soutenir un rythme de l'ordre de 4 500 déploiements quotidiens en production.
La standardisation du code, un pré-requis à l’IA ?
Outils, auto-merge, garde-fous… on pourrait croire que tout se joue dans l'outillage de l'agent. Mais Niklas Gustavsson insiste sur un facteur de réussite encore plus important avec l'IA : la cohérence de la base de code elle-même. “Si Claude a beaucoup de code autour de lui et que ce code est globalement cohérent, Claude fera un meilleur travail. C'est ce que nous observons”, explique le chief architect et VP of engineering de Spotify. La cohérence se joue à toutes les étapes : une même stack technologique et les mêmes design patterns d'un composant à l'autre. Dans les zones les plus fragmentées de leur code, les équipes voient ainsi l'agent perdre en performance.
Que retenir du cas Spotify ? Trois facteurs ressortent :
- une base de code logique et cohérente qui donne à l'agent des repères fiables,
- les bons outils au bon endroit pour lui fournir le bon contexte
- une bascule du jugement humain vers les tâches qui comptent vraiment.
Avec de la volonté et de bonnes pratiques, n'importe quelle entreprise de taille comparable peut, elle aussi, faire passer sa production de code à l'échelle grâce aux agents IA. Il ne lui manque qu'une chose, mais elle est décisive : du cadre.