Présentation de Mo
Momentic, plateforme d’assurance qualité alimentée par l’intelligence artificielle, a annoncé le 28 septembre 2026 le lancement de Mo, un agent capable de tester une application sans qu’aucun script de test ne soit écrit ni maintenu. Le co‑fondateur et CEO Wei‑Wei Wu explique que l’objectif est d’éliminer la couche intermédiaire des scripts, en laissant les agents vérifier le produit directement à partir d’instructions ou de documents de spécifications.
Architecture et mécanismes
Mo s’appuie sur un grand modèle de langage (LLM) similaire à Claude Code et intègre un « harness » agentique accessible via une interface web et une boîte de dialogue. L’utilisateur fournit une URL, des identifiants de test et, le cas échéant, un document de exigences (PRD, ticket Jira, ticket Linear ou page Confluence). Le système déclenche alors un essaim d’agents qui explore des milliers de permutations et de cas limites en interagissant avec l’interface utilisateur comme le ferait un humain.
Chaque interaction est enregistrée ; à la fin du cycle, Mo génère un rapport détaillé contenant la liste des scénarios exécutés, les échecs rencontrés, les étapes de reproduction et une vidéo de chaque bug. Le produit propose également une interface en ligne de commande (CLI) permettant d’automatiser le lancement de ces sessions depuis des pipelines CI/CD.
Processus de test et livrables
Contrairement aux frameworks traditionnels (Playwright, Selenium) qui exigent des scripts pré‑écrits, Mo crée les tests à la volée à partir de la description fonctionnelle fournie. Le rapport final peut être utilisé tel quel ou transformé en scripts compatibles avec les outils existants, offrant ainsi une continuité avec les processus de développement déjà en place.
Les premiers clients – Notion, Superpower, Iris, Committee for Children et Boundless – ont testé Mo pendant plusieurs semaines, confirmant que l’agent pouvait identifier des régressions sans qu’une suite de tests manuelle ne soit maintenue.
Analyse des bénéfices et limites
Le principal avantage constaté est la suppression du « technical debt » lié aux suites de scripts, qui deviennent rapidement obsolètes lorsqu’une application évolue. En déléguant la génération de tests à un essaim d’agents, les équipes peuvent théoriquement augmenter le nombre de scénarios exécutés sans effort supplémentaire, ce qui améliore la couverture fonctionnelle.
Cependant, la dépendance à un LLM introduit des incertitudes : la qualité des tests dépend de la capacité du modèle à interpréter correctement les exigences et à générer des actions pertinentes. De plus, l’absence de scripts explicites complique la traçabilité des cas de test dans les audits de conformité, et les vidéos générées peuvent être lourdes à stocker. Enfin, la solution reste à valider à grande échelle pour des applications très complexes où les interactions dynamiques dépassent les capacités de génération de permutations actuelles.
