Le modèle ne fait pas tout : ce qu’est un harnais d’agent

Quand on compare des outils d’IA, on compare surtout des modèles : lequel écrit le mieux, lequel raisonne le plus loin. Mais dès que vous confiez un vrai travail à l’IA, comme un rapport mensuel, une veille concurrentielle ou un dossier de fichiers à trier, le résultat dépend tout autant du logiciel qui entoure le modèle. Ce logiciel, on l’appelle le harnais (harness en anglais).

Le modèle est le cerveau, le harnais est le poste de travail

Seul, un modèle de langage reçoit du texte et renvoie du texte. Il ne peut ni ouvrir un fichier, ni vérifier un chiffre, ni se souvenir de ce que vous avez convenu la semaine dernière. La documentation de Claude Code décrit le harnais comme la couche autour du modèle qui fournit les outils et gère le contexte que le modèle voit. Les ingénieurs d’Anthropic le résument encore plus brièvement : le harnais est la boucle qui appelle le modèle et transmet ses appels d’outils à la bonne infrastructure.

Pensez à une nouvelle collègue brillante. Son talent, c’est le modèle. Son bureau, son badge d’accès, les dossiers qu’elle peut ouvrir, les notes qu’elle garde et la personne qui relit son travail : c’est le harnais.

Ce que fait un harnais

La plupart des harnais combinent cinq fonctions.

1. La boucle. Un agent travaille par cycles. Anthropic les décrit ainsi : rassembler le contexte, agir, vérifier le travail, recommencer. Dans son guide Building effective agents, Anthropic décrit les agents comme, le plus souvent, de simples modèles de langage qui utilisent des outils en boucle, en fonction des retours de leur environnement. Le harnais fait tourner cette boucle et décide quand elle s’arrête, par exemple après un nombre maximal de tours ou à un plafond de dépenses.
2. Les outils. Ce sont les mains : lire des fichiers, chercher sur le web, interroger une base de données, envoyer un e-mail. Chaque résultat nourrit la décision suivante. Anthropic raconte qu’en construisant son agent de programmation pour le benchmark SWE-bench, l’équipe a passé plus de temps à optimiser les outils que le prompt lui-même.
3. Le contexte et la mémoire. Un modèle ne travaille qu’avec ce qui se trouve dans sa fenêtre de contexte, et cet espace est limité. Anthropic qualifie le contexte de « ressource finie aux rendements marginaux décroissants » : plus on en met, moins le modèle retient chaque élément. Un bon harnais fait le tri. Il charge les connaissances au moment où elles servent, résume les anciens échanges quand la fenêtre se remplit, garde des notes en dehors de la fenêtre et confie des sous-tâches à des sous-agents qui partent d’une page blanche.
4. Les permissions. Que peut faire l’agent sans demander ? Dans Claude Code, vous choisissez un mode : il demande avant chaque modification de fichier ou commande, il se contente de planifier et de proposer, ou il travaille de façon plus autonome pendant que les actions risquées sont bloquées. Vous pouvez en plus autoriser ou interdire des outils précis.
5. Les points de contrôle humains. Anthropic recommande que les agents s’arrêtent pour recueillir l’avis d’une personne à des étapes clés ou lorsqu’ils sont bloqués. Le guide pratique d’OpenAI sur les agents cite deux moments où passer la main : quand l’agent échoue trop souvent, et avant des actions à haut risque, c’est-à-dire sensibles, irréversibles ou lourdes d’enjeux.

Même modèle, résultats différents

Ce n’est pas de la théorie. En publiant ses résultats sur SWE-bench, un benchmark construit à partir de vrais problèmes logiciels, Anthropic a souligné que le test évalue un système d’agent complet, pas le modèle isolé, et que les scores peuvent varier fortement selon l’échafaudage qui l’entoure, même avec le même modèle sous-jacent.

Un deuxième exemple vient des travaux d’Anthropic sur les agents qui travaillent dans la durée. Chaque nouvelle session démarre sans aucun souvenir de la précédente. La solution n’a pas été un meilleur modèle, mais un meilleur harnais : une première session qui met en place un fichier de progression, une liste de fonctionnalités et un historique de versions, pour que chaque session suivante voie où en est le travail. Donner à l’agent des outils de navigation pour tester son travail comme le ferait un utilisateur a nettement amélioré les résultats.

La question n’est pas seulement de savoir quel modèle vous utilisez, mais avec quoi vous le laissez travailler.

Et l’ajustement évolue avec le temps. Anthropic note que les harnais intègrent des hypothèses sur ce qu’un modèle ne sait pas faire seul, et que ces hypothèses deviennent caduques à mesure que les modèles progressent. Un contournement dont un modèle avait besoin est devenu un poids mort avec le suivant.

Ce qu’il faut vérifier

Que vous choisissiez un outil ou construisiez votre propre agent, posez ces questions.

• Outils : accède-t-il aux données et aux systèmes dont votre travail a réellement besoin ? Quelques outils clairs valent mieux qu’une longue liste qui se chevauche ; Anthropic cite les boîtes à outils surchargées parmi les échecs les plus fréquents.
• Mémoire : que retient-il d’une session à l’autre, où est-ce stocké, et pouvez-vous le consulter et le corriger ?
• Permissions : que peut-il faire sans demander, et pouvez-vous le régler par personne et par outil ?
• Vérification : contrôle-t-il son propre travail, avec des tests, des captures d’écran ou une seconde relecture ? Selon Anthropic, les agents capables de vérifier et d’améliorer leur propre production sont fondamentalement plus fiables.
• Freins : pouvez-vous l’interrompre, et s’arrête-t-il seul à une limite de tours ou de budget ?
• Traçabilité : existe-t-il un journal de ce qu’il a fait, et pourquoi ?
• Choix du modèle : pouvez-vous passer à un modèle plus récent sans tout reconstruire ?

Commencez par une tâche que vous répétez chaque mois. Notez les données, les règles et les vérifications dont une nouvelle collègue aurait besoin pour bien la faire. Cette liste, c’est votre harnais.

Zaela n’est pas un chatbot de plus. Il fonctionne dans l’IA que vous utilisez déjà, comme Claude, ChatGPT ou tout assistant compatible MCP, et réunit mémoire, agents, méthodes et outils en un seul endroit. Votre IA voit exactement ce que vous pouvez voir, chaque action est enregistrée, et budgets et limites se règlent par personne.