Un violoniste enregistre son morceau avec le micro de son téléphone, dans une chambre au carrelage nu. Le fichier est inécoutable. Le lendemain, même musicien, même partition — mais un studio : casque de retour, ingénieur du son, trois prises. On croirait un autre interprète. Rien n’a changé dans ses doigts.
1. Trois façons de dire la même chose
Le harnais, c’est tout ce qu’on installe autour d’une IA pour qu’elle puisse travailler : ses outils, ce qu’elle a sous les yeux, et la façon dont on lui redonne la main après chaque essai.
Le harnais (harness) est la couche logicielle qui transforme un modèle de langage — qui ne sait que produire du texte, une fois — en système capable d’agir : il lui donne des outils, lui renvoie le résultat de ses actions, le relance tant que l’objectif n’est pas atteint, et pose les limites.
Le harnais désigne l’échafaudage d’orchestration (scaffolding) entourant un modèle : espace d’action disponible, boucle décision-action-observation, gestion du contexte et contraintes d’exécution. Il conditionne la performance observée autant que les paramètres du modèle lui-même.
2. L’analogie du studio
Appelons-la l’analogie du studio. D’un côté le musicien : c’est le modèle. De l’autre le studio : c’est le harnais. Le musicien ne change pas d’une séance à l’autre. Le studio, lui, se conçoit.
Dans un studio, quatre choses rendent l’enregistrement possible. D’abord, le musicien s’entend : le casque de retour lui renvoie ce qu’il vient de jouer. Ensuite, il recommence — une prise, une écoute, une correction, une autre prise. Puis il a le nécessaire sous la main : instruments accordés, partition ouverte à la bonne page, machines réglées. Enfin, quelqu’un tient le cadre : le producteur décide qu’on garde la prise 3, arrête les frais à la douzième, refuse la reprise à deux heures du matin. Retirez le retour, la reprise, le matériel ou le cadre : un excellent musicien produit un mauvais disque.
C’est exactement ce qu’on installe autour d’un modèle de langage. Seul, un modèle fait une seule chose : produire du texte, puis s’arrêter. Il ne voit pas ce que son texte a provoqué. Le harnais ajoute les quatre pièces manquantes. Il lui donne des outils — chercher sur le web, exécuter un calcul, lire un fichier, appeler une API. Il lui renvoie le résultat de chaque action, comme un casque de retour : le message d’erreur, la page trouvée, le test qui échoue. Il le relance tant que l’objectif n’est pas atteint : c’est la boucle. Et il pose les limites : combien d’étapes, quelles permissions, à quel moment un humain valide.
Le mot anglais dit bien ce dont il s’agit. Harness, ce n’est pas brider : c’est atteler. Équiper une force pour qu’elle produise un travail utile. Cette boucle a d’ailleurs un nom dans la littérature — le pattern ReAct, que nous avons détaillé ailleurs avec l’analogie du détective.
Un musicien progresse entre la prise 1 et la prise 7 : il apprend. Le modèle, non — il repart de zéro à chaque tour et ne sait que ce que le harnais lui remet sous les yeux, d’où l’importance de la mémoire des agents. Un musicien entend aussi qu’il joue faux. Le modèle, lui, peut enchaîner douze prises fausses avec le même aplomb : ce qui l’arrête n’est pas un remords, c’est un test.
3. Le harnais en un schéma
Le modèle ne change pas d’une tâche à l’autre. Ce qui l’entoure, si.
4. Les cinq pièces, une par une
Dans le studio : on joue, on écoute, on refait.
En réalité : le système renvoie le modèle à la tâche tant que l’objectif n’est pas atteint. Sans boucle, une seule réponse — et pas d’agent.
Dans le studio : les instruments accordés, à portée de main.
En réalité : les actions que le modèle a le droit d’appeler — recherche web, exécution de code, lecture d’un fichier, requête sur une base clients.
Dans le studio : le casque qui renvoie ce qu’on vient de jouer.
En réalité : le résultat de chaque action est réinjecté au tour suivant — message d’erreur, contenu de la page, test qui passe ou non.
Dans le studio : le pupitre, où l’on met la bonne page et où l’on range le reste.
En réalité : ce que le modèle voit à chaque tour. Trop peu, il travaille à l’aveugle ; trop, il se perd. C’est la pièce la plus délicate à régler.
Dans le studio : le producteur qui limite les prises et le budget d’heures.
En réalité : permissions, plafond d’étapes, tests automatiques et validation humaine aux moments critiques.
À noter : la fiche de poste invisible qu’on donne au modèle avant la première seconde — le system prompt — est elle aussi une pièce du harnais, pas un harnais à elle seule.
5. Ce que ça change pour vous
Avant de changer de modèle, changez de harnais
C’est la leçon la mieux documentée du domaine. Sur SWE-bench — 2 294 vrais tickets de développement issus de GitHub — un modèle de pointe équipé d’une simple recherche documentaire n’en résolvait que 1,96 % (Jimenez et al., 2024). Placé dans une interface conçue pour lui, un modèle de la même génération atteignait 12,5 % (Yang et al., 2024). Les auteurs montrent surtout qu’à modèle constant, la seule conception de l’interface fait varier la performance. Traduction managériale : quand un pilote IA déçoit, l’hypothèse « mauvais modèle » vient rarement en premier. Voir aussi ce que mesurent vraiment les benchmarks.
Ce que vous achetez, c’est un harnais
Les assistants du marché s’appuient sur un petit nombre de modèles souvent proches. Ce qui les distingue tient au studio : quels outils, quelle gestion du contexte, quelles limites. Comparez donc les harnais, pas les modèles — quatre questions suffisent : à quels outils accède-t-il ? que voit-il de vos données ? où s’arrête-t-il seul ? que pouvez-vous relire après coup ?
Vos règles métier vivent dans le harnais
Le RGPD, la validation hiérarchique, la traçabilité d’une décision de crédit ou d’un envoi client : rien de tout cela ne s’écrit dans un modèle. Tout s’écrit dans le harnais. C’est une bonne nouvelle — c’est la couche que votre organisation contrôle réellement.
Le coût se cache dans la boucle
Chaque tour relit tout ce qui s’est accumulé avant lui. Un harnais bavard, qui empile les allers-retours sans jamais faire le ménage sur le pupitre, produit une facture qui croît plus vite que le travail rendu. Le nombre d’étapes autorisées est une décision budgétaire, pas un détail technique.
La compétence à développer n’est plus le prompt
Rédiger une belle consigne ne suffit plus. La compétence utile consiste à décider ce que l’agent voit, ce qu’il a le droit de faire et quand il doit s’arrêter. Pour une première mise en pratique, voir construire un agent IA, de débutant à confirmé.
6. Questions que l’on me pose vraiment
7. Les deux articles qui ont posé les bases
Contexte. Présenté à ICLR 2023 par une équipe de Princeton et Google. À l’époque, on étudiait séparément deux choses : faire raisonner un modèle par écrit, et lui faire produire des plans d’action.
L’idée. Les alterner. Le modèle écrit une pensée, exécute une action, reçoit le résultat, écrit la pensée suivante. La trace de son raisonnement devient lisible, et chaque observation corrige la suivante.
Pourquoi ça a compté. Ce cycle est le moteur de presque tous les harnais actuels. Il rend aussi le travail de l’agent auditable, ce qui intéresse directement un manager.
Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. International Conference on Learning Representations (ICLR 2023). arXiv:2210.03629
Contexte. Publié à NeurIPS 2024, toujours par l’équipe de Princeton. Les modèles échouaient massivement sur de vrais tickets de développement, et l’on en concluait qu’ils n’étaient pas assez bons.
L’idée. Traiter le modèle comme un utilisateur à part entière, qui mérite son propre poste de travail. Les auteurs redessinent les commandes et l’affichage qu’on lui présente — ce qu’ils appellent l’interface agent-ordinateur — et la performance change.
Pourquoi ça a compté. La question passe de « quel modèle ? » à « quelle interface ? ». C’est l’acte de naissance du harnais comme objet de conception à part entière.
Yang, J., Jimenez, C. E., Wettig, A., Lieret, K., Yao, S., Narasimhan, K., & Press, O. (2024). SWE-agent: Agent-computer interfaces enable automated software engineering. Advances in Neural Information Processing Systems, 37 (NeurIPS 2024). arXiv:2405.15793
Référence complémentaire citée plus haut : Jimenez, C. E., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. (2024). SWE-bench: Can language models resolve real-world GitHub issues? ICLR 2024. ✅
8. Trois prompts pour explorer par vous-même
Explique-moi ce qu’est un harnais autour d’un modèle d’IA, en trois phrases, à quelqu’un qui n’a jamais programmé. Puis donne un exemple concret dans un service marketing.
🎯 Objectif : explorer | 📚 Ce qu’on apprend : séparer le modèle de ce qui l’entoure.
Voici ce que j’ai compris du harnais d’une IA : [vos trois lignes]. Repère ce qui est faux ou imprécis, puis pose-moi deux questions pour vérifier si j’ai vraiment compris.
🎯 Objectif : tester sa compréhension | 📚 Ce qu’on apprend : repérer ses propres approximations.
Je veux confier à un agent IA le suivi hebdomadaire des avis clients de mon enseigne. Liste les outils dont il aurait besoin, ce qu’il doit voir à chaque tour, et trois limites à fixer avant de le lancer.
🎯 Objectif : cas pratique management | 📚 Ce qu’on apprend : concevoir un harnais devient une décision de gestion.
Cet article a été rédigé avec l’assistance d’une IA générative, sur la base d’un gabarit pédagogique de ma conception. Les deux références fondatrices ont été vérifiées une à une, ainsi que les chiffres cités (1,96 % et 12,5 % sur SWE-bench). L’analogie, la structure et les partis pris pédagogiques sont les miens.
Related posts:
Construire un agent IA de débutant à confirmé
Enseigner le concept de paramètre en IA L’analogie avec une directrice marketing exercices, prompts
Agents IA verticaux : comprendre l’IA spécialisée par métier
Les systèmes multi-agents : la brigade de cuisine de l’IA (chef, commis, pâtissier)
Le Mixture of Experts : le cabinet médical de l’IA, TD et prompts
La distillation en IA : du gros au petit modèle, TD et prompts
Les reasoning models (o1, o3…) : le joueur d’échecs qui prend le temps de poser son brouillon – TD et prompts
Quantization & IA embarquée : la photo qu’on allège pour la faire tenir sur un téléphone – TD et prompts
