L’essentiel en 5 points
- Deux entreprises avec le même modèle obtiennent des résultats opposés. La différence n’est pas le modèle, c’est le harness.
- Le harness est la couche logicielle autour du LLM : le modèle est le cerveau, le harness est le corps (mémoire, réflexes, limites).
- Un harness robuste tient sur cinq couches : identité, mémoire, outils, déclencheurs, garde-fous.
- Plus de couches n’est pas mieux. Le sur-harnessing rend l’agent imprévisible autant que le sous-harnessing.
- Au moment de choisir un prestataire : certains vendent un accès à l’IA, d’autres construisent le harness. Ce n’est pas le même produit.
La réponse rapide
Quand deux entreprises utilisent le même modèle d’IA et obtiennent des résultats radicalement différents, la cause n’est presque jamais le modèle. Elle est dans le harness : la couche logicielle qui entoure le modèle et décide de ce qu’il voit, de ce qu’il retient, de ce qu’il peut faire et de ce qui l’en empêche. Le modèle est le cerveau, le harness est le corps.
Un harness robuste s’organise en cinq couches : l’identité (le prompt système persistant), la mémoire (ce qui survit aux resets de contexte), les outils (des capacités dédiées plutôt qu’un chat générique), les déclencheurs (ce qui fait agir l’agent sans qu’on le lui demande) et les garde-fous (ce qui borne l’autonomie). La suite de cet article détaille chacune, les arbitrages de conception, et ce que cela change quand on choisit un prestataire.
Le modèle est devenu la partie facile
Il y a un réflexe tenace dans les directions techniques : croire que la qualité d’un déploiement d’IA dépend d’abord du choix du modèle. C’était vrai il y a deux ans. Ça ne l’est plus. Les modèles de premier plan se rapprochent en capacité et se banalisent en accès. La lecture attentive de systèmes agentiques matures aboutit à une conclusion nette : on pourrait remplacer le modèle sous-jacent par un autre et, avec un peu d’optimisation, retrouver un niveau de performance comparable. Ce qui fait la différence tient dans l’orchestration, pas dans le poids du réseau de neurones.
Autrement dit, la différenciation a quitté le modèle brut pour se déplacer vers la mémoire et le contexte. Un outil comme Claude Code n’est pas d’abord un chat de terminal, c’est une plateforme d’orchestration d’agents qui se présente sous la forme d’un chat. La valeur est dans le harness. Pour un CTO, cela change l’endroit où porter l’attention et le budget : moins sur l’arbitrage entre deux modèles, davantage sur l’ingénierie qui les entoure.
Les cinq couches d’un harness
1. L’identité. C’est le prompt système persistant, relu à chaque tour et non pas une seule fois au démarrage. Dans l’écosystème Claude Code, c’est le fichier CLAUDE.md : quelques milliers de caractères qui définissent le comportement de l’agent, ses principes de travail, ses conventions. C’est le point de configuration le plus à fort levier de tout le système, parce qu’on y change le comportement de l’agent sans jamais toucher au modèle.
2. La mémoire. Un modèle oublie tout entre deux sessions et se dégrade quand son contexte grossit. La mémoire est ce qui survit à ces resets : des fichiers lus au démarrage et réécrits en fin de session, une base de données pour les requêtes structurées, un snapshot consolidé passé d’une session à la suivante. Sans cette couche, l’agent refait chaque tâche à froid et ne capitalise rien.
3. Les outils. Un agent utile n’est pas un modèle qui « discute avec des fichiers », c’est un modèle doté de capacités dédiées : des compétences qui codifient une expertise métier, des connecteurs vers les systèmes internes, des commandes précises. Un outil bien conçu fait plus qu’exposer une donnée, il encapsule une procédure fiable que l’agent déclenche au bon moment.
4. Les déclencheurs. Un harness mûr ne se contente pas de répondre quand on lui parle. Des hooks et des tâches planifiées le font agir seul : vérifier un dépôt à intervalle régulier, réagir à un évènement, relancer une boucle. C’est ce qui fait passer l’agent d’un assistant qu’on sollicite à un système qui travaille en continu.
5. Les garde-fous. L’autonomie ne se gagne pas en retirant les protections, elle se gagne en les posant. Permissions granulaires, isolation des composants critiques, blocages déterministes des actions destructrices, revue humaine sur les opérations sensibles (production, migrations, infrastructure partagée). Cette couche ne dépend pas de la bonne volonté du modèle : c’est une règle dure, elle n’hallucine pas.
Les arbitrages de conception
Poser les cinq couches ne suffit pas, il faut les régler. Trois arbitrages reviennent à chaque déploiement.
Boucle ou orchestration ? Une boucle agentique classique laisse le modèle décider quand s’arrêter, ce qui convient aux tâches exploratoires. Un plan orchestré avec répartition du travail entre plusieurs agents convient aux tâches larges et reproductibles. Le vrai savoir-faire n’est plus de mieux formuler une consigne, il est d’architecturer la bonne boucle.
Sur-harnessing ou sous-harnessing ? Trop de compétences, de règles et de déclencheurs gonflent le contexte et rendent le comportement imprévisible. Trop peu, et l’agent part dans tous les sens. Le bon point d’équilibre est un prompt d’identité court et comportemental, pas un pavé de règles. Ajouter une couche a un coût, il faut le justifier.
Figé ou réévalué ? Un harness n’est jamais définitif. Chaque nouvelle version de modèle déplace la frontière de ce qu’il faut échafauder. Un modèle plus fort rend inutiles des structures qu’on avait bâties pour compenser ses faiblesses. La discipline consiste à réévaluer le harness à chaque release et à retirer les échafaudages devenus superflus.
Ce que ça change quand vous choisissez un prestataire
C’est ici que le sujet devient très pratique. Sur le marché, deux offres coexistent sous des mots parfois identiques. La première vend un accès à l’IA : un modèle, une clé API, une interface de chat, parfois une démonstration convaincante. La seconde construit le harness : l’identité métier, la mémoire qui capitalise, les outils qui encapsulent votre expertise, les déclencheurs qui font tourner le système, les garde-fous qui le gardent sous contrôle.
La première livre quelque chose qui impressionne en réunion et déçoit en production, parce qu’il n’y a rien qui retient, rien qui borne, rien qui évolue. La seconde livre un système délégable. La question à poser à un prestataire n’est donc pas « quel modèle utilisez-vous ? » mais « comment gérez-vous la mémoire, où placez-vous la frontière entre automatique et humain, et comment votre harness évolue-t-il quand le modèle change ? ». La réponse à ces trois questions sépare une démonstration d’un déploiement.
Chez Colombani.ai, cette architecture en cinq couches est la trame de tout déploiement d’agents IA métier et le cœur de la formation Claude Code en production, certifiée Qualiopi. L’expertise mobilisée est certifiée par Anthropic (Claude Certified Architect), et le harness livré est pensé pour rester sous votre contrôle et évoluer à chaque version de modèle.