La performance vient du harness
Deux entreprises utilisent le même modèle d'IA et obtiennent des résultats opposés. La différence n'est pas le modèle mais le harness. Les cinq couches du harness, expliquées à l'intention d'un directeur technique.
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 : il apporte au modèle la mémoire, les outils et les limites qu’il n’a pas seul.
- Un harness robuste tient sur cinq couches : identité, mémoire, outils, déclencheurs, garde-fous.
- Multiplier les couches ne rend pas l’agent meilleur. 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 subsiste quand le contexte est réinitialisé), les outils (des capacités dédiées plutôt qu’un chat générique), les déclencheurs (ce qui fait agir l’agent sans demande explicite) et les garde-fous (ce qui borne l’autonomie). Nous détaillons ensuite chaque couche, les arbitrages de conception et leurs conséquences sur le choix d’un prestataire.
Le choix du modèle n’est plus le cœur du problème
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, cela ne l’est plus. Les meilleurs modèles ont des capacités de plus en plus proches et sont devenus faciles d’accès. L’étude attentive de systèmes agentiques aboutis mène à une conclusion nette : le modèle sous-jacent pourrait être remplacé par un autre et, après quelques ajustements, retrouver un niveau de performance comparable. La différence se joue dans l’orchestration, pas dans le modèle lui-même.
Autrement dit, ce qui distingue deux déploiements n’est plus le modèle, mais la mémoire et le contexte qui lui sont fournis. 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 échange et non 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 réglage le plus efficace de tout le système : il modifie le comportement de l’agent sans 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 résiste à ces réinitialisations : 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 reprend chaque tâche de zéro et ne retient rien de la précédente.
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 il est sollicité. 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 qui attend vos demandes à un système qui travaille en continu.
5. Les garde-fous. Un agent peut agir seul parce que des protections l’encadrent, non parce qu’elles ont été retirées. 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 : ce sont des règles codées, qui s’appliquent quoi que le modèle produise.
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 savoir-faire ne consiste plus à mieux formuler une consigne, mais à concevoir 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 change ce qu’il faut construire autour de lui. Un modèle plus fort rend inutiles des structures bâties pour compenser ses faiblesses. La règle consiste à réévaluer le harness à chaque release et à retirer les échafaudages devenus superflus.
Ce que cela change dans le choix d’un prestataire
Sur le marché, deux offres coexistent, souvent présentées avec les mêmes mots. 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 maintiennent sous contrôle.
La première livre quelque chose qui impressionne en réunion et déçoit en production, parce que rien n’y conserve la mémoire du travail, rien n’encadre l’agent et rien ne suit l’évolution des modèles. La seconde livre un système auquel vous pouvez réellement confier du travail. 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 ? ». Les réponses à ces trois questions permettent de distinguer une démonstration d’un vrai 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, dispensée par un organisme certifié 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. Le harness se juge aussi outil par outil : le comparatif des agents CLI 2026 mesure coût, contexte, MCP et mémoire de Claude Code, Gemini CLI, Codex, Hermes et OpenClaw.
Sources
Questions fréquentes
Qu'est-ce que le harness d'un agent IA ?
Le harness est la couche logicielle qui entoure le modèle de langage et le transforme en système fiable : gestion de la mémoire, accès aux outils, déclencheurs automatiques, garde-fous, prompt système persistant. Un même modèle placé dans deux harness différents produit des résultats radicalement différents, parce que c'est le harness qui décide de ce que l'agent voit, retient, peut faire et ne peut pas faire.
Pourquoi deux entreprises avec le même modèle obtiennent-elles des résultats différents ?
Parce que la performance d'un agent ne vient pas du modèle brut mais de l'ingénierie autour de lui. Deux entreprises qui utilisent le même modèle de base mais l'une avec un simple accès conversationnel et l'autre avec un harness complet (mémoire persistante, outils dédiés, garde-fous déterministes) n'ont pas le même produit. Quand les modèles se banalisent, la différenciation se déplace vers l'orchestration, la mémoire et le contexte, c'est-à-dire vers le harness.
Quelles sont les couches d'un harness robuste ?
Cinq couches : l'identité (le prompt système persistant, relu à chaque tour, qui définit le comportement de l'agent), la mémoire (fichiers et bases qui subsistent quand le contexte est réinitialisé), les outils (compétences codifiées, connecteurs, commandes dédiées plutôt qu'un chat générique), les déclencheurs (hooks et tâches planifiées qui font agir l'agent sans intervention humaine) et les garde-fous (permissions, isolation, blocages déterministes des actions dangereuses).
Faut-il ajouter le plus de couches possible à un agent ?
Non. Le sur-harnessing dégrade la fiabilité autant que le sous-harnessing : trop de règles, de compétences et de déclencheurs rendent le comportement imprévisible et gonflent le contexte. Le bon réglage est un prompt système court et comportemental, pas un pavé de règles. L'essentiel est de réévaluer le harness à chaque nouvelle version du modèle et à retirer les échafaudages devenus inutiles quand le modèle devient plus capable.
Comment choisir un prestataire pour déployer des agents IA ?
La ligne de partage est simple : certains vendent un accès à l'IA (un modèle, une clé API, un chat), d'autres construisent le harness qui rend l'agent fiable et capable de travailler seul. Le premier livre une démonstration, le second un système qui accumule l'expérience, reste sous contrôle et évolue à chaque release. Un prestataire sérieux parle d'identité, de mémoire, de garde-fous et de ce que l'agent a le droit de faire seul, pas seulement de la qualité du modèle.