IA agentique : le harnais, clé de l’exécution et des risques

Dans les agents IA, le modèle ne suffit pas : l’exécution, la mémoire, les garde-fous et l’observabilité relèvent d’un harnais désormais traité comme une discipline à part entière. Des éditeurs livrent des cadres prêts à l’emploi tandis que des acteurs comme Databricks et Nvidia soulignent son rôle décisif en production, notamment sur les tâches longues.

Les incidents en production pointent d’abord le harnais

Les retours de production attribuent la majorité des défaillances au harnais plutôt qu’au modèle. Parmi les problèmes récurrents figurent la dégradation du contexte quand les échanges s’allongent et l’absence de garde-fous sur des actions irréversibles. Dans les environnements régulés, l’exigence de conformité rend l’observabilité indispensable, via journaux et traces expliquant les décisions prises. Des travaux publiés par Nvidia fin août aboutissent à des constats similaires pour les tâches longues.

Choisir son harnais devient un arbitrage distinct du choix de modèle

Le harnais fait l’objet d’un choix séparé de celui du modèle. Databricks rapporte qu’un harnais solide autour d’un modèle milieu de gamme peut dépasser un harnais faible associé à un modèle plus puissant. La couche harnais est ainsi mise au même niveau que le modèle dans la bascule vers l’agentique. À VivaTech, Thibault Sottiaux (OpenAI) a souligné qu’un bon agent résulte de la combinaison d’un très bon modèle et d’un bon harnais. Databricks anticipe des évolutions mais estime que les environnements d’exécution, l’orchestration des outils et les garde-fous resteront décisifs pour tenir en production.

Des offres et pratiques structurées, de Microsoft à Thoughtworks

Certains éditeurs commercialisent à présent des harnais déjà assemblés. Microsoft inclut ce type de harnais dans son Agent Framework, intégrant par défaut le suivi des tâches, le compactage, la validation des appels d’outils et l’observabilité, tout en permettant de désactiver les fonctionnalités jugées inutiles. Pour ce qui concerne les usages, Birgitta Böckeler (Thoughtworks) fait la différence entre un harnais interne, qui accompagne un SDK ou un outil de développement, et un harnais externe, assemblé par l’utilisateur à partir de fichiers d’instructions, de serveurs MCP ou de compétences spécifiques. Elle distingue aussi des guides, qui orientent l’agent avant action, et des capteurs, qui observent les résultats et rendent l’auto-correction possible.

Ce que regroupe un harnais opérationnel

Un harnais en production repose sur plusieurs briques complémentaires. Le prompt système fixe en continu le rôle, l’objectif et les règles de l’agent. Le modèle choisit les outils, le harnais les exécute et renvoie les résultats, la connexion passant souvent par le MCP. L’exécution de code se fait dans un bac à sable isolé, surveillable et réinitialisable. La mémoire et la gestion du contexte incluent le compactage de contexte par résumé. Des boucles de vérification permettent tests, inspection et relecture par le modèle. Des garde-fous imposent autorisations, politiques et validation humaine pour des actions irréversibles, telles que la suppression d’un fichier ou un achat.

Fonctionnement et périmètre : de ReAct à la confusion avec l’évaluation

Le cycle agentique repose sur une boucle où le modèle lit le contexte, choisit une action et le harnais l’exécute, jusqu’à la fin de la tâche. Ce schéma a été formalisé par ReAct, tandis que Toolformer a montré l’appel d’outils externes ; le vocabulaire de harnais est venu ensuite. Le terme vient du test logiciel, ce qui nourrit une confusion avec le harnais d’évaluation, dédié à mesurer les performances après coup, quand le harnais d’agent agit pendant la tâche. Sur le plan des métiers, le harness engineering s’est imposé, englobant prompt engineering et context engineering ; le vocabulaire s’est installé au début de 2026, avec une paternité disputée. À mesure que les modèles planifient et corrigent mieux leur travail, certaines fonctions aujourd’hui dans le harnais devraient remonter dans le modèle.