Harness IA : ce qui permet à un agent de travailler dans vos outils.

Un modèle de langage propose une réponse ou une action, il n’exécute rien lui-même. Le programme qui exécute, vérifie et garde la trace s’appelle le harness. C’est lui qu’il faut examiner avant d’ouvrir vos outils à un agent.

C’est quoi un harness en IA ?

Un harness, ou harnais d’agent, est le logiciel qui entoure un modèle de langage et en fait un agent capable de terminer une tâche. La documentation de Microsoft le décrit comme « la structure du runtime qui transforme un modèle de langage en agent capable d’effectuer un travail ».

Le harness enchaîne les appels au modèle et aux outils, tient l’état de la conversation et applique les règles d’approbation. Le modèle peut changer sans que ce logiciel soit réécrit.

L’éditeur LangChain résume le partage des rôles par une formule, « agent = modèle + harness ». Le modèle choisit l’outil à appeler, et le harness décide si cet appel a le droit de s’exécuter, comme le précise la documentation du Claude Agent SDK d’Anthropic.

Prenez une tâche simple : préparer une réponse à une demande de devis et la ranger en brouillon dans la fiche du client. Un texte affiché dans une conversation ne termine pas cette tâche. Il faut retrouver le client, lire la demande, rédiger, enregistrer le brouillon au bon endroit, puis vérifier qu’il s’y trouve. Tout ce qui suit la rédaction relève du harness.

Modèle, harness, framework, MCP : quelle différence ?

Le modèle propose, le harness exécute et contrôle, le framework sert à écrire le harness, et MCP relie l’ensemble à vos logiciels. Les confondre conduit à croire qu’un bon modèle ou un connecteur standard suffisent.

Les frontières bougent d’un éditeur à l’autre. Chez Microsoft, le harness assemble les briques du framework maison au lieu de constituer un moteur à part. Quant à MCP, sa spécification le précise : le protocole ne règle que l’échange de contexte entre une application et ses outils, et laisse l’application libre de son usage du modèle.

De quoi se compose un harness ?

Un harness réunit sept fonctions. Chacune correspond à une question que vous pouvez poser à votre prestataire.

• La boucle d’agent : le harness appelle le modèle, exécute l’outil demandé, renvoie le résultat, et recommence jusqu’à la fin de la tâche.
• Les outils : chacun expose une capacité précise, comme consulter une fiche ou enregistrer un brouillon.
• Le contexte : les informations transmises au modèle à chaque appel. Quand la conversation approche la limite de ce qu’il peut lire, le harness la résume, une opération appelée compaction.
• L’état de travail : ce qui est fait, ce qui reste, et de quoi reprendre après une interruption.
• Les autorisations : les actions qui passent seules, et celles qui attendent une validation humaine.
• Les plafonds : un nombre de tours et un budget au-delà desquels l’agent s’arrête.
• Le journal : la trace de chaque appel, pour comprendre un échec.

Reprendre une tâche interrompue

Une tâche peut s’arrêter entre la rédaction d’un texte et son enregistrement. À la reprise, le harness doit distinguer une action qui n’a pas été exécutée d’une action exécutée dont la réponse s’est perdue. Dans le second cas, répéter l’écriture crée un doublon : il faut pouvoir retrouver l’objet déjà créé. La solution dépend du logiciel visé et se conçoit avec son API.

Le harness change-t-il le résultat à modèle égal ?

Oui. En février 2026, LangChain a publié une mesure sur son agent de programmation : en modifiant le seul harness, modèle inchangé, le score est passé de 52,8 à 66,5 sur le banc d’essai Terminal Bench 2.0. Les réglages portaient sur les consignes, les outils et les contrôles intermédiaires.

Ce gain a un prix. Dans un essai publié par Anthropic en mars 2026, le harness complet a coûté plus de vingt fois plus cher qu’un agent seul, pour une qualité nettement supérieure. Ces deux mesures portent sur de la programmation et ne se transposent pas telles quelles à une tâche de gestion. Elles indiquent où se joue la qualité ; le gain chez vous se mesure sur vos propres cas.

Anthropic en tire une règle d’entretien : chaque composant d’un harness traduit une hypothèse sur ce que le modèle ne sait pas faire seul, et ces hypothèses se réexaminent à chaque nouveau modèle. Un harness se maintient donc comme un logiciel, avec une personne qui en répond.

Faut-il toujours un harness ?

Non. Si les étapes de la tâche peuvent s’écrire à l’avance, un enchaînement programmé suffit, et il reste plus simple à contrôler. Anthropic distingue le workflow, où le code fixe le chemin, de l’agent, où le modèle dirige lui-même son déroulement.

Le conseil des éditeurs va dans le même sens. Anthropic recommande de commencer par des appels directs au modèle avant d’adopter un framework. Microsoft l’écrit dans la documentation de son propre cadre : si une fonction peut traiter la tâche, écrivez cette fonction plutôt qu’un agent. Le guide automatisation ou agent IA aide à placer cette limite.

Quand un agent se justifie, on part rarement de zéro. Les éditeurs publient des harness prêts à l’emploi, sous forme de kits de développement ou de produits. Ce qui est propre à votre entreprise ne s’achète pas : les outils branchés sur vos logiciels, les règles d’autorisation et les contrôles de résultat.

Que demander avant d’ouvrir vos outils à un agent ?

Demandez cinq réponses écrites : ce que l’agent peut lire et modifier, quelles actions attendent une validation, ce qui est journalisé, à quel plafond il s’arrête et comment le résultat est vérifié.

La deuxième ligne reprend le guide pratique d’OpenAI sur la construction d’agents, et la quatrième la documentation du Claude Agent SDK, qui tient le budget pour un bon réglage par défaut en production. La dernière mérite un arrêt : une phrase « terminé » dans la conversation ne prouve rien, le succès se constate dans l’outil.

Ces cinq points forment le cahier des charges de la création d’un harness IA. La recette qui suit, avec ses cas difficiles et ses essais répétés, est décrite dans le guide tester un agent IA.

Questions fréquentes