Si vous suivez l'actualité de l'intelligence artificielle, vous avez forcément croisé le mot harness. On le traduit littéralement par « harnais », et ce n'est pas un hasard : l'image est juste. Un harnais ne fait pas avancer le cheval — il permet de l'atteler à quelque chose d'utile, de le diriger, de canaliser sa force. En IA, le harness joue exactement ce rôle autour du modèle.
Le malentendu le plus répandu est de croire que « l'IA », c'est le modèle. En réalité, le modèle de langage brut est un moteur de prédiction : on lui donne un texte, il prédit la suite la plus probable. Puissant, mais nu. Pour qu'il réponde à vos questions, appelle des outils, lise vos fichiers ou enchaîne des actions, il faut une enveloppe logicielle tout autour. Cette enveloppe, c'est le harness.
Une définition simple
Le harness désigne l'ensemble du code qui entoure un modèle pour le faire fonctionner concrètement. Il ne modifie pas le modèle lui-même — il l'orchestre. C'est le chef d'orchestre, pas l'instrument.
Question, fichiers, contexte, résultats d'outils.
Prépare, envoie, boucle, branche les outils, formate.
Prédit du texte. Rien de plus, rien de moins.
Concrètement, un harness se charge de plusieurs choses :
- Construire et envoyer les requêtes (les prompts) au modèle, puis récupérer ses réponses.
- Gérer la boucle d'échanges — par exemple répéter plusieurs tours de dialogue ou de raisonnement.
- Connecter le modèle à des outils externes : recherche web, exécution de code, accès à une base de données ou à des fichiers.
- Analyser, valider et formater les sorties pour qu'elles soient exploitables par le reste du système.
Deux contextes où le terme revient sans cesse
L'agent harness
C'est l'infrastructure qui transforme un simple modèle en agent autonome. Au lieu de produire une seule réponse, l'agent peut enchaîner des étapes : observer une situation, décider d'une action, appeler un outil, lire le résultat, recommencer. Le harness gère cette boucle « réfléchir → agir → observer », maintient la mémoire de la tâche et impose les garde-fous. Sans lui, le modèle ne saurait même pas qu'un outil existe.
L'evaluation harness
C'est un cadre de test standardisé pour mesurer les performances d'un modèle sur une batterie de tâches. Le harness pose les questions toujours de la même façon, collecte les réponses et les note automatiquement, ce qui permet de comparer deux modèles sur un pied d'égalité. Le projet open source lm-evaluation-harness est l'exemple le plus connu du genre.
Pourquoi c'est l'élément qu'on sous-estime
Voici l'idée centrale, celle qui surprend toujours : changer le harness peut transformer ce qu'un modèle est capable de faire, sans toucher au modèle. La façon dont les instructions sont formulées, l'ordre dans lequel les outils sont présentés, la manière de gérer une erreur ou de relancer un raisonnement — tout cela appartient au harness, et tout cela pèse lourd.
Quand un nouveau modèle « bat les benchmarks », une partie du gain vient souvent du harness, pas seulement des poids du réseau de neurones. Le moteur compte ; la transmission aussi.
Pour le développeur, c'est une excellente nouvelle. Cela signifie qu'on peut améliorer significativement un produit IA en travaillant son harness : mieux structurer les prompts, ajouter les bons outils, soigner la boucle de décision, gérer proprement les cas limites. C'est un terrain d'ingénierie à part entière, là où beaucoup pensent encore qu'il suffit « d'avoir le bon modèle ».
En une phrase
Le modèle est le moteur ; le harness est le châssis, la transmission et le volant. Le premier fournit la puissance brute — le second décide de ce qu'on en fait, et jusqu'où on peut aller.