Le sujet d'aujourd'hui est un terme que presque tout le monde a entendu, mais que peu savent expliquer. Le cas AI Agent Harness, vous l'avez probablement croisé dans des articles de blog ou des conférences. Mais que signifie-t-il vraiment ? Voici la réalité. La plupart des gens pensent que construire un agent IA consiste à rédiger le prompt parfait, cette instruction magique qui fait faire au modèle exactement ce que vous voulez. Mais c'est comme penser qu'une voiture se résume à son moteur ? Certes, le moteur est crucial, mais sans roues. Volant, frein et châssis, vous n'irez nulle part. A la fin de cet épisode, vous comprendrez ce qu'est vraiment Agent Harness et NU. Pourquoi ? C'est l'évolution au-delà du prompt engineering UGR et comment Microsoft et AI Foundry concrétisent cela pour les entreprises. Prenez votre café et plongeons dans le sujet. Pourquoi le prompting ne suffit plus ? Revenons au premier jour. Entre 2022 et 2024, travailler avec l'IA était simple. Vous écriviez un prompt et obtenez une réponse. Besoin d'un brouillon d'email ? Écrivez un prompt. Besoin d'un résumé d'article ? Écrivez un prompt. Pour des tâches simples à exécution unique, cela fonctionnait très bien. Vous demandiez quelque chose. Et le modèle fournissait une réponse raisonnable. Les attentes ont fini par augmenter. Les gens ont commencé à demander à ces modèles de faire un vrai travail. Recherchez un sujet et rédigez un rapport. Analyser une base de code et corriger un bug. Ou gérez une conversation client complexe du début à la fin. Et soudain, un seul prompt ne suffisait plus. Voici ce qui s'est passé. La fenêtre de contexte du modèle se saturait. Il oubliait les instructions précédentes et commençait à inventer des faits ou à donner des résultats incomplets. Plus la tâche durait, plus le résultat devenait peu fiable. Vous en avez probablement fait l'expérience vous-même. Vous demandez à une IA de faire quelque chose de complexe. Et à la fin, elle a oublié ce que vous lui aviez demandé au départ. Imaginez demander à une seule personne de construire une maison entière d'une traite, sans jamais vérifier son travail. Sans. C'est ce que nous demandions à ces modèles. Les résultats étaient conformes aux attentes. Une maison à moitié finie, avec des murs manquants et des portes qui ne s'ouvrent pas. La solution n'était pas un meilleur prompt. Vous pouviez passer des heures à ajuster la formulation, ajouter des exemples et raffiner les instructions. Cela échouerait toujours sur des tâches complexes, car le problème fondamental n'était pas le prompt. C'était l'absence de système autour du modèle. Ce dont le modèle avait besoin, ce n'était pas de meilleur mot, mais un meilleur soutien. C'est là qu'a commencé l'évolution du prompt engineering, UCTO context engineering. Les trois phases de l'évolution de l'IA. Voici comment je vois l'évolution de l'IA. Trois phases, chacune déplaçant l'attention des ingénieurs. Ah, la première phase était l'ingénierie de prompt. Elle s'est étendue d'environ 2022 à 2024. La grande question était simple, que dois-je dire au modèle ? On écrivait une instruction, on obtenait une réponse, et c'était tout. Tout le travail reposait sur la formulation et le tout. Pour des tâches de base, cela suffisait. La phase 2 a suivi. L'ingénierie de contexte 2024 à 2025. La question a changé, de quoi dois-je parler à que doit voir le modèle ? Les ingénieurs ont découvert que ce que l'on donne au modèle compte plus que la manière de demander. Ils ont donc construit des systèmes comme l'appel d'outils, la génération augmentée par récupération et le protocole MCP. Cela permet au modèle de saisir les bonnes informations à la volée. Au lieu de tout entasser dans un prompt, le modèle pouvait chercher ce dont il avait besoin au moment voulu. La phase 3 est là où nous en sommes, l'ingénierie de Harnais. Depuis 2026 environ, la question est, quel système dois-je construire autour du modèle ? C'est là que ça devient intéressant. Car la fiabilité, la mémoire, l'orchestration et les garde-fous ne viennent pas du modèle lui-même, mais du système construit autour. Voici la manière la plus simple d'y penser. Un agent égale un modèle plus un harnais. Le harnais, c'est tout le reste. Le modèle réfléchit, le harnais fait le reste. Ce harnais est l'ingrédient secret qui fait fonctionner le tout. Le tout. Voyez les choses ainsi. Le modèle est un ouvrier qualifié. Très talentueux, mais limité. Le harnais, l'atelier, les outils, la liste de contrôle, le superviseur et les freins. Sans l'atelier, l'ouvrier n'a nulle part où travailler. Sans les outils, il ne peut rien construire. Sans la liste de contrôle, il oublie des étapes. Sans le superviseur, il commet des erreurs. Et sans frein, il s'épuise. Le harnais apporte toute cette structure. Alors qu'y a-t-il exactement dans ce harnais ? Ouvrons-le. Ce que contient réellement un harnais. Donc qu'est-ce qui entre dans un harnais ? Passons en revue les éléments un par un. Premièrement, la boucle de l'agent. C'est le cycle qui maintient l'agent en activité. Le modèle réfléchit, puis décide d'appeler un outil. L'outil s'exécute et renvoie un résultat. Le modèle examine cela, réfléchit à nouveau, et appelle peut-être un autre outil. La boucle continue jusqu'à ce que l'agent atteigne son objectif. Sans cette boucle, on obtient juste une seule question et une seule réponse. Avec elle, vous avez un système qui résout les problèmes étape par étape. Ensuite, la gestion du contexte. C'est essentiel, car les modèles ont une capacité d'attention limitée. Leur fenêtre de contexte finit par déborder s'il y a trop d'informations. C'est là qu'intervient le harnais. Il compresse la conversation, résume tous les messages et priorise ce qui est important. Imaginez cela comme un système de classement pour la conversation. Le harnais l'organise pour que le modèle ne voit que ce qui est pertinent. Sans cela, les longues sessions échouent car le modèle perd le fil. Ensuite, il y a les outils et les compétences. Ce sont les mains de l'agent. Par lui-même, un modèle ne peut que générer du texte. Il ne peut pas lire un fichier, naviguer sur le web, exécuter du code ou interroger une base de données. Le harnais lui confère ses capacités. Accès au fichier, navigation web, exécution de code, requête de base de données. Le harnais fournit tous ces outils. Le modèle décide quand les utiliser et le harnais les fait fonctionner. La mémoire et la persistance des sessions sont un autre élément majeur. Le harnais se souvient des sessions passées. Ainsi, lorsque vous revenez vers un agent le lendemain, il ne repart pas de zéro. Il se souvient de vos préférences, du contexte de votre projet et des décisions que vous avez prises. L'agent apprend avec le temps car le harnais conserve cet historique. Les garde-fous constituent la couche de sécurité et des limites que vous fixez au comportement de l'agent. Considérez cela comme le règlement intérêt de l'agent. Nombre d'étapes maximales avant arrêt, actions interdites, étapes de validation humaine pour les tâches risquées, comme écrire des fichiers ou envoyer des e-mails. Sans garde-fous, un agent pourrait tourner indéfiniment ou agir de manière imprévue. Le harnais le maintient sous contrôle. Enfin, l'orchestration. Le harnais peut lancer des sous-agents spécialisés pour différentes tâches. L'un s'occupe de la recherche, un autre de la rédaction et un troisième de la vérification. Ils travaillent ensemble comme une équipe de spécialistes sur un chantier. Chacun fait ce qu'il maîtrise le mieux. Et le harnais veille à ce qu'il ne se gêne pas. Ses composants ne sont pas que théoriques. Microsoft a conçu une plateforme complète qui met tout cela en pratique. Voici Microsoft AI Foundry, le harnais pour entreprise. Cette plateforme, c'est Microsoft AI Foundry. Voyez cela comme un atelier complet pour créer et exécuter des agents IA à grande échelle. Quand je parle d'échelle, je veux dire à une échelle réelle, pas une expérience de laboratoire. Foundry sert plus de 70 000 clients aujourd'hui. Et rien que le trimestre dernier, il a traité 101 milliards de jetons. C'est bien 101 milliards, ce n'est pas une erreur de frappe. Chaque jour, il aimante 2 milliards de requêtes de recherche en entreprise. C'est une plateforme de production gérant certaines des plus lourdes charges de travail au monde. Ce que Foundry fait concrètement, c'est vous offrir le harnais en tant que service géré. Vous n'avez pas à créer la gestion de contexte, la mémoire, les garde-fous et la coordination à partir de zéro. Car tout est intégré. Vous apportez votre agent et Foundry fournit l'atelier autour de lui. Parlons maintenant de l'identité. C'est un point crucial. Chaque agent dans Foundry obtient son propre identifiant Antra, en somme une identité numérique. Imaginez cela comme le badge d'employé délivré par l'accueil. L'agent peut se connecter au service, accéder aux données et agir pour l'organisation comme un employé humain. Et comme chaque action est liée à cette identité, elle est entièrement auditable. Euh, pourquoi est-ce important ? Dans une entreprise, vous devez savoir qui a fait quoi. Chaque action est consignée et traçable. Foundry se connecte à plus de 1 400 sources de données d'entreprise, de SharePoint et Dynamics 365 à Salesforce et des bases de données personnalisées. Si votre entreprise l'utilise, Foundry a probablement un connecteur. Ainsi, l'agent ne devine pas et n'invente rien. Il extrait des données réelles de système réel, ce qui signifie que les réponses sont fondées sur vos données métier concrètes. Vient ensuite la mémoire. Foundry inclut des types de mémoire intégrés. La mémoire procédurale aide l'agent à apprendre des tâches passées. Il s'améliore avec le temps, comme une formation en cours d'emploi. La persistance de session signifie qu'il se souvient des conversations précédentes. Il ne repart donc pas de zéro à chaque fois. Cela rend les interactions fluides et intelligentes. Alors comment cela fonctionne-t-il concrètement ? Analysons les composants fournis par Microsoft pour créer des structures personnalisées. Le framework d'agent, pour construire des structures sur mesure. Alors comment construire réellement une structure ? Microsoft fournit un SDK dédié appelé Microsoft Agent Framework, que vous connaissez peut-être sous son ancien nom, sémantique Kernel. Il a été reconstruit, mais le concept reste le même. Il permet aux développeurs de créer des structures d'agents personnalisées en Python et Séchelab. Framework comporte trois couches. A la base se trouve la boucle de l'agent, le cycle de raisonnement central où le modèle réfléchi appelle les outils, obtient des résultats et réfléchit à nouveau. Au-dessus, on trouve les workflows, des modèles de coordination qui gèrent plusieurs agents. Et enveloppant le tout, la couche de structure elle-même, l'enveloppe, qui maintient le tout ensemble. Microsoft propose cinq modèles de coordination intégrés. Séquentiel exécute les agents les uns après les autres dans un ordre défini. Concurre les exécute tous en parallèle. Transfert passe le contrôle d'un agent à un autre selon les besoins. Discussion de groupe permet à plusieurs agents d'échanger dans une conversation partagée. Puis il y a Malgenti qui est un gestionnaire, issu de Microsoft Research. Ici, un agent superviseur génère un plan, puis délègue le travail à des sous-agents spécialisés, comme un chef de projet attribuant des tâches aux membres de l'équipe. Chaque modèle gère un problème de coordination différent. Voici le meilleur aspect. Le framework est extensible. Vous pouvez connecter le modèle de votre choix, qu'il vienne d'OpenAI, Anthropik, Google Gemini ou Amazon Bedrock, et même des modèles locaux sur Wallama. On va de même pour les outils. Vous vous connectez via OpenAI, le protocole de contexte de modèle ou par code direct. Certains craignent que l'utilisation du framework de Microsoft ne vous enferme dans leur écosystème. C'est faux ? Le framework fonctionne avec n'importe quel stack que vous utilisez déjà ? La couche Carness ajoute des capacités telles que l'accès aux fichiers, l'exécution de code, le middleware de planification et la télémétrie. Ainsi, créer un agent avec ce framework signifie construire un système complet qui lit des fichiers, écrit du code, planifie des tâches complexes et enregistre tout pour le débogage. C'est bien plus qu'une simple interface de chat. Voici à quoi cela ressent. Imaginez un agent de codage construit sur ce framework. Lui confier une tâche, par exemple, ajouter une nouvelle fonctionnalité à une base de code existante. L'agent commence par parcourir la documentation pour comprendre l'API. Ensuite, il écrit le code. Il exécute des tests pour s'assurer qu'un était cassé. Si un test échoui, lit l'erreur, corrige le bug et relance les tests, le tout au sein du même Ernest que, en boucle dans un cycle réflexion-action-éducation jusqu'à ce que le travail soit terminé. Sans ce qu'Arnesque, vous devriez lui transmettre chaque étape manuellement. Avec lui, l'agent gère tout le flux de travail de manière autonome. Un exemple populaire de Arnesque en action est le modèle Clo-Uke. Microsoft l'a rendu disponible sur Farnry, c'est une excellente démonstration de la façon dont ces éléments s'assemblent. Les agents de style Clo, les Hermès. Parlons des agents de style Clo. Le nom vient de projets open source comme OpenClo. Ces agents résident sur votre machine, attendent des instructions, puis exécutent de longues tâches par eux-mêmes. Sont toujours là, prêts à intervenir quand vous en avez besoin. Considérez-les comme un assistant personnel qui ne prend jamais de jour de congé. La version de Microsoft s'appelle Hermès. Elle s'exécute dans le bac à sable d'agents hébergés de Farnry et dispose de capacités impressionnantes. Hermès possède son propre système de fichiers, sa propre mémoire et son propre ensemble. Il peut mettre en place ses propres routines de maintenance, nettoyer les vieux fichiers et organiser son espace de travail. Et s'il réalise qu'il a besoin d'une nouvelle compétence qu'il n'a pas, il peut la créer à la volée. Voici ce qu'il faut savoir sur les agents Clo. Les Architects Cloud, les appels des animaux de compagnie, pas du bétail. Les animaux de compagnie sont... Vous leur donnez un nom, vous vous en occupez, vous ne pouvez pas les remplacer facilement. Le bétail est interchangeable. Donc, si l'un tombe en panne, vous en relancez un autre. Les agents Clo sont assurément des animaux de compagnie. Chacun possède son propre état, son historique et ses comportements inquiétés. Cette singularité les rend puissant, mais complique aussi la récupération et la mise à l'échelle. En cas de problème, vous ne pouvez pas simplement supprimer l'instance et recommencer, car vous perdriez toutes les connaissances accumulées. La solution de Microsoft s'appelle les routines. Il s'agit de tâches planifiées qui permettent à l'agent de se réveiller, d'effectuer sa maintenance puis de se rendormir. Au lieu de maintenir le bac à sable actif 24h34 et c'est J77, ce qui coûte cher, l'agent s'étapre une période d'inactivité. Le système de routine le réveille quand il doit agir pour nettoyer d'anciennes compétences, effectuer une sauvegarde ou vérifier de nouvelles tâches. Ensuite, il se rendort. Cela permet d'économiser tout en gardant l'agent disponible quand vous en avez besoin. Le bac à sable isole chaque session. Les fichiers, la mémoire et la configuration de votre agent restent confinés dans son propre environnement. L'infrastructure gère cet état entre les sessions pour que les données d'un agent ne fuient pas vers un autre. Il est possible de construire sa propre infrastructure, mais la plupart des entreprises n'en ont pas besoin. Fondry vous offre une plateforme prête à l'emploi avec toutes ses fonctionnalités intégrées. La vraie question est, que voulez-vous que votre agent fasse ? Publication et collaboration, là où l'infrastructure rencontre les humains. Vous avez donc créé votre agent, lui avez donné des outils, une mémoire, une orchestration et un bac à sable. Maintenant, comment les gens l'utilisent-ils ? C'est là que Fondry facilite les choses. Une fois votre agent créé et déployé, vous pouvez le publier dans Microsoft 365 Copilot sur Microsoft Teams en un clic. Pas 10 clics, pas un pipeline de déploiement de 3 jours, juste un clic. Et votre agent apparaît là où les gens travaillent déjà, dans leurs emails, leurs messageries et leurs documents. Fondry prend en charge deux modes de déploiement. D'abord, les agents d'assistance. Travaillent en votre nom pour rédiger des emails, planifier des réunions ou récupérer des documents. Ils agissent comme votre extension, tel un assistant ultra rapide qui exécute vos demandes. Ensuite, les agents en pilote automatique. Sont plus récents et plus intéressants. Ils agissent en leur nom propre, avec leur propre adresse email et leur propre identité. Ils n'ont pas besoin que vous les sollicitez à chaque fois. Prennent des initiatives. Les agents en pilote automatique possèdent un compte utilisateur. Vous pouvez les ajouter à une discussion de groupe Teams, comme vous ajouterez à un collègue humain. Ils suivent la conversation et interviennent pour aider, assurer le suivi des tâches, répondre aux questions sur le travail de l'équipe, et même intégrer les nouveaux membres en leur envoyant les documents et en les présentant aux bonnes personnes. Et voici un exemple concret. Imaginez que vous ayez un agent responsable de flux de travail. Vous l'ajoutez à votre discussion de groupe Teams. Quelqu'un dit « Hey, j'ai besoin du rapport du T3 pour vendredi ». L'agent identifie qu'il s'agit d'une tâche à accomplir. Il crée une tâche, l'assigne à la bonne personne et ajoute un rappel pour jeudi, de faire cela. Il a simplement vu ce qui devait être fait et l'a fait. Le harness qui gère toutes les autorisations en arrière. Seuls les utilisateurs autorisés peuvent interagir avec l'agent dans une discussion de groupe. L'agent ne voit que les messages auxquels il a accès et ignore les autres. Il respecte les mêmes contrôles d'accès que les membres humains de votre équipe. Voici pourquoi l'ingénierie du harness est vraiment payant. L'agent cesse d'être un chatbot que vous ouvrez dans un onglet de navigateur. Il devient un membre productif de l'équipe. Il vit là où vous vivez, travaille comme votre équipe travaille. Et il fait tout cela parce que le harness, le système entourant le modèle, gère l'identité, les permissions, le déploiement et l'intégration. Sans le harness, vous auriez juste une autre fenêtre de chat vérifiée. Mais tout outil puissant nécessite des protections. Parlons des garde-fous qui rendent tout cela sûr. Il y a responsable et la gouvernance dans le harness. Voici le point essentiel. L'ingénierie du harness ne consiste pas seulement à rendre les agents plus performants. Il s'agit de les rendre sûrs et fiables. Un agent capable d'envoyer des emails, de modifier des fichiers et d'agir dans des discussions de groupe est puissant. Mais ce pouvoir nécessite des contrôles. Imaginez que vous donniez à un employé les clés du bâtiment. Vous voulez qu'il fasse son travail mais vous établissez également des règles sur ce à quoi il peut accéder et quand. L'approche de Microsoft repose sur la norme d'irresponsable. Six principes guident tout. Équité. Fiabilité, sécurité, confidentialité et protection des données, inclusivité, transparence et responsabilité. Ce ne sont pas juste de belles idées écrites sur une affiche. Ce sont les fondations réelles sur lesquelles toute la plateforme est conçue dès le départ. Le harness est l'endroit où ces principes deviennent du code réel. Les garde-fous limitent ce que l'agent peut faire. Les points d'ancrage du cycle de vie permettent d'appliquer des politiques. à chaque étape de l'exécution de l'agent. Avant que l'agent ne s'exécute, après, avant qu'il n'appelle un outil après avoir obtenu un résultat et vous pouvez injecter vos propres vérifications à tout moment. Vous voulez empêcher l'agent d'accéder à certaines bases de données ? Vous pouvez le faire. Vous voulez exiger une approbation humaine avant que l'agent n'envoie un email ? Vous pouvez le faire aussi. Ces deux actions sont simples à configurer. Le cadre où l'Architected Framework d'Azure inclut des conseils dédiés aux charges de travail IA. Il couvre tout, du chiffrement des données à la réponse aux incidents. L'idée est que construire un système d'IA n'est pas fondamentalement différent de construire tout autre système d'entreprise. Vous avez toujours besoin de sécurité, de fiabilité et d'excellence opérationnelle. Le cadre ou l'Architected que vous offre une méthode structurée pour aborder tout cela sans vous perdre. Au-delà, il existe le Cloud Option Framework Nord. Il fournit un processus en quatre étapes pour la gouvernance de l'IA. Premièrement, identifier les risques. Qu'est-ce qui pourrait mal tourner ? Deuxièmement, mesurer l'impact. Quelle en serait la gravité ? Troisièmement, atténuer avec des contrôles. Que pouvez-vous mettre en place pour l'empêcher ? Quatrièmement, opérer avec une surveillance. Comment détecter les problèmes lorsqu'ils surviennent ? C'est une approche pratique étape par étape qui transforme des préoccupations abstraites en actions concrètes, en actions concrètes. Pour les harnais d'agents spécifiquement, cela implique quelques points clés. Des limites d'étapes maximales pour que l'agent ne tourne pas indéfiniment. Des restrictions d'outils pour qu'il n'accède qu'à ce qu'il est censé utiliser. Des étapes d'approbation humaine pour les actions à haut risque. Des pistes d'audit pour que chaque décision soit enregistrée et révisable. Des files de sécurité de contenu qui interceptent les sorties problématiques avant qu'elles ne soient vues. Chaque élément collabore pour maintenir votre agent sous contrôle strict. Microsoft fournit une sécurité de contenu intégré et des évaluateurs au sein de Foundry. Vous pouvez tester votre agent par rapport à une série de critères avant de le déployer. Reste-t-il sur le sujet ? Gère-t-il correctement les données sensibles ? Refuse-t-il les demandes qu'il ne devrait pas honorer ? Vous pouvez exécuter ces évaluations automatiquement et obtenir un score avant de publier l'agent à votre équipe. Ainsi, vous détectez les problèmes tôt et non après qu'un incident se soit produit. C'est une vision globale allant d'un simple prompt à un agent autonome sûr de qualité production. Le modèle assure la réflexion, le harnais s'occupe du reste, la coordination, les garde-fous, la gouvernance, tout ce qui le rend fiable. Récapitulons donc cette transformation. Nous avons commencé par le one-shot printing. Écrire un prompt, obtenir une réponse. Cela fonctionnait pour les tâches simples. Ensuite, nous sommes passés à l'ingénierie de contexte. Gérer ce que le modèle voit, charger les bonnes informations au bon moment. Cela fonctionnait pour des tâches plus complexes. Et maintenant, nous sommes arrivés à l'ingénierie complète du harnais. Construire un système complet autour du modèle avec mémoire, outils, coordination, garde-fous et gouvernance. Dans la mesure où le système qui l'entoure l'est. Le modèle compte absolument, mais le harnais est ce qui conditionne la réussite en production. Vous pouvez avoir le meilleur modèle au monde. Sans un bon harnais, il échouera sur des tâches réelles. Et vous pouvez avoir un modèle correct avec un excellent harnais. Il surpassera les attentes à chaque fois. Voici votre défi. Dans votre prochain projet d'IA, voyez au-delà du prompt. Ne vous demandez pas ce que vous devez dire au modèle, mais quel système vous devez construire autour. Ce changement de perspective est ce qui sépare les démonstrations des systèmes de production. Dans le prochain épisode, nous approfondirons un composant essentiel, la mémoire. Comment les agents apprennent avec le temps, se souviennent de leurs actions et comment cela transforme leur capacité ? Abonnez-vous pour ne pas le manquer.