Ressources Évolussance
Et si votre entreprise avait besoin d’un harnais pour ses agents IA ?
Les agents IA de programmation ont besoin d’un environnement pour comprendre, agir et vérifier. Qu’est-ce que cela nous apprend sur le travail en entreprise ?
Ce que les agents de programmation nous apprennent sur le contexte, la collaboration et le pilotage en entreprise.
Une intelligence artificielle peut proposer du code en quelques secondes. Mais si on lui demande de faire évoluer une application pendant plusieurs jours, le problème devient tout autre.
Elle doit comprendre un logiciel qu’elle n’a pas conçu. Retrouver les décisions prises auparavant. Respecter des règles. Choisir les bons outils. Vérifier ses modifications. Et laisser suffisamment de traces pour que quelqu’un d’autre puisse reprendre son travail.
Ce n’est plus simplement une question de produire une bonne réponse. C’est une question d’environnement de travail.
Dans le monde de la programmation, on utilise de plus en plus le mot anglais harness, traduit ici par « harnais », pour désigner cet environnement qui entoure un agent IA.
En découvrant comment ces systèmes ont évolué, j’ai reconnu un parallèle avec une question qui nous occupe depuis environ un an dans le développement de Pilostra : comment une intelligence artificielle pourrait-elle travailler au sein d’une entreprise sans disposer d’une compréhension suffisamment juste de cette entreprise ?
Pourquoi écrire du code ne suffisait plus
Les premières démonstrations de programmation avec l’IA impressionnaient par leur rapidité. Décrire une fonction, obtenir du code, demander une correction : tout cela ouvrait déjà de nombreuses possibilités.
Mais un logiciel réel ne se réduit pas à une fonction.
En 2024, les chercheurs à l’origine de SWE-bench (nouvelle fenêtre) ont proposé d’évaluer les modèles sur de véritables problèmes tirés de projets GitHub. Pour résoudre ces problèmes, il fallait souvent comprendre plusieurs fichiers, repérer des dépendances et faire fonctionner le correctif dans son environnement. Les résultats de l’époque montraient l’écart entre générer du code plausible et résoudre un problème logiciel réel.
La même année, les travaux de SWE-agent (nouvelle fenêtre) ont mis en évidence une autre idée : la façon dont un agent accède au logiciel et interagit avec ses outils change ce qu’il est capable d’accomplir.
Autrement dit, il ne suffisait pas de rendre le modèle plus intelligent. Il fallait aussi améliorer son environnement.
Les systèmes ont donc commencé à mieux organiser l’accès aux fichiers, les instructions du projet, l’exécution de tests, les permissions et les mécanismes de vérification.
Puis une autre difficulté est apparue : comment poursuivre le travail lorsqu’une tâche dure plusieurs heures, voire plusieurs jours ? En novembre 2025, Anthropic a décrit des mécanismes de reprise entre sessions (nouvelle fenêtre), parce qu’un nouvel agent ne retrouve pas spontanément tout ce que son prédécesseur avait compris.
En février 2026, OpenAI a présenté son expérience d’ingénierie du harnais autour de Codex (nouvelle fenêtre). L’équipe y insiste notamment sur une leçon étonnamment simple : mieux vaut donner à l’agent une carte pour trouver l’information pertinente qu’un immense manuel qu’il devrait lire à chaque tâche.
Le besoin commun se précise : l’agent doit comprendre le travail, mais aussi les règles et le système dans lesquels ce travail s’inscrit.
Un harnais IA, concrètement, c’est quoi ?
Un harnais d’agent n’est pas le modèle d’IA lui-même. C’est le dispositif qui lui permet de travailler dans un environnement donné.
Selon les systèmes, il peut réunir la documentation nécessaire, les outils disponibles, les règles de fonctionnement, la mémoire du travail en cours, les autorisations et les mécanismes de contrôle.
Prenons un agent chargé de corriger une anomalie dans un logiciel. Un environnement bien préparé lui permet de :
- retrouver la description du problème et les éléments du code concernés ;
- consulter les conventions du projet plutôt que les deviner ;
- modifier uniquement les ressources auxquelles il a accès ;
- lancer des tests et examiner leurs résultats ;
- proposer une modification qui peut être révisée, puis laisser une trace pour la suite.
Des outils comme Codex (nouvelle fenêtre) ou Claude Code (nouvelle fenêtre) illustrent cette nouvelle manière de travailler avec des agents de programmation. Ils ne sont pas identiques, mais ils donnent une forme concrète à la relation entre le modèle, les outils et le projet.
Le Model Context Protocol, ou MCP (nouvelle fenêtre), apporte une partie de la solution en facilitant la connexion à des systèmes et à leurs outils. Ce n’est toutefois pas, à lui seul, une mémoire fiable, une gouvernance ni un harnais complet.
L'idée n’est pas de multiplier les couches techniques pour le plaisir. C’est de fournir à l’IA ce qui lui manque pour accomplir une tâche réelle, puis de contrôler ce qu’elle fait.
Cette réflexion prolonge d’ailleurs un sujet que j’avais déjà abordé dans un article sur l’orchestrateur IA et le méta-prompt : une bonne demande a besoin de contexte, de contraintes et de critères de vérification. Un harnais va plus loin qu’une méthode de rédaction de prompts, puisqu’il encadre aussi l’accès aux outils et le déroulement du travail.
Et si nous posions la même question dans une entreprise ?
Imaginons qu’une PME souhaite lancer une nouvelle offre destinée à une clientèle qu’elle dessert encore peu.
La direction demande à une IA d’examiner l’opportunité. L’IA peut rapidement proposer un positionnement, des arguments de vente et même une première projection financière.
Mais connaît-elle les segments de clientèle réellement visés ? Les ressources déjà engagées ? Les limites de production ? Les décisions prises le mois dernier ? Les hypothèses qui ont été abandonnées ?
Et si une deuxième IA travaille sur le marketing, puis une troisième sur les finances, travaillent-elles toutes à partir de la même compréhension de l’entreprise ?
Même sans IA, ces problèmes sont familiers. Une personne arrive dans l’équipe et doit reconstruire l’histoire du projet. Le responsable des ventes utilise une ancienne condition commerciale. Un conseiller recommande une décision qui semblait logique, mais qui a déjà été écartée.
Avec plusieurs agents IA, ce décalage peut simplement se produire plus vite.
J’explore depuis longtemps l’entreprise comme un ensemble de relations entre ses ressources, ses offres, ses opérations et ses décisions. C’est le sujet de L’entreprise comme équation vivante. L’introduction d’agents IA ne fait pas disparaître ces relations. Elle rend leur compréhension encore plus importante.
Le parallèle entre les deux univers
Voici comment je comprends la correspondance. Il ne s’agit pas de dire qu’une entreprise est un logiciel, mais de reconnaître des besoins comparables.
Correspondances entre programmation et entreprise
Contexte et historique
En programmation : Dépôt de code, architecture et historique.
Dans l’entreprise : Offres, segments, ressources, objectifs et histoire des décisions.
Règles de travail
En programmation : Règles de développement et instructions du projet.
Dans l’entreprise : Politiques, responsabilités et critères de décision.
Outils et permissions
En programmation : Outils et accès de l’agent.
Dans l’entreprise : Systèmes de travail, données et actions autorisées.
Continuité du travail
En programmation : Suivi des modifications et reprise entre sessions.
Dans l’entreprise : Continuité entre dirigeants, employés, conseillers et agents IA.
Vérification des résultats
En programmation : Tests, revue du code et observation des erreurs.
Dans l’entreprise : Vérification des hypothèses, mesures, prévu et réel, validation humaine.
Entretien et apprentissage
En programmation : Mise à jour du dépôt et de sa documentation.
Dans l’entreprise : Révision du contexte, des décisions et des apprentissages.
La ressemblance a ses limites. Un test automatisé peut souvent confirmer qu’une fonction respecte un résultat attendu. Une décision d’affaires, elle, dépend aussi d’informations incomplètes, de contraintes humaines et de choix stratégiques qui ne se résument pas à un verdict binaire.
Un harnais d’affaires ne devrait donc pas être imaginé comme un pilote automatique qui déciderait à la place de l’entreprise.
Il devrait d’abord aider les personnes et les IA autorisées à travailler sur une représentation commune de la situation, à connaître leurs limites et à apprendre des résultats.
Ce que nous construisons avec Pilostra depuis environ un an
Ce rapprochement m’intéresse particulièrement parce que depuis environ un an, nous travaillons sur l’architecture de Pilostra 2.0 à partir d’un problème d’affaires : comment conserver et faire évoluer la compréhension d’une entreprise pour soutenir le travail de plusieurs personnes et, progressivement, celui d’agents IA ?
Nous avons abordé ce problème par les relations entre les éléments du modèle d’affaires, les objectifs, les projections, les décisions et les actions. Nous avons aussi réfléchi à la manière de conserver un contexte versionné, de tenir compte des responsabilités et de permettre une continuité malgré les changements de personnes ou d’outils.
Pour nommer cette capacité, j’utilise le mot contextabilité : rendre le contexte de l’organisation structuré, compréhensible, mobilisable et capable d’évoluer dans le temps. J’en expliquais les fondements dans De l’entreprise AI-ready à l’entreprise AI-first : le rôle de Pilostra et du contexte vivant.
Le problème avec un terme comme « contextabilité », c’est qu’il reste abstrait lorsqu’on le découvre. Le monde de la programmation nous offre aujourd’hui une image plus concrète : celle d’un environnement qui permet aux agents de travailler sans constamment repartir de zéro.
C’est pour cette raison que l’expression « harnais d’affaires » me semble intéressante pour décrire une partie de l’architecture que Pilostra cherche à mettre en place.
Pilostra reste d’abord une plateforme de pilotage prospectif. Ses objectifs, ses projections et son suivi ont une utilité même sans agent IA. Le harnais d’affaires est un parallèle pour expliquer comment ce contexte pourrait soutenir le travail partagé entre humains et IA.
Pourquoi la mémoire seule ne suffit pas
On pourrait penser qu’il suffit de donner à chaque agent accès à tous les fichiers de l’entreprise.
Mais retrouver une information n’est pas la même chose que savoir si elle est applicable.
Une ancienne offre peut avoir été remplacée. Une hypothèse peut ne jamais avoir été validée. Une décision peut concerner un seul segment, une période limitée ou un responsable précis.
Dans Mémoire IA et continuité de ton entreprise, j’expliquais pourquoi une mémoire utile doit conserver aussi les sources, les dates, les statuts et les conditions de validité.
C’est également la différence entre l’ingénierie du contexte, qui cherche à sélectionner ce que l’on fournit au modèle pour une tâche, et la contextabilité organisationnelle, qui cherche à maintenir une compréhension durable de l’entreprise dans laquelle ce contexte pourra être puisé. Anthropic décrit bien l’importance de sélectionner le bon contexte au bon moment (nouvelle fenêtre).
Un contexte partagé ne signifie pas non plus un accès universel. Un agent de marketing n’a pas automatiquement besoin de voir toutes les données financières, et une IA capable de préparer une recommandation n’a pas nécessairement le droit de l’exécuter. Nous avions déjà abordé cette question dans Avant de devenir AI-first, choisis ce que l’IA a le droit de comprendre.
Le véritable enjeu n’est donc pas simplement de conserver davantage d’information. C’est de savoir quelle information est utile, laquelle est valide, qui peut l’utiliser et ce qui doit être vérifié avant d’agir.
L’enjeu n’est pas d’avoir plus d’agents, mais de mieux travailler ensemble
Créer un agent qui produit une réponse convaincante est une chose. Le maintenir, le connecter aux bonnes informations et l’intégrer au fonctionnement quotidien en est une autre. C’est le sujet que j’abordais dans Créer un agent IA est devenu facile. Transformer une entreprise reste difficile.
L’évolution des harnais de programmation nous rappelle que le rendement d’un agent dépend aussi de tout ce qui l’entoure.
Pour une entreprise, la même réflexion conduit à des questions très concrètes : que doivent comprendre nos agents ? Comment sauront-ils quelles décisions sont encore valables ? Quelles actions peuvent-ils entreprendre ? Comment leur travail sera-t-il repris, contesté ou amélioré par une autre personne ?
Il ne sera pas nécessaire de construire un système complexe pour chaque usage. Certaines tâches continueront de se faire très bien avec un simple assistant et un contexte limité. Mais à mesure que les usages deviennent collectifs, durables et liés aux décisions, le besoin d’un environnement structuré devient plus difficile à ignorer.
Si les agents de programmation ont besoin de comprendre le logiciel sur lequel ils travaillent, comment des agents d’affaires pourraient-ils travailler sans comprendre l’entreprise elle-même ?
C’est cette question que le parallèle entre les harnais de programmation et notre démarche avec Pilostra permet aujourd’hui de poser plus clairement.
À propos de l’auteur
Pierre W Bertrand est entrepreneur, formateur, concepteur de Pilostra et architecte des formations Évolussance. Il accompagne les entrepreneurs dans la compréhension de leur entreprise et l’intégration de l’IA à leurs pratiques.
→