Le harnais d’un agent d’IA regroupe la boucle d’exécution, les consignes, les outils et leurs permissions, la gestion du contexte, les sous-agents, la vérification et le bac à sable. À modèle égal, il peut déplacer les scores de plusieurs points, jusqu’à 8,1 points sur Terminal-Bench 2.1, mais aussi peser sur la facture et sur ce que l’agent peut exécuter.
Un même modèle, des scores différents
Gemini 3 Pro a passé les 89 tâches de Terminal-Bench 2.1, un test d’agents d’IA en ligne de commande, dans deux agents. Conduit par Gemini CLI, l’agent que Google publie pour ses propres modèles, il en a réussi 65,8 %. Conduit par Terminus 2, un programme minimal écrit par les auteurs du test et doté d’un seul outil, un terminal, il est monté à 73,9 %. Le classement de Terminal-Bench 2.1, aujourd’hui archivé par Snorkel AI qui l’hébergeait, sépare ces deux lignes de 8,1 points, bien au-delà de la variation d’une exécution à l’autre, de 1,3 et 1,4 point. Le modèle est le même. Ce qui a changé s’appelle le harnais.
Anthropic décrit ce composant comme « la boucle qui appelle Claude et achemine ses appels d’outils vers l’infrastructure concernée », dans un billet d’ingénierie du 8 avril 2026. Le Claude Agent SDK livre « les mêmes outils, la même boucle d’agent et la même gestion du contexte que Claude Code », tandis que Managed Agents propose un harnais hébergé.
LangChain a mesuré l’effet en ne modifiant que le harnais. Son agent deepagents-cli est passé de 52,8 % à 66,5 % sur Terminal-Bench 2.0, soit 13,7 points. « Nous n’avons retouché que le harnais et gardé le modèle fixe, gpt-5.2-codex », écrit l’entreprise dans son billet du 17 février 2026. Ces gains tiennent à la consigne système, aux outils, à une vérification imposée avant la sortie, à un compteur qui force l’agent à revoir sa méthode quand il modifie trop souvent le même fichier, et au dosage de l’effort de raisonnement.
Des chercheurs de Tulane, de Rutgers et de Virginia Tech ont croisé trois modèles avec trois harnais sur 100 tâches de SWE-bench Verified. Selon leur article de position du 7 mai 2026, changer de harnais déplace le score de 8,5 à 13 points, contre 2,5 à 5 points pour un changement de modèle.
Coût, outils et permissions
Une session d’agent renvoie son historique à chaque tour, et l’API facture tout le contexte transmis à chaque appel. Michael Bolin, d’OpenAI, reconnaît dans un article du 23 janvier 2026 que le volume envoyé par Codex croît de façon quadratique. Le cache réduit la dépense, avec une remise de 95 % sur le token relu. Un harnais qui réécrit le début de sa requête en cours de session perd cette remise.
Le choix des outils pèse aussi. Anthropic chiffrait, le 4 novembre 2025, à 150 000 tokens la dépense d’un agent qui charge d’emblée la définition de tous ses outils, contre 2 000 quand il les appelle depuis du code. Vercel a retiré 80 % des outils de d0, son agent qui traduit des questions en SQL. Sur cinq requêtes avec Claude Opus 4.5, la consommation moyenne est passée d’environ 102 000 à 61 000 tokens, et la réussite de quatre à cinq requêtes sur cinq. Cinq requêtes ne font pas une statistique.
Le harnais décide aussi de ce qu’un agent peut faire. Un préprint, ToFu, a montré sur LangGraph qu’un petit modèle local exécutait un outil factice nommé launch_missiles, avant de rédiger son refus. Le refus arrive donc après l’exécution, et la vérification revient au harnais et aux outils eux-mêmes.
Évaluer le harnais séparément du modèle
Une entreprise qui choisit un agent achète un couple, et les chiffres publiés n’en décrivent souvent qu’une moitié. Il faut vérifier quel harnais a produit le score annoncé, et s’il ressemble à celui qui sera déployé. Le coût doit ensuite être mesuré sur la tâche entière, et le risque se lit dans la configuration par défaut.
Artificial Analysis a prévu sur sa page des agents de code une rubrique « Harness Comparison », qui comparera les harnais. Le 30 octobre 2026, elle portait la mention « bientôt disponible ».
