Agents IA et harnesses : comprendre les nouveaux assistants intelligents

Du chatbot à l'agent IA

Depuis l'arrivée de ChatGPT en 2022, les grands modèles de langage (LLM) ont profondément transformé notre manière d'interagir avec l'informatique. Ils peuvent rédiger des textes, analyser des documents, générer du code ou expliquer des concepts complexes.

Mais un LLM, à lui seul, reste essentiellement un moteur de traitement et de génération d'informations. Il ne dispose pas automatiquement des moyens d'interagir avec notre ordinateur ou nos applications.

C'est là qu'interviennent les agents IA.

Un agent est un système logiciel qui utilise un modèle d'intelligence artificielle pour atteindre un objectif en exécutant une succession d'actions. Plutôt que de simplement fournir une réponse, il peut sélectionner des outils, les utiliser, analyser leurs résultats et ajuster sa démarche.

Prenons un exemple : un chatbot peut expliquer comment préparer un rapport de veille technologique. Un agent, lui, pourrait rechercher les dernières actualités, consulter différentes sources, comparer les informations et générer le rapport, voire le transmettre par e-mail si ses autorisations le permettent.

Cette capacité repose sur une boucle d'exécution appelée agent loop : raisonner, agir, observer le résultat, puis recommencer si nécessaire.

L'autonomie reste toutefois encadrée par les permissions, les outils disponibles et les mécanismes de contrôle.

Le harness : le moteur opérationnel de l'agent

Un agent ne fonctionne pas uniquement grâce à son modèle d'intelligence artificielle. Il a besoin d'un environnement logiciel lui permettant d'utiliser ses capacités dans le monde numérique.

Cet environnement est appelé agent harness, un terme que l'on pourrait traduire par « cadre d'exécution de l'agent ».

Le harness fait l'intermédiaire entre le LLM et les ressources informatiques. Il gère notamment :

• Les outils (tools) : accès aux fichiers, navigateurs, API, terminaux ou applications.
• La mémoire (memory) : conservation du contexte, des préférences et de certaines informations entre les sessions.
• L'orchestration : enchaînement des actions, gestion des erreurs et suivi de leur exécution.
• Les compétences (skills) : procédures réutilisables pour réaliser des tâches spécialisées.
• La sécurité : permissions, isolation des environnements et validation éventuelle des actions sensibles.

Lorsqu'un agent doit consulter une page web, par exemple, le LLM peut demander l'utilisation d'un outil de navigation. Le harness exécute cette demande, récupère les informations et les transmet au modèle, qui décide ensuite de la prochaine action.

La distinction est importante : le LLM fournit les capacités de raisonnement, tandis que le harness fournit les moyens d'agir.

C'est pourquoi deux agents reposant sur le même modèle peuvent avoir des capacités très différentes selon leur environnement d'exécution.

Comment en est-on arrivé là ?

L'idée d'agents logiciels autonomes existe depuis plusieurs décennies dans la recherche en intelligence artificielle. Mais les progrès récents des LLM ont considérablement accéléré leur développement.

En 2023, des projets expérimentaux comme Auto-GPT et BabyAGI ont popularisé le concept d'agents capables de décomposer un objectif en plusieurs tâches et de tenter de les accomplir successivement.

Ces premières approches étaient néanmoins limitées par les erreurs de raisonnement, les boucles inutiles et la difficulté à contrôler leur comportement.

Entre 2024 et 2025, les mécanismes d'appel d'outils (tool calling), les modèles plus performants et les frameworks d'orchestration ont contribué à rendre les agents plus fiables et plus exploitables.

L'apparition d'environnements d'exécution plus complets a ensuite ouvert la voie à des assistants capables de fonctionner durablement, de conserver une mémoire et d'interagir avec plusieurs applications.

OpenClaw et Hermes : deux exemples de harnesses modernes

Parmi les projets qui illustrent cette évolution figurent OpenClaw et Hermes Agent. Il ne s'agit pas de nouveaux modèles de langage concurrents de GPT ou Claude, mais de systèmes permettant d'exploiter des modèles existants pour construire des assistants opérationnels.

OpenClaw, projet open source initialement connu sous le nom de Clawdbot, propose un assistant personnel pouvant fonctionner sur une machine ou un serveur et communiquer avec l'utilisateur à travers différentes applications, notamment des messageries.

Son architecture repose sur un composant central, le Gateway, chargé de coordonner les communications, les sessions et les interactions avec l'environnement. Selon sa configuration, l'assistant peut accéder à des outils, gérer des tâches planifiées et interagir avec des services externes.

Hermes Agent, développé par Nous Research, met notamment l'accent sur la mémoire persistante et les compétences réutilisables. L'objectif est de permettre à l'agent de capitaliser sur ses expériences précédentes, en conservant certaines procédures qu'il pourra réemployer lors de futures missions.

Il ne s'agit pas d'un apprentissage permanent du modèle lui-même, mais d'une amélioration de son fonctionnement grâce aux informations, instructions et compétences enregistrées dans son environnement.

Les deux projets illustrent ainsi une même tendance : faire évoluer l'IA d'un outil de conversation ponctuel vers un assistant capable d'assurer une continuité dans son travail.

Quels bénéfices concrets ?

Les agents IA peuvent être particulièrement intéressants pour automatiser des processus qui nécessitent plusieurs outils et une certaine capacité d'adaptation.

Dans un environnement professionnel, un agent peut, par exemple, collecter des données, rapprocher différentes sources, produire des analyses et préparer des rapports.

En cybersécurité, il peut assister un analyste dans la collecte de journaux, la recherche d'indicateurs de compromission ou la préparation d'une investigation.

Dans les télécommunications, un agent pourrait analyser des alertes de fraude, consulter des données de trafic, rechercher des anomalies et proposer des pistes d'investigation aux équipes de Revenue Assurance ou de Fraud Management.

Ces systèmes ne remplacent pas nécessairement les logiciels traditionnels. Ils constituent plutôt une nouvelle couche d'interaction et d'orchestration entre l'utilisateur, les applications et les données.

Des risques à ne pas sous-estimer

La capacité d'agir représente également le principal risque des agents IA.

Contrairement à un chatbot qui produit une réponse incorrecte, un agent disposant de permissions étendues peut effectuer une action incorrecte : supprimer un fichier, envoyer un message confidentiel ou modifier une configuration informatique.

Plusieurs risques doivent être particulièrement surveillés.

L'injection de prompt (prompt injection) consiste à introduire des instructions malveillantes dans un document, une page web ou un message que l'agent consulte. Celui-ci pourrait alors confondre des données externes avec des instructions à exécuter.

L'autonomie excessive (excessive agency) apparaît lorsque l'agent possède davantage de permissions que nécessaire. Un assistant chargé de consulter des fichiers ne devrait pas automatiquement pouvoir les supprimer.

La compromission de la mémoire ou des skills constitue un autre risque : une procédure malveillante enregistrée ou installée pourrait influencer les actions futures de l'agent.

Enfin, les accès aux API, aux comptes utilisateurs et aux systèmes d'entreprise exposent les agents aux risques classiques de cybersécurité.

Pour limiter ces dangers, les principes du moindre privilège, de l'isolation des environnements, de la journalisation et de la validation humaine des opérations sensibles restent essentiels.

Vers une nouvelle manière d'utiliser l'informatique

Les agents IA pourraient progressivement modifier notre relation aux logiciels.

Aujourd'hui, nous utilisons directement différentes applications pour accomplir une tâche. Demain, nous pourrions davantage décrire un objectif à un agent, qui se chargerait de coordonner les applications nécessaires.

Cette évolution ne signifie pas la disparition des logiciels existants, mais potentiellement l'émergence d'une nouvelle couche intelligente au-dessus de ceux-ci.

Cependant, le succès de cette approche dépendra autant de la fiabilité des environnements d'exécution et de leur sécurité que des performances des modèles d'intelligence artificielle.

L'enjeu n'est plus seulement de construire une IA capable de répondre correctement, mais un système capable d'agir efficacement, de manière vérifiable et sous contrôle humain.

C'est probablement l'une des évolutions les plus importantes de l'intelligence artificielle actuelle.