Votre équipe dispose déjà d’un copilote dans sa messagerie, et un éditeur vient de vous proposer une plateforme d’agents par-dessus. Quelqu’un au comité de direction pose la question de bon sens : si tout le monde peut licencier les mêmes modèles et les mêmes assistants, d’où viendra l’avantage ? La réponse la plus répétée en 2026 est « le harness », c’est-à-dire tout ce qui se trouve entre le modèle et le résultat métier. C’est une bonne réponse, mais à la moitié de la question seulement.
Un harness sur mesure ne rapporte que là où il détient des actifs qu’un concurrent ne peut pas licencier, et la plupart de ses composants génériques se vendent déjà comme des produits. Cet article sépare les deux, montre ce que les preuves permettent d’affirmer et vous donne un test à appliquer avant de choisir votre camp.
Si vous voulez d’abord le vocabulaire, agent IA, assistant IA et copilote explique les niveaux d’autonomie derrière chaque étiquette.
Si vos workflows passent par vos propres systèmes et règles, notre service de développement IA sur mesure est l’endroit où nous construisons cette couche.
Ce qu’est un harness, et ce qu’un copilote apporte déjà
Un harness est le système qui entoure le modèle. Il détermine le contexte que le modèle reçoit, les outils qu’il peut appeler, ce dont il se souvient d’une session à l’autre, les contrôles appliqués à sa sortie, la manière dont il est testé et dont les étapes sont orchestrées. Le modèle apporte le raisonnement. Le harness décide de ce avec quoi ce raisonnement doit travailler et de ce qui peut passer.
Un copilote SaaS en possède un aussi, conçu par l’éditeur pour le client moyen. Il amène dans votre messagerie et vos documents un pipeline de contexte, un jeu d’outils figé, des garde-fous propres à l’éditeur et un processus d’évaluation géré par lui. Pour le travail générique (rédiger, résumer, chercher dans ses propres fichiers), cela suffit souvent, et l’activation est rapide.
Le vrai choix consiste à savoir qui exploite la couche qui fait tourner votre travail, qui en contrôle les éléments et lesquels vous pouvez emporter avec vous.
Ce que valent les modifications de la couche autour du modèle
La meilleure preuve publiée provient de l’article de LangChain de février 2026. À modèle constant, l’équipe n’a modifié que le harness : une boucle de construction et de vérification dans le prompt système, une étape de vérification avant que l’agent puisse conclure, une détection des boucles et une planification de l’effort de raisonnement. Son agent de programmation est passé de 52,8% à 66,5% sur Terminal-Bench 2.0. C’est un bond considérable, sans changement de modèle. L’anatomie d’un agent harness passe en revue les six composantes une à une.
Le même article comporte trois réserves :
- Il s’agit d’un seul benchmark, exécuté par une entreprise qui vend des outils pour agents, et l’article ne distingue pas la contribution de chaque modification.
- Les auteurs préviennent que des changements réglés pour une tâche peuvent provoquer des régressions sur d’autres.
- Ils écrivent que les garde-fous deviendront probablement inutiles à mesure que les modèles s’améliorent.
Le résultat montre que la couche autour du modèle compte. Il ne montre pas qu’une couche sur mesure l’emporte sur une bonne couche générique. Nous n’avons trouvé aucune étude indépendante comparant une solution sur mesure et un copilote générique sur les mêmes tâches, au même coût et dans le même délai. Cette lacune est le véritable cœur honnête du débat.
Les recommandations d’Anthropic vont dans le même sens, sous un autre angle. Son article Building effective agents recommande de chercher « the simplest solution possible » et de n’ajouter de la complexité que lorsque c’est nécessaire. Il met aussi en garde : les frameworks peuvent masquer les prompts sous-jacents, et il faut comprendre le code que l’on adopte. Pour une PME, cela plaide pour un harness léger que l’on comprend, plutôt qu’un harness volumineux dont on est simplement propriétaire.
Pourquoi la vente de la plomberie affaiblit la thèse du harness comme avantage protégé
Regardez ce que proposent aujourd’hui les éditeurs de modèles. L’Agent SDK d’Anthropic met à la disposition des développeurs la boucle d’agent, les outils et la gestion du contexte qui alimentent son propre produit de programmation. Sa bêta Managed Agents va plus loin et exécute pour vous la boucle, l’exécution des outils et le runtime. OpenAI a mis à jour son Agents SDK en avril 2026 dans une direction proche, comme l’a relayé Help Net Security. Des standards communs se forment aussi : la Linux Foundation a créé en décembre 2025 l’Agentic AI Foundation autour de MCP, goose et AGENTS.md.
Lorsque la boucle, le protocole d’outils et le runtime sont packagés et standardisés, les construire soi-même procure du coût et du contrôle, mais aucune avance : un concurrent pourra licencier les mêmes briques le trimestre prochain. Le traitement des données reste par ailleurs un sujet. La documentation d’Anthropic indique elle-même que Managed Agents n’est actuellement pas éligible à la zero data retention et que les transcriptions persistent jusqu’à ce que vous les supprimiez. C’est une contrainte à vérifier avant de faire transiter des données clients par un harness managé, quel qu’il soit.
Où se situe un avantage défendable
Deux commentateurs s’accordent sur l’importance de cette couche, mais insistent sur des risques différents. Johnson Lee la présente comme un fait d’ingénierie (elle compte) opposé à un jugement commercial (résiste-t-elle à la substitution ?). Il s’attend à ce que les mécanismes de vérification se banalisent et situe la partie durable dans le processus de vérité de référence propre à l’entreprise : résultats en production, jugement d’experts, contraintes métier et boucle de retour qui transforme les échecs en tests de régression.
Kai Waehner soutient que le verrouillage a remonté d’un niveau, dans la couche du harness, et conseille de choisir le modèle pour ses capacités et le harness pour ce qu’il vous permet de conserver. Waehner travaille pour un éditeur d’orchestration de workflows, et aucun des deux textes ne fournit de données de résultats : il faut les lire comme des argumentaires éclairés et non comme des mesures.
Lus ensemble, ils suggèrent une liste pratique d’actifs qu’il vaut la peine de posséder :
- Votre définition d’un résultat correct, écrite assez précisément pour qu’un inconnu puisse s’y référer pour noter.
- Un jeu de test construit à partir de tickets, de commandes ou de dossiers réels de votre activité. Pour construire un tel jeu de tests à partir de vos propres tickets de support, voir évaluations d’IA à partir de tickets réels.
- Les corrections de vos collaborateurs, conservées sous forme de règles réutilisables plutôt que d’historique de chat.
- Une piste d’audit de ce que l’agent a vu, fait et décidé.
- Des définitions d’agents et des prompts dans un format qui fonctionne chez plus d’un fournisseur.
Les quatre premiers vous sont propres par construction. Le cinquième est ce qui les garde exploitables si vous changez de fournisseur. Nous traitons cette exposition dans verrouillage fournisseur des plateformes d’agents IA.
Cette liste est notre synthèse des deux argumentaires. C’est une hypothèse sur l’emplacement de l’avantage, que personne n’a mesurée.
Ce que coûte un copilote, et ce qu’on peut y ajouter
Une comparaison équitable commence par une image équitable du copilote. La page suisse des tarifs de Microsoft Copilot, consultée en novembre 2026, affiche le module complémentaire Microsoft 365 Copilot Business à CHF 17.00 par utilisateur et par mois, avec un prix promotionnel de CHF 14.57 en facturation annuelle, hors TVA dans les deux cas. Le prix promotionnel couvre la première année pour les commandes passées jusqu’au 31 décembre 2026 et jusqu’à 300 utilisateurs. Le module exige un plan Microsoft 365 Business éligible. À titre indicatif, 20 utilisateurs reviennent à environ CHF 3,500 pendant l’année promotionnelle et à environ CHF 4,100 par an au tarif catalogue de CHF 17.00, avant la licence de base.
Croire qu’un copilote générique n’accepte pas d’outils personnalisés est une erreur. La documentation de Microsoft recense les agents déclaratifs, les actions API personnalisées, Copilot Studio et le Microsoft 365 Agents SDK, et Copilot Studio dispose d’une fonction d’évaluation des agents avec des jeux de test que vous pouvez relancer pour détecter des régressions. L’écart tient au contrôle. Les agents natifs de Copilot s’exécutent sur l’orchestrateur de Microsoft, et les options de développement plus avancées sacrifient un peu de confort pour obtenir davantage de latitude sur l’orchestration, l’intégration des modèles et le déploiement.
Deux points méritent vérification avant de signer un contrat en Suisse. Microsoft a annoncé en novembre 2025 que le traitement en pays des interactions Copilot pour la Suisse était prévu d’ici fin 2026. C’est un objectif et non un état atteint : vérifiez donc la situation actuelle. Et si vous construisez votre jeu d’évaluation dans l’outil d’un fournisseur, demandez si vous pouvez exporter les cas, les évaluateurs et l’historique. Notre modèle de TCO entre sur mesure et plateforme montre comment les courbes de coûts se croisent à mesure que le volume augmente.
Un test de décision à appliquer avant de vous engager
Posez ces questions dans l’ordre et arrêtez-vous à la première qui tranche.
- Le travail est-il générique ? Rédiger, résumer et chercher dans ses propres fichiers le sont généralement. Achetez un copilote et consacrez l’effort à former vos collaborateurs à son usage.
- Le travail dépend-il de vos propres systèmes, règles ou exigences de qualité ? Si un assistant générique se trompe d’une manière que vos collaborateurs doivent corriger chaque jour, vous tenez un candidat pour une solution sur mesure.
- Savez-vous écrire le seuil de réussite ? Si vous ne pouvez pas définir un résultat correct et noter dix cas réels à cette aune, une solution sur mesure n’aura rien à optimiser.
- Pouvez-vous emporter vos actifs ? Demandez à tout fournisseur, nous compris, si les cas de test, les règles de correction, les journaux et les définitions d’agents s’exportent dans un format documenté.
- Le volume le justifie-t-il ? Selon une règle empirique tirée de notre propre travail sur le TCO, une plateforme l’emporte en général en dessous de quelques centaines de tâches par mois, et une solution sur mesure tend à rattraper son retard au-dessus de quelques milliers.
La plupart des entreprises aboutiront à un mélange. Un copilote couvre le travail générique, et une petite couche sur mesure couvre celui qui leur est propre. Ce mélange est aussi une couverture raisonnable : si la couche se banalise, la couche sur mesure se réduit à des prompts et à des adaptateurs d’outils, et les actifs de la liste ci-dessus demeurent.
Le débat reste ouvert
Le camp du « construire » met en avant les gains obtenus en ne changeant que la couche autour du modèle et le déplacement du verrouillage vers le haut. Le camp de « l’achat » met en avant les garde-fous que les modèles absorbent et les éditeurs qui packagent la boucle. Le chiffre de MIT NANDA, très cité et relayé par Fortune, selon lequel les outils achetés réussissent environ deux fois sur trois alors que les développements internes réussissent trois fois moins souvent, est lui-même contesté : les tailles d’échantillon rapportées par la presse divergent et la définition du succès est floue.
Abordez donc toute affirmation catégorique, la nôtre comprise, avec prudence. La conclusion défendable aujourd’hui est étroite. Possédez ce qui est propre à votre entreprise et gardez-le portable. Louez ce que tout le monde peut louer. Revoyez la répartition chaque fois qu’une mise à jour de modèle rend inutile un élément de votre échafaudage.
Questions fréquentes
Qu'est-ce qu'un harness IA sur mesure ?
Un harness IA sur mesure est le système que vous construisez autour d'un modèle de langage : le contexte qu'il reçoit, les outils qu'il peut appeler, sa mémoire, les garde-fous et contrôles appliqués à sa sortie, le jeu d'évaluation qui le note et l'orchestration qui enchaîne les étapes. Le modèle apporte le raisonnement. Le harness décide de ce qu'il voit, de ce qu'il peut faire et de la manière dont son travail est vérifié.
Un harness IA sur mesure est-il un véritable avantage concurrentiel ?
En partie, et les preuves restent minces. Une modification du seul harness a fait passer l'agent de programmation d'un éditeur de 52,8% à 66,5% sur un benchmark, mais ce même éditeur s'attend à ce que certains de ses garde-fous deviennent inutiles à mesure que les modèles progressent. Les actifs les plus durables sont votre vérité de référence, vos cas de test, vos données de correction et votre piste d'audit, car un concurrent ne peut pas les acheter.
Peut-on personnaliser Microsoft 365 Copilot avec nos propres outils ?
Oui. Microsoft documente les agents déclaratifs, les actions API personnalisées, Copilot Studio et le Microsoft 365 Agents SDK pour étendre Copilot. Le compromis porte sur le contrôle. Les agents natifs de Copilot s'exécutent sur l'orchestrateur de Microsoft, tandis que les agents personnalisés vous laissent plus de latitude sur l'orchestration, le choix du modèle et le déploiement, au prix d'un effort de construction et d'exploitation plus important de votre côté.
Combien coûte Microsoft 365 Copilot pour une PME suisse ?
En novembre 2026, la page suisse de Microsoft affiche Copilot Business à CHF 17.00 par utilisateur et par mois au tarif catalogue, et à CHF 14.57 la première année pour les commandes jusqu'au 31 décembre 2026 (facturation annuelle, hors TVA, jusqu'à 300 utilisateurs). Il suppose un plan Business éligible en dessous, de sorte que 20 utilisateurs coûtent environ CHF 3,500 pendant l'année promotionnelle et CHF 4,100 au tarif catalogue, avant la licence de base.
Quand faut-il acheter un copilote plutôt que construire un harness ?
Achetez lorsque le travail est générique, que le volume est modeste et que vous ne pouvez pas citer de standard de qualité propre à votre entreprise. Construisez, en tout ou en partie, lorsque vos workflows dépendent de vos propres systèmes, règles et exigences de qualité, et lorsque vous pouvez conserver vos cas d'évaluation et vos données de correction dans un format transférable chez un autre fournisseur.