Votre produit d'IA vocale est déjà un harnais d'agent
Sur SWE-bench, échanger le harnais autour d'un LLM fait progresser le score de 22 points. Échanger le modèle ne le fait progresser que de 1.
Cet écart est la chose que la communauté de l'ingénierie IA a passé la première moitié de 2026 à essayer de nommer. Le nom qui a pris est le harnais d'agent, et le cadrage est maintenant partout : Twitter technique, blogs d'ingénierie, conférences. La découverte est soit évidente, soit embarrassante, selon votre point de vue. Après une année de convergence des modèles de pointe, le modèle que vous choisissez n'est presque jamais ce qui détermine si votre produit fonctionne en production. Ce qui le détermine, c'est tout ce qui l'entoure.
Les chiffres derrière cette découverte ne sont pas subtils. Des travaux cités par Stanford montrent le même modèle passant de 46% à 80% de précision sous différents harnais. LangChain n'a redessiné que le harnais sur Terminal Bench 2.0 et a fait passer son score de 52,8% à 66,5% avec le même modèle sous-jacent. Vercel a supprimé 80% des outils d'un agent, a vu le succès passer de 80% à 100%, et la latence chuter de 724 secondes à 141. Le cerveau de l'agent n'a pas changé dans aucune de ces expériences. C'est la chose autour du cerveau qui a changé.
Si vous développez de l'IA en production depuis un certain temps, rien de tout cela ne devrait vous surprendre. L'industrie a enfin un nom pour ce que la plupart d'entre nous faisons depuis des années : construire le harnais d'agent.
Ce qu'est réellement un harnais d'agent
La définition la plus claire que j'ai vue est celle sur laquelle plusieurs auteurs ont convergé. Un agent est le modèle plus le harnais. Le modèle vous donne l'intelligence. Le harnais donne à l'agent tout le reste : l'exécution des outils, la mémoire au-delà de la fenêtre de contexte, la persistance de l'état entre les tours, les limites d'autorisation, la récupération d'erreurs, l'observabilité, les évaluations qui détectent les régressions, le routage entre les fournisseurs, l'orchestration déterministe qui décide de ce que le modèle est même autorisé à considérer à chaque étape.
La raison pour laquelle ce cadrage a pris de l'ampleur en 2026 est que les meilleurs modèles généralistes ont convergé en termes de capacités. Le choix entre les cinq ou six principaux modèles est rarement ce qui détermine si votre produit fonctionne. Ce qui le détermine, c'est ce que vous construisez autour d'eux.
Il y a un corollaire d'Addy Osmani auquel je reviens sans cesse : chaque erreur d'agent devrait devenir une correction permanente dans le harnais. Le harnais ne fait que se resserrer. Il ne se desserre jamais. Un bon harnais d'agent devient, au fil du temps, un enregistrement superposé de chaque mode d'échec que vous avez rencontré en production et de la barrière de sécurité spécifique qui empêche qu'il ne se reproduise. Les modèles s'achètent. Les harnais s'accumulent.
La contradiction que personne ne nomme
Le discours sur le harnais d'agent a été presque entièrement centré sur les agents de codage (Claude Code, Cursor, Codex, Aider) et les assistants généralistes. Les benchmarks cités sont SWE-bench, Terminal Bench, GAIA. Les diagrammes d'architecture montrent des outils de système de fichiers, l'accès au terminal, la recherche de code, les hooks IDE.
Pendant ce temps, chaque entreprise sérieuse d'IA vocale construit un harnais depuis des années, sous un autre nom, souvent sans le bénéfice d'un vocabulaire partagé par la communauté pour décrire ce qu'elle faisait.
Pensez à ce qu'un produit d'IA vocale en production comme Elba contient réellement :
- Un pipeline temps réel de synthèse vocale (speech-to-text) et de text-to-speech, avec redondance des fournisseurs car aucun fournisseur TTS ou ASR unique n'a de disponibilité, de latence et de couverture linguistique acceptables en même temps.
- Une couche d'orchestration indépendante du modèle, car la vraie réponse à "quel LLM devrions-nous utiliser" s'avère être "différents pour différents tours" une fois que l'on prend en compte le coût, la latence, la langue et le profil réglementaire du client.
- Un état de conversation persistant, car un appel de 90 secondes n'a rien à voir avec la fenêtre de contexte du LLM. L'état s'étend sur les tours, les modalités, les changements de canal (voix vers WhatsApp vers SMS vers email), et les sessions lorsque l'appelant raccroche et rappelle le lendemain.
- Une couche de flux de travail déterministe qui décide de ce que le modèle est autorisé à faire à chaque étape. Non pas parce que le modèle ne pourrait pas générer librement la prochaine action, mais parce que dans les industries réglementées, vous ne pouvez pas déployer un système qui laisse le modèle inventer librement la prochaine action dans un flux de travail clinique ou d'assurance.
- Des intégrations profondes dans les systèmes clients : CRM, backends d'assurance, logiciels de dispatch. Le modèle ne communique jamais avec ceux-ci. Le harnais le fait.
- Une observabilité et une journalisation d'audit qu'un auditeur clinique ou opérationnel peut lire par lui-même, sans qu'un ingénieur ne le traduise.
- Des évaluations spécifiques au flux de travail de chaque client, exécutées à chaque version, et qui bloquent les déploiements.
Lisez cette liste comme une description d'Elba et elle ressemble à un cahier des charges produit. Lisez-la comme une description d'un harnais d'agent et elle ressemble au blog d'Addy Osmani. Ce sont le même artefact, décrit sous deux vocabulaires différents.
C'est la contradiction. Le harnais d'agent est positionné en 2026 comme une nouvelle catégorie de travail d'ingénierie. Pour l'IA vocale dans les industries réglementées, cela a été tout le travail depuis le premier jour.
Pourquoi ce recadrage est plus important qu'il n'y paraît
Si vous êtes un ingénieur dans une entreprise d'IA vocale, le recadrage est important pour deux raisons.
La première est interne. Beaucoup de travail difficile à valoriser dans une réunion de planification de sprint commence à paraître très différent une fois que vous acceptez que vous êtes une entreprise de harnais d'agent qui utilise la voix comme surface. Remplacer un fournisseur TTS, écrire la logique de repli lorsque l'appel d'un outil expire, ajouter une nouvelle forme d'état au magasin de conversation, construire les évaluations pour le flux de travail spécifique d'un nouveau client : ce travail est le produit. C'est là que réside la fiabilité.
Les données le confirment directement. Le chiffre de Stanford, où le même modèle obtient 6 fois plus de performances sous un harnais différent, est la limite supérieure. Dans notre propre environnement de production, chaque gain de fiabilité au cours des douze derniers mois est venu du harnais. Les changements de modèle que nous avons effectués (entre fournisseurs et familles de modèles) ont modifié l'économie unitaire. Ils n'ont pas modifié nos chiffres de fiabilité. Les chiffres de fiabilité évoluent lorsque le harnais se resserre.
La seconde raison pour laquelle cela est important est externe. Les clients des industries réglementées (hôpitaux, assurances, services d'urgence, banques, gouvernements) deviennent plus sophistiqués quant à ce qu'ils achètent réellement. Il y a un an, la question était "quel modèle utilisez-vous". Maintenant, c'est "comment gérez-vous une défaillance d'outil en milieu d'appel", "quel est votre chemin de repli lorsque le fournisseur TTS principal se dégrade", "comment garantissez-vous qu'un flux de travail spécifique est suivi lorsque le modèle veut dévier". Ce sont des questions de harnais. Les entreprises qui peuvent y répondre en détail, avec des journaux, gagnent ces contrats.
Il y a aussi un angle sur les petits modèles qu'il est bon d'aborder honnêtement. Certains écrits plus triomphalistes sur les harnais d'agents en 2026 ont suggéré qu'un excellent harnais peut faire fonctionner n'importe quel modèle. C'est une exagération. Un mauvais modèle échoue toujours, avec ou sans harnais. La version la plus précise de l'affirmation est qu'un excellent harnais vous permet de faire des compromis rationnels que vous ne pourriez pas faire autrement. Vous pouvez router un tour spécifique vers un modèle plus petit, moins cher et plus rapide car le harnais a suffisamment réduit la surface d'attaque pour que le modèle plus petit puisse réussir ce tour. Vous pouvez exécuter une interaction en langue réglementée sur un modèle souverain européen sans subir de perte de qualité, car le harnais a déjà contraint le problème. Vous pouvez réduire votre facture d'inférence de moitié sans que vos utilisateurs finaux ne s'en rendent compte. Rien de tout cela n'est possible avec un modèle seul.
Ce que nous avons appris en construisant le harnais d'Elba
Quatre points se sont avérés constants au cours de deux années d'itérations sur ce sujet.
La couche de flux de travail déterministe est non négociable dans la voix réglementée. La première version de chaque flux de travail que nous déployons est toujours plus axée sur le modèle et moins déterministe. La deuxième version, toujours, est plus déterministe. La production vous apprend rapidement que "laisser le modèle décider" convient à un prototype interne et devient une responsabilité dès qu'un clinicien ou un agent d'assurance est à l'autre bout. Le modèle fait toujours beaucoup de travail à l'intérieur de chaque étape. Il ne choisit simplement pas les étapes.
L'orchestration indépendante du modèle est une stratégie de survie, pas une ligne marketing. Nous avons dû changer de fournisseurs LLM principaux plusieurs fois au cours des dix-huit derniers mois pour des raisons qui n'avaient rien à voir avec la capacité : changements de prix, disponibilité régionale, évolution des conditions d'entreprise des fournisseurs, évolution des positions GDPR. Si le harnais vous lie à une famille de modèles, vous transmettez directement la prochaine crise tarifaire à vos clients. Nous avons choisi de ne pas être dans ce business.
Le harnais reçoit le crédit pour les succès et le blâme pour les échecs. Quand un appel se passe bien, c'est parce que le harnais a tout maintenu. Quand un appel échoue, c'est presque toujours parce que le harnais n'a pas réussi à intercepter un état produit par le modèle. Le principe d'Osmani s'applique aussi à notre échelle : chaque échec devient une correction permanente dans le harnais. Nous en accumulons lentement un.
Pourquoi nous avons arrêté d'appeler Elba un produit d'IA vocale en interne
Si vous construisez un système d'IA en production qui communique avec les clients, exécute des flux de travail, s'intègre à des systèmes externes ou a un SLA de fiabilité, vous êtes une entreprise de harnais d'agent. Le modèle est la plus petite partie de ce que vous déployez. Les intégrations, l'orchestration, l'état, les replis, les évaluations et les pistes d'audit constituent le produit.
Le discours de 2026 sur les harnais d'agents est utile car il donne à l'industrie un nom commun pour un travail que les équipes d'IA vocale (et de nombreuses autres équipes de production) font depuis longtemps sous différentes étiquettes. Une fois que vous avez le nom, les choix architecturaux deviennent plus clairs. La feuille de route devient plus claire. Le profil de recrutement devient plus clair.
Pour notre part, nous avons arrêté de décrire Elba comme un produit d'IA vocale en interne. C'est un harnais d'agent qui utilise la voix comme l'une de ses surfaces. Ce recadrage n'a rien changé au code, mais presque tout à la façon dont nous planifions les 12 prochains mois de travail.
Arpit Nigam
