La performance des agents IA ne dépend plus seulement de la puissance des modèles, mais aussi de la manière dont les entreprises organisent leur fonctionnement, supervisent leurs actions et mesurent leurs résultats. Trois disciplines émergent pour répondre à ces enjeux : le harness engineering, le loop engineering et le goal engineering. Brahim Abdesslam, Executive VP Data & AI chez Keyrus, décrypte ces nouvelles approches et leur rôle dans l’industrialisation de l’IA agentique.
La course à l’intelligence artificielle continue de se jouer, en apparence, sur la puissance des modèles. Chaque nouvelle génération promet davantage d’autonomie, de raisonnement et de capacités d’exécution. Pourtant, à mesure que les entreprises expérimentent les agents IA, une évidence s’impose : disposer du modèle le plus performant ne garantit pas de produire davantage de valeur. L’enjeu se déplace désormais vers la manière dont cette intelligence est organisée, contrôlée et évaluée.
Ce changement est déjà visible dans les pratiques des ingénieurs. Après le prompt engineering et le context engineering, trois disciplines émergent : le harness engineering, le loop engineering et le goal engineering. Derrière ce nouveau vocabulaire se dessinent les prochaines étapes de l’industrialisation de l’IA agentique.
Du modèle à son environnement : le harness engineering
Un agent IA peut mobiliser des outils, consulter des données et exécuter des tâches complexes. Mais sans environnement correctement structuré, même un modèle avancé peut produire des résultats décevants.
C’est tout l’enjeu du harness engineering, qui consiste à concevoir l’architecture entourant le modèle : accès aux outils et aux données, mémoire, permissions, contrôles et traçabilité. Pour l’entreprise, cette approche remet au centre la qualité de son patrimoine informationnel, sa connaissance des processus métiers et sa gouvernance des données.
Avec l’intégration progressive de ces mécanismes dans les plateformes des éditeurs, les composants génériques des systèmes d’agents tendront à se standardiser. En revanche, aucune solution ne pourra fournir clé en main la connaissance métier et les spécificités organisationnelles qui font la valeur d’une entreprise.
Du processus automatisé au travail orchestré : le loop engineering
Le deuxième chantier concerne l’organisation du travail. Le loop engineering vise à structurer les cycles d’exécution des agents : quelles tâches accomplir, quelles vérifications effectuer, quand solliciter une intervention humaine et à quel moment interrompre une action.
Cette logique dépasse la simple automatisation. Elle suppose de repenser la répartition des responsabilités entre les collaborateurs et les agents IA. L’humain ne disparaît pas de la boucle : son rôle évolue vers la supervision, l’arbitrage et le contrôle.
L’industrialisation de l’IA agentique devient ainsi autant un enjeu organisationnel que technologique, qui doit associer les directions métiers aux équipes informatiques.
Cette logique ouvre également la voie à l’amélioration récursive des agents : des systèmes capables de proposer eux-mêmes des évolutions de leurs instructions, de leurs outils ou de leur environnement de travail, à partir des résultats observés. Une perspective prometteuse, à condition de ne pas confondre capacité d’amélioration et autonomie sans contrôle. Toute modification doit pouvoir être évaluée de manière indépendante et rester soumise à une validation humaine avant son déploiement.
De la démonstration technique à la valeur mesurable : le goal engineering
Reste une question essentielle : comment vérifier qu’un agent a réellement atteint son objectif ? C’est précisément le rôle du goal engineering, qui consiste à définir des objectifs vérifiables et à confier l’évaluation de leur atteinte à un dispositif distinct de celui qui les exécute. La capacité d’un agent à exécuter des tâches ne suffit pas à démontrer sa rentabilité. Son coût, les ressources consommées et les interventions humaines doivent être confrontés aux gains réellement obtenus.
Les entreprises doivent donc dépasser les indicateurs d’activité pour mesurer la contribution effective des agents à leur performance opérationnelle et économique.
La différence concurrentielle se joue dans l’orchestration
Alors que les modèles progressent et deviennent plus accessibles, la technologie seule ne suffira plus à différencier les entreprises. Deux organisations utilisant les mêmes modèles pourront obtenir des résultats radicalement différents selon leur maîtrise des données, leur organisation du travail et leur capacité à évaluer la performance.
Les avancées de l’IA continueront de repousser les frontières techniques, mais la valeur réelle se construira dans les architectures, les processus et les mécanismes de contrôle propres à chaque entreprise.
