Le modèle n'est pas le produit, c'est le harness qui l'est
La véritable arme secrète de l'IA n'est pas le modèle sous-jacent, c'est l'agent harness. Jon Noronha, cofondateur et CPO de Gamma, définit l'agent comme la boucle de raisonnement qui planifie, agit et révise son travail. Le harness est le système environnant : les outils, l'environnement, le contexte et les contrôles destinés à l'utilisateur qui permettent à l'agent de s'exécuter.
Les premiers produits de Gamma reposaient sur une séquence d'appels LLM ponctuels conçus manuellement. Cela signifiait enchaîner manuellement des prompts pour générer un plan ou une seule diapositive. La révolution des agents, explique Noronha, remplace cette approche linéaire et fragile par une boucle de niveau supérieur où le LLM peut :
- Sélectionner des outils
- Inspecter son travail
- Réviser les résultats au cours d'une série d'appels exécutés
Noronha conteste le mépris envers les « GPT wrappers », qui implique que le LLM fait 90 % du travail. Il soutient que le système produit environnant, le harness, effectue la majeure partie du travail pour transformer les capacités brutes du modèle en résultats utiles. Même les entreprises de modèles comme OpenAI et Anthropic investissent massivement dans le développement de harness, soulignant son caractère critique.
Un seul prompt peut déclencher une petite usine d'IA
Un seul prompt peut désormais déclencher une petite usine d'IA. Prenons une requête typique sur Gamma : un utilisateur colle des notes désordonnées ou un PDF, demandant une présentation de 20 diapositives. Dès que ce prompt est envoyé, l'agent harness de Gamma lance un agent sandbox entièrement basé sur le cloud, un environnement dédié dans lequel l'IA peut opérer.
Au sein de ce sandbox, l'agent identifie d'abord les informations manquantes, en posant des questions à l'utilisateur telles que les données démographiques de l'audience (par exemple, « présentation éducative pour l'école ? ») et en appelant des connecteurs externes comme Notion ou Slack pour extraire le contexte pertinent. Cette phase initiale peut à elle seule impliquer trois ou quatre modèles différents, incluant des modèles coûteux et d'autres moins onéreux, et génère une interface utilisateur pour les choix de l'utilisateur.
Ensuite, le système rédige un plan pour la présentation, un processus qui implique plusieurs appels LLM supplémentaires. Il sélectionne ensuite un modèle visuel parmi une bibliothèque de milliers, en tirant parti des vision models et des embeddings de recherche pour trouver la meilleure adéquation, et le personnalise en fonction des préférences de l'utilisateur (par exemple, « je le veux en rouge ou en bleu »). Avant même de générer une seule diapositive, cette coordination de collecte d'informations, de rendu d'interface utilisateur et de sélection de modèles peut impliquer 30 à 40 appels LLM répartis sur quatre ou cinq modèles différents.
Enfin, à mesure que la présentation se construit, le harness inspecte continuellement son travail. Les vision models analysent les diapositives générées pour détecter les problèmes courants tels que les images rognées, un mauvais contraste, un mauvais alignement ou des erreurs d'espacement. Si des problèmes sont détectés, l'agent déclenche des corrections automatiques, garantissant un résultat soigné et de haute qualité avant la livraison. Cette quality loop est cruciale pour livrer un produit prêt pour la production.
Construire là où les agents polyvalents trébuchent
Les harnesses brillent là où les agents polyvalents trébuchent. Le cofondateur de Gamma, Jon Noronha, propose deux signaux clairs indiquant quand un harness personnalisé est essentiel : le travail implique un jugement subjectif et les utilisateurs se soucient profondément des détails du résultat final. Un agent généraliste pourrait rédiger une présentation correcte, mais son résultat répond rarement à l'œil d'un designer en matière de composition spatiale ou de qualité visuelle.
Considérez la communication visuelle. Contrairement au codage, où un agent évalue si le code s'exécute ou si les tests réussissent, un agent créatif doit évaluer la qualité du design. Le harness de Gamma, par exemple, fournit des outils qui permettent à l'agent de comprendre les styles artistiques et les préférences créatives des utilisateurs, de générer des images, de les mettre en page, puis d'inspecter leur adéquation visuelle. Cette boucle de rétroaction est cruciale pour des produits comme Gamma - AI-powered Presentations, Documents & Webpages.
Imaginez un exemple de développement de jeu personnel. Un agent standard pourrait générer une première ébauche de jeu, mais un harness personnalisé pourrait permettre aux non-codeurs de façonner le monde en continu. Grâce à une rétroaction constante, l'agent pourrait affiner de manière itérative les environnements, les designs de personnages et les éléments narratifs, allant au-delà de la génération initiale pour atteindre une construction de monde collaborative et détaillée. Cet affinement itératif est la véritable puissance d'un harness bien conçu.
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
Trouvez un avantage avant que le marché ne vous copie
Les fondateurs doivent désormais rechercher un avantage distinct. Trois voies offrent un avantage potentiel : une vision produit vraiment unique, des données propriétaires qui entraînent des outils spécialisés, ou un modèle économique qui intègre l'IA avec des services physiques et des échanges dans le monde réel. Ces pistes vont au-delà du simple fait d'envelopper un large modèle de langage.
Les secteurs spécialisés ou réglementés, comme le travail juridique ou médical, soulignent le besoin d'un contexte de domaine approfondi, d'intégrations robustes et d'une vérification rigoureuse. Un harness personnalisé dans ces domaines doit non seulement comprendre des protocoles complexes, mais aussi fournir des résultats vérifiables. Ce niveau de rigueur élève le harness au-delà d'une simple fonctionnalité, mais même ici, le harness seul ne garantit pas une barrière infranchissable.
Pour valider une opportunité, demandez-vous : que doit voir, faire, vérifier et demander l'agent à l'utilisateur ? Pourquoi un modèle générique avec une chaîne de prompts fixe ne peut-il pas bien y parvenir ? Le succès de Gamma, par exemple, provient d'un harness qui comprend le design visuel, les préférences des utilisateurs et l'affinement itératif — des tâches bien au-delà d'un simple prompt de texte vers présentation.
La véritable arme secrète n'est pas seulement le modèle, mais l'environnement sophistiqué et conscient du contexte qui lui permet d'effectuer un travail subjectif et détaillé. Cette concentration sur l'agent harness stimule la prochaine vague d'innovation, offrant aux fondateurs un moyen tangible de construire une valeur durable.
Foire aux questions
Qu'est-ce qu'un agent harness ?
Un agent harness est l'ensemble des outils, de l'environnement, des instructions et des boucles de rétroaction qui permettent à un agent IA d'effectuer un travail, d'inspecter les résultats et de les améliorer.
En quoi un agent harness est-il différent d'une chaîne de prompts ?
Une chaîne de prompts suit une séquence fixe d'appels de modèle. Un harness donne à un agent des outils et un état afin qu'il puisse choisir des actions, inspecter les progrès et réviser dynamiquement.
Comment Gamma utilise-t-il un agent harness ?
Gamma coordonne les modèles, le contexte utilisateur, les modèles, la génération d'images, les outils de mise en page et les contrôles de qualité visuelle pour créer et affiner des présentations et d'autres contenus visuels.
Qu'est-ce qui constitue une bonne opportunité pour un agent harness vertical ?
Recherchez un travail qui nécessite des outils spécifiques au domaine, du jugement, une contribution significative de l'utilisateur ou une vérification que les agents polyvalents ne peuvent pas fournir de manière fiable.