Ce qu’est chacun de ces éléments
Modèle d’IA
Un modèle d’IA est le composant mathématique appris. Il reçoit une entrée et produit une sortie, comme une prédiction, du texte généré ou un appel d’outil demandé. Le modèle ne fournit pas à lui seul une interface de chat, ne conserve pas l’état de l’application et n’exécute pas d’action externe. Ces responsabilités relèvent du système qui l’entoure.
Chatbot d’IA
Un chatbot d’IA est une application dont l’interface principale est conversationnelle. Elle accepte des messages et renvoie des réponses conversationnelles. Son backend peut reposer sur un seul appel de modèle, un workflow fixe, un agent ou un mélange de ces éléments. Le terme « chatbot » indique comment un utilisateur interagit avec le produit, et non le degré d’autonomie de son backend.
Harness d’IA
Un harness d’IA est le logiciel et la configuration qui rendent un modèle utilisable au sein d’une application. Il peut construire des prompts, charger le contexte pertinent, exposer des outils, exécuter des demandes d’outils, conserver l’état, diffuser la sortie en flux continu, appliquer des permissions et déterminer quand une exécution doit s’arrêter.
Le terme est encore en cours de définition. Certains développeurs utilisent « harness » spécifiquement pour désigner la boucle modèle-outil. D’autres y incluent presque toute l’infrastructure applicative environnante. Dans les deux cas, le harness est extérieur au modèle appris.
Agent d’IA
Un agent d’IA est un système qui poursuit un objectif en laissant un modèle choisir des actions, observer les résultats et décider de la suite. Le harness exécute et contraint ce processus. Un agent utilise souvent des outils et peut travailler en plusieurs étapes sans demander à l’utilisateur de le diriger à chaque fois.
Il n’existe pas de seuil universel d’autonomie. Un test pratique utile porte sur le flux de contrôle : si le modèle peut adapter l’étape suivante en fonction d’un résultat intermédiaire, le système est agentique. Si le code fixe à l’avance le chemin complet, il est préférable de le décrire comme un workflow, même si celui-ci effectue plusieurs appels de modèle.
La distinction réelle
Chaque terme répond à une question différente :
- Modèle : Quel composant appris transforme une entrée en sortie ?
- Chatbot : Où une personne converse-t-elle avec le système ?
- Harness : Quel logiciel fournit le contexte, exécute les opérations et applique les contrôles autour du modèle ?
- Agent : Quel système choisit une séquence d’actions pour atteindre un objectif ?
| Term | Kind of thing | Main responsibility | Can it affect an external system by itself? |
|---|---|---|---|
| Model | Learned component | Produce an output from an input | No. It can request or describe an action, but software must execute it. |
| Chatbot | Application and interface | Conduct a conversation | It depends on its backend. A simple chatbot only responds; an agentic chatbot can act. |
| Harness | Software control and execution layer | Prepare model calls, run allowed tools, manage state, and enforce rules | It performs configured operations, but does not supply the model’s judgment or goal by itself. |
| Agent | Goal-directed system | Select and perform steps based on observations | Yes, within the tools, permissions, and approval rules its harness provides. |
Les catégories peuvent s’emboîter. Un chatbot peut utiliser un harness pour appeler un modèle. Si le modèle peut piloter une boucle d’outils vers un objectif, ce même produit contient également un agent. Un agent peut aussi s’exécuter à partir d’une requête API, d’une planification ou d’un événement, sans chatbot.
Une requête, quatre rôles
Supposons que vous saisissiez : « Déplacez ma livraison à vendredi et confirmez la modification. »
Le chatbot reçoit le message et affiche la réponse. Le modèle interprète la demande et peut décider qu’il doit rechercher une commande. Le harness construit l’entrée du modèle, propose un outil de recherche de commande, valide l’appel demandé, l’exécute et renvoie le résultat.
Si le vendredi n’est pas disponible, un agent peut s’adapter. Il peut examiner d’autres dates, vous demander d’en choisir une, attendre votre réponse, mettre à jour la livraison après approbation, puis vérifier la nouvelle date. Le modèle choisit ces étapes suivantes à partir des observations. Le harness appelle réellement le système de livraison et applique les règles de permission.
Un chatbot non agentique pourrait tout de même traiter la demande. Il pourrait suivre un formulaire d’échange codé en dur ou simplement expliquer comment modifier vous-même la date. La conversation, à elle seule, ne détermine pas le caractère agentique.
Quand chaque distinction est importante
Quand le modèle est important
Concentrez-vous sur le modèle lorsque vous comparez la qualité et la forme des sorties générées : les entrées qu’il accepte, la fiabilité avec laquelle il suit les instructions ou son comportement lors de vos évaluations. Changer de modèle peut améliorer ou modifier les décisions sans changer l’interface du produit ni sa conception de l’exécution.
Quand le chatbot est important
Concentrez-vous sur le chatbot lorsque le problème concerne l’utilisabilité conversationnelle. L’historique des messages, l’alternance des tours de parole, les demandes de clarification, le ton, l’accessibilité et le transfert à une personne relèvent du chatbot. Même un backend performant peut produire un mauvais chatbot si l’interaction est déroutante.
Quand le harness est important
Concentrez-vous sur le harness lorsque le problème concerne la fiabilité, le contexte, les outils, l’état, la sécurité ou l’observabilité. Un modèle ne peut pas faire respecter ses propres permissions simplement parce qu’on lui a demandé de le faire. Le harness doit restreindre les opérations disponibles, valider les appels, exiger des approbations, consigner les résultats et interrompre toute exécution dangereuse ou incontrôlable.
Un même modèle peut se comporter très différemment avec deux harnesses, parce qu’il reçoit des contextes différents, dispose d’outils différents et obtient des retours différents après avoir agi.
Quand l’agent est important
Concentrez-vous sur l’agent lorsque la tâche exige de choisir et de réviser un parcours plutôt que de produire une seule réponse. Le caractère agentique est utile pour les tâches ouvertes dont les résultats intermédiaires déterminent l’étape suivante. Il introduit également davantage de possibilités d’échec : une action initiale erronée peut modifier la suite des événements ; les limites imposées aux outils, la vérification et l’approbation humaine sont donc importantes.
Ce que l’on confond souvent
Un chatbot n’est pas identique à son modèle
Le chatbot est l’interface du produit et son comportement applicatif. Le modèle est l’un des composants qui se trouvent derrière lui. Un chatbot peut répartir les requêtes entre plusieurs modèles, et un même modèle peut alimenter de nombreux produits sans lien entre eux.
Une fenêtre de chat ne prouve pas la présence d’un agent
Une réponse unique d’un modèle peut apparaître dans une bulle de chat. À l’inverse, un agent peut s’exécuter en arrière-plan sans aucune conversation. Le chat décrit l’interface ; le caractère agentique décrit la manière dont le système poursuit une tâche.
L’accès aux outils ne suffit pas à trancher la question de l’agent
Un programme fixe peut toujours appeler le même outil après chaque requête. Il s’agit d’automatisation, mais le modèle ne dirige pas le processus. Le signal le plus probant est de savoir si la sortie du modèle détermine l’action suivante et si les observations peuvent modifier le plan.
Le harness n’est pas l’intelligence intégrée au modèle
Le harness peut contenir une logique substantielle, mais il ne devient pas pour autant une partie du modèle entraîné. Il décide de ce que le modèle peut voir et faire, exécute les requêtes et applique des contrôles déterministes. Garder cette frontière visible facilite le diagnostic des échecs : une mauvaise décision peut être un problème de modèle, tandis qu’un mauvais résultat d’outil ou l’absence de vérification d’approbation relève d’un problème système.
« Chatbot agentique » n’est pas contradictoire
Un produit peut être les deux à la fois. C’est un chatbot parce que la conversation constitue son interface. Il est agentique lorsque son backend peut choisir et exécuter plusieurs étapes pour atteindre l’objectif de l’utilisateur.
Comment les éléments s’articulent
Une architecture courante ressemble à ceci :
user → chatbot surface → harness → model
↕
tools and dataLorsque le modèle utilise les résultats des outils pour sélectionner d’autres actions en vue d’atteindre un objectif, le modèle, le harness et les outils disponibles forment ensemble un agent. Le chatbot reste une interface facultative par-dessus cet ensemble.
Consultez les pages consacrées aux composants pour un traitement complet des modèles d’IA, chatbots d’IA, harnesses d’IA et des agents d’IA. Poursuivez avec Qu’est-ce que l’utilisation d’outils dans les LLM ? pour comprendre la frontière entre un modèle qui propose une action et le harness qui l’exécute.