Agentic AI Wars — la guerre des harnesses

Thèse centrale

Ce livre blanc n’est pas un catalogue de vingt frameworks. C’est un manifeste sur la maturité de l’ingénierie des agents :

« La performance d’un agent dépend autant de l’architecture de son environnement d’exécution (harness) que du modèle LLM sous-jacent. »

Les preuves le confirment : sur ARC-AGI-3, un GPT-5.6-sol brut atteint 13,3 % de réussite ; placé dans le harness NOOA avec une compétence de modélisation du monde, il grimpe à 85,1 % — un facteur 6,4× attribuable à l’ingénierie, pas au modèle ^[1].

Partie I — La crise de croissance

La première génération d’agents (prompts, chaînes textuelles, outils JSON, multi-agents bavards) s’effondre sous deux contraintes : le coût des tokens et le manque de fiabilité opérationnelle.

Sur SWE-bench Verified (GPT-5.5 xhigh), le harness PI consomme ~2,2M tokens et 66 appels LLM pour 78,2 % de réussite. NOOA atteint 82,2 % avec ~1,1M tokens et 28 appels — soit environ la moitié des tokens et −55 % d’appels API à performance supérieure ^[1].

La cause profonde : le pass-by-value textuel. Copier-coller dumps JSON, fichiers et traces dans la fenêtre de contexte sature la mémoire utile, force des compactions destructrices, et facture chaque octet deux fois (entrée + sortie). Les architectures « tout est texte » ne scalent pas en production.

Partie II — La frontière de l’ingénierie

La nouvelle génération ne gagne pas en empilant plus d’agents. Elle gagne en traitant l’agent comme un objet logiciel : code natif comme action, état explicite, références vivantes, boucle programmable.

Le marché se divise entre l’approche multi-agents collaborative (CrewAI, DreamTeam…) — qui multiplie les coûts de communication — et la simplification mono-agent + compétences programmables (NOOA, smolagents) — qui centralise la logique dans une boucle unifiée. Sur ARC-AGI-3, DreamTeam exigeait 6 agents et des protocoles lourds ; NOOA condense la logique dans un seul agent et une compétence d’environ 50 lignes, sous 20 $ par jeu ^{[1, 2]}.

Quatre combats philosophiques

1. Interface — DSL graphique vs code natif

D’un côté : graphes rigides et couches d’abstraction (LangGraph, Microsoft Agent Framework, Google ADK). De l’autre : Code-as-Action (NOOA, smolagents Hugging Face) — l’agent écrit du Python. L’argument fort : les LLM excellent en code, alignés sur leurs données d’entraînement. Moins d’indirection, plus de puissance expressive.

2. Contexte — Pass-by-Value vs Pass-by-Reference

Passer des variables Python vivantes (par référence) avec aperçus typés bornés dans le prompt. Résultat NOOA : contexte moyen entre 22k et 72k tokens, zéro compaction destructive — alors que les fenêtres 200k–400k sont souvent gaspillées par du sérialisé brut ^[1].

3. Mémoire — fichiers plats vs apprentissage dynamique

CLAUDE.md / AGENTS.md restent utiles comme cadrage humain. Mais l’ablation ARC-AGI-3 (GPT-5.5) est claire : World-Model + mémoire SQLite persistante → 50,2 % ; World-Model + Markdown seul → 38,4 % (+11,8 pts pour la mémoire relationnelle que l’agent édite) ^[1]. Sur 25 jeux : 3 262 mémoires écrites, 12 654 rappels spontanés, 27 115 lectures délibérées (99 % de succès). Le rappel délibéré corrèle positivement au succès (Spearman r = +0,52).

4. Industrialisation — sandboxes et efficience

Exécuter du code agentique sans bac à sable (Docker, gVisor, NVIDIA OpenShell / Landlock) est une dette de sécurité. Sur CyberGym L1 (réseau bloqué), NOOA atteint 86,8 % — premier agent open-source du benchmark — après audit red-team (18 passes, 13 335 logs) sans fuite constatée ^[1]. L’efficacité financière n’est pas un bonus : c’est un critère d’architecture.

Grille — six dimensions d’architecture

Pour comparer des paradigmes (pas des fiches marketing), six dimensions ^[1] :

Preuves empiriques — rapport de force

SWE-bench Verified — ingénierie logicielle réelle

500 problèmes GitHub. GPT-5.5 xhigh :

Avec Claude Opus 4.6 (effort high) : NOOA 79,8 % vs OpenCode 75,2 % vs PI 75,8 % ^[1].

Terminal-Bench 2.0 — système & CLI

89 tâches. GPT-5.5 high : NOOA 73,0 % (+12,3 pts vs OpenCode). Différenciateur : terminaison validée via TaskResult + preuve — OpenCode s’arrête dès qu’il n’y a plus d’outil (77 % des échecs en < 10 étapes) ^[1].

CyberGym L1 — vulnérabilités autonomes

NOOA (GPT-5.5, réseau bloqué) : 86,8 %. Codex brut même setup : 64,9 % — soit +21,9 pts grâce à la structure du harness ^[1].

ARC-AGI-3 — raisonnement adaptatif

Modèle brut 13,3 % → harness NOOA 85,1 % (×6,4). Mémoire SQLite vs Markdown : +11,8 pts. Pareto coût : mono-agent + skill courte sous 20 $/jeu vs multi-agent lourd ^{[1, 2]}.

Partie III — L’horizon industriel

Ce qu’exigent les entreprises pour déployer :

• Gouvernance — cadre versionné (spec, arch, sécu, eval, tests) avant le diff ; pas de vibe coding en prod.
• Sécurité des sandboxes — isolation noyau (Landlock / OpenShell, gVisor, Docker), réseau contrôlé, audit des traces.
• Réduction des coûts opérationnels — pass-by-reference, boucle courte, terminaison validée : la perf sans doubler la facture tokens.
• Mémoire capitalisable — au-delà des fichiers d’instructions humains, des stores relationnels que l’agent entretient.

Chez JST6, cette lecture rejoint iASSET : le harness et le cadre repo sont le produit — le LLM est un adaptateur interchangeable ^[3].

Conclusion

Les Agentic AI Wars ne se gagneront pas au leaderboard LLM seul. Elles se gagneront sur l’architecture d’exécution : Code-as-Action, Pass-by-Reference, Object State, Loop Engineering, Typed I/O, Harness APIs — sous sandboxes et gates.

Règle d’or pour lire le marché : ne comparez pas les fonctionnalités ; comparez les paradigmes. Puis mesurez sur des benches réels (SWE, Terminal, Cyber, ARC) le couple réussite × tokens × appels. C’est là que la maturité se voit.