Pourquoi « quel LLM utilisez-vous ? » est la mauvaise question ?

Quand une entreprise évalue un outil d'IA, la conversation commence presque toujours par le modèle. « C'est GPT ou Claude ? » « Quelle version ? » « Le nouveau modèle est plus intelligent, donc le produit sera meilleur, non ? » La question est compréhensible — et à peu près aussi utile que de choisir un prestataire d'après la marque de son ordinateur portable.

Prenons le même modèle — disons le modèle phare d'Anthropic — et observons-le dans deux produits différents. Le premier, c'est Cursor, un agent de développement. Mentionnez-le dans Slack avec une tâche : il lance une machine virtuelle, clone votre dépôt, écrit du code, exécute les tests et livre une pull request. Un ingénieur brillant.

Le second, c'est Claude Tag, un « collègue généraliste » dans le même Slack. Il lit l'historique du canal, retient le contexte du projet, se connecte à vos documents et calendriers. Il sait aussi coder — mais il analysera tout aussi volontiers un échange avec un client et vous suggérera comment répondre à une troisième demande de remise.

Le même modèle à l'intérieur. Deux spécialistes complètement différents à l'extérieur. Demandez à l'agent de code une stratégie de communication client : il répondra quelque chose, le modèle est intelligent après tout. Mais ce sera l'avis d'un plombier sur la décoration du salon — quelqu'un de compétent, simplement venu avec d'autres outils et dans un autre rôle.

Le harness, c'est tout ce qui entoure le modèle et le transforme d'un cerveau en bocal en un outil qui travaille.

Changez le harness, et le même modèle devient un autre produit. Laissez le harness faible, et la mise à niveau du modèle ne changera presque rien.

Tout cela vaut non seulement pour les outils que vous achetez, mais aussi pour la façon dont l'IA voit votre entreprise. Quand un client potentiel demande à ChatGPT, Claude ou Perplexity « quel service choisir pour X », le modèle ne répond pas de mémoire. Il travaille dans son propre harness : un outil de recherche trouve des pages, un parseur en extrait le texte, et c'est seulement ensuite que le modèle formule sa réponse. À chaque étape, votre site passe le filtre — ou pas.

Un beau site en JavaScript lourd, dont le contenu se dessine côté client, peut être invisible pour le parseur. Une page sans structure claire — titres, faits, éléments concrets — sera lue mais jamais citée : le modèle n'a rien à en tirer. L'absence de mentions sur des sources externes signifie que l'étape de recherche ne vous trouvera tout simplement pas.

C'est précisément l'objet du GEO (Generative Engine Optimization) : optimiser non pas pour un algorithme de classement, mais pour le harness des systèmes génératifs — pour la manière dont les agents d'IA découvrent, lisent et restituent votre contenu. Le SEO classique demandait : « comment entrer dans le top 10 des liens ? » Le GEO demande : « comment entrer dans la réponse elle-même ? »

Si vous choisissez un outil d'IA — regardez au-delà du modèle et vérifiez si le harness correspond à votre tâche. Un outil avec un modèle « plus modeste » mais les bons instruments et l'accès à vos données battra un modèle phare dans une fenêtre de chat générique.

Si vous construisez de l'IA en interne — commencez non par le choix du modèle, mais par la conception du harness : quel rôle joue l'agent, ce qu'il voit, ce qu'il sait faire, où sont ses limites. Le modèle se branchera ensuite, et pourra être remplacé presque sans douleur.

Et si vous voulez que les systèmes d'IA recommandent votre entreprise — pensez votre site comme une partie du harness de quelqu'un d'autre. Vos pages deviendront le contexte de quelqu'un. La seule question est de savoir si elles y seront adaptées.