Présentation de l’acquisition
Le 8 octobre 2026, Harness Inc. a annoncé l’achat d’une partie des actifs d’Augment Code Computing Inc. et l’intégration de son équipe. L’opération porte principalement sur Cosmos, la plateforme cloud d’IA de développement de code d’Augment Code, ainsi que sur les produits en ligne de commande Auggie, le Code Context Engine et les technologies associées. L’objectif déclaré est de combler le fossé entre la phase d’idéation et la mise en production, en créant une chaîne d’agents IA qui se succèdent sans intervention manuelle.
Architecture de Cosmos et des agents IA
Cosmos fonctionne comme un « Software Factory » où les développeurs soumettent des requêtes en langage naturel. Un orchestrateur interne décompose la demande en sous‑tâches et alloue des agents spécialisés : un agent de génération de code, un agent de refactorisation, et un agent de documentation. Chaque agent accède à un Code Context Engine qui partage le même graphe de dépendances et les métadonnées du projet, garantissant que les modifications restent cohérentes. Cette approche context‑aware repose sur des modèles de langage entraînés sur des bases de code publiques et privées, ce qui permet de produire du code fonctionnel à partir de simples descriptions textuelles.
Intégration dans le pipeline DevOps de Harness
Une fois le code généré, les agents de livraison déjà présents chez Harness prennent le relais. Ils automatisent la compilation, les tests unitaires, les analyses de vulnérabilité et le déploiement sur des environnements cloud, conteneurisés ou on‑premises. Le flux complet passe ainsi de « idée » à « déploiement » en une suite d’étapes orchestrées, chaque étape étant monitorée par les agents de runtime protection et de cost management. Cette continuité de contexte évite le besoin de copier‑coller des artefacts entre des tableaux de bord distincts, ce qui réduit les frictions opérationnelles.
Analyse des limites et des risques
Le modèle repose fortement sur la qualité des prompts en langage naturel ; des instructions ambiguës peuvent générer du code non conforme aux exigences de performance ou de sécurité. De plus, le partage de contexte entre les agents implique la persistance d’informations sensibles (identifiants, secrets) dans le graphe de dépendances, ce qui crée une surface d’attaque potentielle si les contrôles d’accès ne sont pas stricts. Enfin, l’absence de métriques publiques sur la précision des agents de génération rend difficile l’évaluation de leur impact réel sur les taux de défauts en production. Harness devra donc mettre en place des audits de conformité et des mécanismes de validation automatisée pour atténuer ces risques.
