Design Anything garde le brief en tête sur les gros projets : +25% sur 24 artefacts

Un agent capable de dessiner un bon logo n'est pas encore un designer. Un vrai projet compte des dizaines d'artefacts liés entre eux : logo, palette, packaging, réseaux sociaux, présentation. Chacun s'appuie sur les décisions des précédents.

C'est précisément là que les agents décrochent : au vingtième fichier, le brief est oublié et les couleurs ne correspondent plus. L'équipe derrière Design Anything propose un harnais qui règle ce problème par l'architecture. À LLM fixe, il respecte 85,0% des contraintes factuelles du brief avec DeepSeek V4.

1 Flash High et 92,5% avec GPT-5.6 Sol High. Les meilleures approches de référence sur les mêmes modèles accusent un retard de 15,4% et 14,4%.

Sur les tâches les plus longues, l'écart atteint 25,1% et 23,0%.

La mémoire du brief vit dans un graphe, pas dans le contexte

L'idée est simple : l'intention ne doit pas rester dans la fenêtre de contexte du modèle. La fenêtre déborde, les détails se diluent, les décisions précoces sont chassées par les plus récentes. Design Anything sort donc l'intention du modèle et la stocke dans un intent-execution graph. Ce graphe relie chaque résultat à l'étape du processus qui l'a engendré.

Le mécanisme repose sur trois éléments :

• un task contract conserve les contraintes et les décisions prises dans le projet ;
• les variantes de design retenues deviennent des entrées explicites pour les générations suivantes ;
• un contrôleur déterministe s'appuie sur les liens et les journaux d'exécution pour vérifier les types et le nombre de fichiers produits, repérer les éléments inachevés et orienter le prochain tour de l'agent.

Le mot clé ici est « déterministe ». Le contrôleur ne demande pas au modèle d'évaluer honnêtement si tout est fait. Il compte à partir des enregistrements. Si le brief commande six artefacts d'un type donné et que le graphe en contient cinq, le manquant est nommé et mis en production. Le maillon le plus fragile du contrôle d'exhaustivité disparaît : l'auto-évaluation du LLM.

228 tâches et des projets jusqu'à 24 artefacts

Pour valider l'approche, les auteurs ont construit DesignAnything-Bench. Il regroupe 228 tâches réparties sur 19 domaines de design, soit 38 familles de projets. Chaque famille existe en trois tailles : 6, 14 et 24 artefacts. Cette grille permet d'observer comment la qualité se dégrade à mesure que le projet grossit, au lieu de se contenter de comparer des modèles sur des images isolées.

Le résultat est parlant. Plus le projet est long, plus le gain du harnais est élevé : sur 24 artefacts, l'avance sur la meilleure approche de référence atteint 25,1% pour DeepSeek V4.1 Flash High et 23,0% pour GPT-5.6 Sol High. Les approches de référence se dégradent quand le nombre de fichiers augmente, tandis que le graphe tient le niveau. De plus, avec chacun des deux modèles, Design Anything est en tête ou à égalité pour le respect des contraintes dans 18 domaines sur 19. Le gain ne repose donc pas sur quelques catégories favorables.

La mesure est honnête sur un point important : le LLM est figé. L'amélioration ne vient pas d'un changement de modèle, mais uniquement du harnais qui l'entoure. L'écart entre le modèle Flash et GPT-5.6 Sol subsiste (85,0% contre 92,5%) : un bon modèle de base reste donc important, mais un modèle plus faible doté d'un bon harnais réduit nettement la distance.

Les humains ont aussi été consultés. Lors d'une évaluation en aveugle, des designers professionnels ont plus souvent choisi les ensembles complets de Design Anything que les résultats des approches de référence sur les mêmes modèles. Les métriques automatiques sur les contraintes factuelles sont ainsi confirmées par le jugement de professionnels.

Ce qu'il faut retenir pour vos pipelines d'agents

La principale leçon pratique dépasse le design. Tout processus agentique long dont le résultat se compose de nombreuses parties cohérentes gagne à disposer d'un état externe. C'est le cas de la génération de campagnes marketing, de documentation, d'interfaces, de cours de formation ou de suites de tests. Trois techniques de ce travail se transposent presque telles quelles :

• consigner les contraintes et les décisions prises dans un contrat explicite, et non dans l'historique de chat ;
• transmettre les artefacts validés aux étapes suivantes sous forme d'entrées structurées ;
• vérifier l'exhaustivité par du code, en confrontant les types et le nombre de résultats au plan, plutôt qu'en posant la question au modèle.

Pour les équipes produit, c'est aussi un argument dans la discussion budgétaire. Si le harnais porte un modèle Flash compact à 85% de respect des contraintes, une partie des tâches peut éviter le modèle le plus coûteux. Pour les studios et les agences, la conclusion est différente : la valeur se déplace de la belle génération isolée vers le pilotage du projet dans son ensemble. L'avantage revient à ceux qui savent garantir que les 24 fichiers du brief sont tous réalisés et cohérents entre eux.