Harness

„Agent = Model + Harness“ ist die Gleichung im Zentrum eines Google-Whitepapers von Addy Osmani, Shubham Saboo und Sokratis Kartakis aus dem Mai 2026, wobei das Modell für rund 10 Prozent zählt und der Harness für die übrigen 90. Ihr Beleg ist ein Terminal Bench 2.0 Ergebnis, bei dem allein der Wechsel des Harness einen Agenten von außerhalb der Top 30 in die Top 5 brachte. „Most agent failures are configuration failures.“

Der Begriff benennt das, was das Modell umgibt: Anweisungen, Tools und MCP-Konnektoren, Sandboxes, Speicher, Orchestrierung, Hooks, Observability. Bill Chen und Brian Fioca vom Applied AI Team von OpenAI hatten einen Agenten bereits im November 2025 in Benutzeroberfläche, Modell und Harness aufgeteilt und den größten Teil ihres Vortrags darauf verwendet, warum der dritte Teil schwierig ist: modellspezifische Eigenheiten, Context Compaction, Latenz, Sandboxing. OpenAIs Antwort war, Codex als Agent plus Harness zu verkaufen statt als Modell.

DeepSeek veröffentlichte seinen eigenen Harness am 13. August 2026 als Open Source unter MIT, am selben Tag, an dem DeepSeek-V4-Pro die GA-Phase erreichte, und drei Tage vor einer neuen API-Preistabelle. Jede Fähigkeit in DeepSeek Harness ist ein über Konfiguration austauschbares Plugin, und alles, was das Modell sieht, landet in einem append-only Session-Log.

Sumeet Gayathri Moghe hält einen Nebeneffekt fest: Coding-Harnesses des vergangenen Jahres haben interaktive Webanwendungen in die Reichweite von Nicht-Entwicklern gebracht. Einen Monat später liest Fred Cavazza die Trennung von Modell und Harness als die Wettbewerbsachse selbst und merkt an, dass auch Googles Gemini agent Drittanbietermodelle einbindet, darunter Claude. Sein Vorbehalt bleibt bestehen: Die Zuverlässigkeit und Profitabilität von Googles „collaborateurs synthétiques“ im großen Maßstab müssen sich noch erweisen.