Das Modell war nie der Engpass

Das Wort, auf das sich die Branche geeinigt hat, lautet Harness, Geschirr. Und die Etymologie ist kein Zufall. Es ist Pferdegeschirr: die Zügel, der Sattel, die Trense. Die Ausrüstung, die ein kraftvolles, unberechenbares Tier in eine nützliche Richtung lenkt. OpenAI hat den Begriff bewusst gewählt. Das Tier ist stark. Das Geschirr macht aus Stärke Arbeit. Alle starren auf das Pferd. Die Unternehmen, die sich durchsetzen, bauen das Geschirr.

Dies ist eine Feldsynthese, keine Primärforschung. Wir haben die Originalquellen gelesen, die Muster durch unseren eigenen Betrieb laufen lassen und den roten Faden herausgearbeitet, denn die Disziplin, die darüber entscheidet, ob ein KI-Agent überhaupt etwas Zuverlässiges bauen kann, ist dieselbe, die darüber entscheidet, ob die Maschine deine Marke überhaupt sieht. Beides sind Probleme der Lesbarkeit. Beides gewinnen dieselben Leute.

Abschnitt EinsKapazität war nie der Engpass

Im Februar 2026 veröffentlichte OpenAI den Bericht über ein fünfmonatiges internes Experiment. Ein kleines Team baute und veröffentlichte ein echtes Produkt, mit internen Tagesnutzern und externen Alpha-Testern, unter einer Regel: null von Hand geschriebene Codezeilen. Jede Zeile, von der Anwendungslogik über CI-Konfiguration bis zur Dokumentation, stammte von Codex-Agenten.

OpenAI, R. Lopopolo, „Harness engineering: leveraging Codex in an agent-first world", 11. Februar 2026.

Die Zahlen sind der Beleg. Rund eine Million Codezeilen. Etwa 1.500 Pull Requests. Drei Ingenieure, die die Agenten steuerten, später sieben. Im Schnitt 3,5 gemergte Pull Requests pro Ingenieur und Tag, gebaut in geschätzt einem Zehntel der Zeit, die Handarbeit gekostet hätte. Die Schlagzeile, die die meisten mitnahmen, lautete „KI schreibt eine Million Codezeilen". Die Schlagzeile, die zählt, hat OpenAI selbst fett gesetzt: Menschen steuern, Agenten führen aus.

Der erste Commit landete Ende August 2025 in einem leeren Repository. Fünf Monate später liefen einzelne Codex-Durchläufe routinemäßig sechs Stunden an einer einzigen Aufgabe, oft über Nacht, während die Ingenieure schliefen. Nichts davon kam aus einem clevereren Prompt. Es kam aus dem Gerüst, das um das Modell herum gebaut wurde.

Nicht das Modell brachte das Team auf eine Million Zeilen. Das Geschirr tat es.

Bleib bei dieser Umkehrung. Spitzenmodelle lösen heute den Großteil der gängigen Coding-Benchmarks. Und dieselben Modelle stolpern, stocken und erklären sich für fertig bei Arbeit, die nicht läuft, sobald man sie in ein leeres Repository mit einer vagen Anweisung setzt. Benchmark-Kompetenz und Verlässlichkeit im Einsatz sind verschiedene Größen. Die Lücke dazwischen besteht nicht aus Modellgewichten. Sie besteht aus Umgebung.

Abschnitt ZweiWas ein Harness wirklich ist

Nimmt man die Romantik heraus, ist ein Harness fünf Subsysteme. Anweisungen (was zu tun ist, was „fertig" bedeutet). Werkzeuge (was der Agent anfassen darf). Umgebung (ein Setup, das sich selbst beschreibt und ausführt). Zustand (Gedächtnis, das einen Neustart überlebt). Feedback (ausführbarer Beweis, dass die Arbeit echt ist). Was nicht Modellgewicht ist, ist Harness. Das Praxiscurriculum, das dies systematisiert (eine quelloffene Reihe von Vorlesungen und Bauprojekten) führt jedes Agentenversagen auf einen Defekt in einer dieser fünf Schichten zurück, nicht auf das Modell.

walkinglabs, „Learn Harness Engineering", 2026 (MIT-Lizenz; Vorlesungs- und Projektcurriculum).

Die erste harte Lektion betrifft Anweisungen, und OpenAI formuliert sie klar: „give Codex a map, not a 1,000-page manual.": gib Codex eine Landkarte, kein tausendseitiges Handbuch. Das Team probierte den Ansatz „eine große Anweisungsdatei" und sah ihn auf vorhersehbare Weise scheitern: Die Datei verdrängt die eigentliche Aufgabe; wenn alles als wichtig markiert ist, ist nichts mehr wichtig; und das Dokument verrottet zum Friedhof veralteter Regeln, denen der Agent nicht mehr trauen kann. Ihr Ersatz: eine rund hundertzeilige Einstiegsdatei, die als Inhaltsverzeichnis dient und in eine strukturierte Wissensbasis verweist. Progressive Offenlegung. Klein beginnen, lernen, wo als Nächstes nachzusehen ist.

Liu, N. F. et al., „Lost in the Middle: How Language Models Use Long Contexts", TACL, 2024 (arXiv:2307.03172).

Die zweite Lektion ist die, auf der unser eigenes Unternehmen ruht. OpenAI: „Aus Sicht des Agenten existiert alles, worauf er im Kontext nicht zugreifen kann, schlicht nicht." Der Slack-Thread, der das Team ausrichtete, die Entscheidung im Kopf einer Person, das Dokument in der Schublade. Für den Agenten ist nichts davon real. Nur was ins Repository geschrieben ist, existiert. Sie machten das Repository-Wissen zur maßgeblichen Quelle und ließen einen wiederkehrenden Agenten es auf Veralterung pflegen.

Was die Maschine nicht sieht, existiert nicht. Das sagen wir über Marken. Für die Agenten in deinem Unternehmen gilt es genauso.

Abschnitt DreiDie zwei Fehler, die einen langen Lauf töten

Anthropic veröffentlichte den ergänzenden Befund im November 2025, aus der entgegengesetzten Richtung: nicht eine jahrelange Codebasis, sondern das Problem einer einzelnen App, die über viele Sitzungen hinweg gebaut wird. Ihre Rahmung ist präzise. Ein langlaufender Agent ist „ein Softwareprojekt, das von Ingenieuren in Schichten besetzt ist, bei dem jeder neue Ingenieur ohne Erinnerung an die vorige Schicht erscheint".

Anthropic, J. Young, „Effective harnesses for long-running agents", 26. November 2025.

Selbst ein Spitzenmodell, in einer Schleife über Kontextfenster hinweg auf „baue einen Klon von claude.ai" angesetzt, scheitert auf zwei spezifische Weisen. Erstens versucht es, die App in einem Zug zu erledigen. Es läuft mitten im Bau aus dem Kontext und hinterlässt der nächsten Sitzung ein halbfertiges, undokumentiertes Chaos. Zweitens sieht sich eine spätere Sitzung um, erkennt, dass Fortschritt gemacht wurde, und erklärt die gesamte Aufgabe für erledigt. Übergriff und vorzeitiger Triumph. Dieselben zwei Fehler tauchen in jedem ehrlichen Bericht über autonome Agenten auf.

Anthropics Folgearbeit führte den zweiten Fehler auf seine Wurzel zurück. Gebeten, ihre eigene Ausgabe zu bewerten, „loben Agenten die Arbeit selbstbewusst, selbst wenn die Qualität für einen menschlichen Beobachter offensichtlich mittelmäßig ist". Der Hebel, der wirkte, war strukturell: den Agenten, der die Arbeit macht, von dem Agenten zu trennen, der sie beurteilt. Ein Generator baut; ein skeptischer Evaluator, darauf getrimmt, Maschinenausgabe zu misstrauen, klickt sich durch die laufende App und meldet konkrete Bugs. Dasselbe Modell, zwei Rollen. Der Unterschied war die Kluft zwischen einer Demo und etwas, das läuft.

Anthropic, P. Rajasekaran, „Harness design for long-running application development", 24. März 2026.

Die Lösung ist kein klügerer Prompt. Es ist Struktur, um die der Agent nicht herumkommt. Eine Initializer-Phase schreibt das Gerüst einmal: ein init.sh, um die App zu starten, eine Fortschrittsdatei als Schichtprotokoll, einen ersten Git-Commit und eine Feature-Liste. Im claude.ai-Klon über 200 Features, jedes als „failing" markiert, bis das Gegenteil bewiesen ist. Die Liste ist JSON, nicht Prosa, gerade weil das Modell eine JSON-Datei seltener stillschweigend umschreibt als eine Markdown-Datei. Der Coding-Agent darf den Status eines Features nur von „failing" auf „passing" umstellen, und nur nachdem er es wie ein Mensch Ende-zu-Ende getestet hat. Ein Feature nach dem anderen. Jede Sitzung endet in einem sauberen, mergefähigen Zustand.

Abschnitt VierICM: die Struktur interpretierbar machen

OpenAI und Anthropic beweisen, dass das Harness funktioniert. Ein Paper von 2026 stellt die schärfere Frage: Lässt sich das Harness einfach und einsehbar genug machen, dass auch ein Nicht-Entwickler es betreiben kann? Die Interpretable Context Methodology, Ordnerstruktur als Agentenarchitektur, ersetzt Framework-Code durch ein Dateisystem. Nummerierte Ordner sind die Abfolge der Stufen. Schlichte Markdown-Dateien tragen die Anweisungen für jede Stufe. Die Koordinationslogik lebt in den Ordnern, nicht im Anwendungscode.

Van Clief, J. & McDermott, D., „Interpretable Context Methodology: Folder Structure as Agentic Architecture", arXiv:2603.16021, 2026.

ICM begrenzt den Kontext in fünf Schichten und lädt nur, was eine Stufe braucht. Das hält jeden Schritt im Bereich von 2.000–8.000 Token hält, wo Modelle am schärfsten sind, gegen einen monolithischen Prompt, der alles auf einmal lädt und über 30.000–50.000 Token aufbläht, mitten in die „lost in the middle"-Gefahrenzone. Derselbe Befund wie OpenAIs „Landkarte statt Handbuch", nur aus den ersten Prinzipien hergeleitet. Und weil jede Zwischenausgabe eine schlichte Datei ist, die ein Mensch öffnen und bearbeiten kann, ist die Pipeline von vornherein interpretierbar: Es gibt nichts zu erklären, weil nichts verborgen wurde.

Die zwei Schulen unterscheiden sich an genau einer Achse, und sie verdient einen Namen. OpenAI und Anthropic optimieren für die Autonomie des Agenten: den Menschen aus der Schleife drängen, Urteil durch ausführbare Verifikation ersetzen. ICM optimiert für die Kontrolle des Menschen: ein Review-Gate an jeder Stufe, ein Mensch, der das Artefakt bearbeitet, bevor der nächste Schritt läuft. Über 33 Praktiker hinweg beobachteten ICMs Autoren eine U-förmige Interventionskurve: Menschen redigieren stark am Anfang (Richtung setzen) und am Ende (Stimmigkeit prüfen) und vertrauen der eingehegten Mitte. Zwei Antworten auf eine Frage: wem traust du zu, die Arbeit zu verifizieren? Ein arbeitendes Studio braucht beide.

Harness Engineering macht den Agenten zuverlässig. ICM macht die Struktur lesbar. Das eine ist die Maschinerie; das andere die Landkarte der Maschinerie.

Abschnitt FünfDie Belege: wie das unter uns läuft

Wir sind ein Branding-Unternehmen für das KI-Zeitalter, und unsere Doktrin lautet: Wir betreiben die Methode, die wir verkaufen, öffentlich, mit Belegen. Die Agenten, die in diesem Studio entwerfen, recherchieren und ausliefern, leben oder sterben mit genau der obigen Disziplin. Wir geben ihnen eine Landkarte, kein Handbuch. Wir halten das Wissen im Repository, denn was der Agent nicht sieht, existiert nicht. Wir grenzen die Arbeit ein, verlangen ausführbaren Beweis und hinterlassen am Ende jeder Sitzung einen sauberen Zustand. Wenn ein Agent scheitert, haben wir gelernt, OpenAIs Frage zu stellen, welche Fähigkeit fehlt, statt nach einem größeren Modell zu greifen.

Deshalb haben wir das Artefakt unten gebaut. Und deshalb sind wir präzise dabei, was es ist.

Der ehrliche Stand unserer eigenen maschinellen Lesbarkeit ist derselbe wie beim letzten Test: ein zehn Monate altes Studio, das seinen Earned-Media-Fußabdruck noch aufbaut. Dieser Text ist Teil davon, diese Lücke zu schließen: ein strukturiertes, primärquellenbasiertes Dokument, das das Web aufnehmen und zitieren kann. Wir behaupten keine Meisterschaft, die wir nicht zeigen können. Wir behaupten eine Methode. Und wir zeigen unsere Arbeit.

Abschnitt SechsWas damit zu tun ist

Wenn du irgendeinen Teil deines Geschäfts mit KI-Agenten betreibst (und in drei Jahren wirst du das), ist der Zug nicht, ein besseres Modell zu kaufen. Es ist, das Geschirr um das Modell herum zu bauen, das Sie schon haben. Die kleinste tragfähige Version sind vier Dateien in einem beliebigen Repository:

Eine Landkarte, kein Handbuch. Eine kurze Einstiegsdatei, die dorthin verweist, wo das eigentliche Wissen liegt. Sobald sie über eine Seite hinauswächst, teil sie auf.

Ein Init-Skript. Ein Befehl, der einen Kaltstart zu einer laufenden, getesteten Basis bringt. Wenn das Aufsetzen einer frischen Sitzung länger als ein paar Minuten dauert, ist das Harness das, was zu reparieren ist.

Eine Feature-Liste als Definition of Done. Maschinenlesbar, ein Punkt nach dem anderen, nur bei ausführbarem Beweis als erledigt markiert, nie auf das Gefühl des Agenten hin, es sehe fertig aus.

Eine Clean-State-Regel. Jede Sitzung endet mergefähig: Tests grün, Fortschritt protokolliert, nichts Halbfertiges auf der Straße. Entropie ist der Normalzustand; nur aktives Aufräumen wirkt ihr entgegen.

OpenAIs Team lernte den Preis, das zu überspringen. Bevor sie die Regeln kodierten und das Aufräumen einem Hintergrund-Agenten übergaben, verbrachten sie jeden Freitag, ein volles Fünftel der Woche, damit, den „AI slop" ihrer Agenten von Hand zu beseitigen. Disziplin, die nicht automatisiert ist, ist Disziplin, die nicht skaliert.

OpenAI, „Harness engineering", 2026, zu Entropie und kontinuierlichem Aufräumen.

Nichts davon ist exotisch. Es ist die operative Hygiene eines guten Engineering-Teams, verbindlich gemacht und für eine Maschine lesbar. Das ist die ganze Disziplin.

Zum SchlussLesbarkeit gewinnt zweimal

Der rote Faden durch alles, was wir veröffentlichen, ist eine einzige Behauptung: Im Zeitalter der Maschine entscheidet über Ihr Ergebnis, ob die Maschine sehen kann, was sie sehen muss. Wir haben dieses Argument über Marken gemacht. Das Modell empfiehlt, was das Web über dich lesbar gemacht hat, und eine unsichtbare Marke ist in der Antwort schlicht nicht vorhanden. Die Harness-Literatur macht dasselbe Argument eine Schicht tiefer, über die Agenten, die jetzt die Arbeit tun: Ein Agent baut nur dann zuverlässig, wenn seine Welt für ihn lesbar gemacht wurde.

Dasselbe Prinzip, zwei Arenen. Die Unternehmen, die das nächste Jahrzehnt gewinnen, sind nicht die mit dem stärksten Modell oder der lautesten Marke. Es sind die, die die unspektakuläre Disziplin betrieben haben, sich selbst, und ihre Maschinen, lesbar zu machen. Das Pferd war immer kraftvoll. Das Geschirr ist der Unterschied zwischen Kraft und Richtung.