Ik bouw al maanden aan iets waar het vakgebied nu pas een woord voor heeft. Voor elke klant zet ik geen kaal AI-model neer, maar een complete werkomgeving eromheen: geheugen, gereedschap, grenzen en een loop die doorwerkt tot de taak af is. Op mijn eigen webshop draait dezelfde opzet. Ik noemde het een agentspace. De rest van de wereld noemt het inmiddels de harness.
Zodra je begrijpt wat een harness is, snap je ook waarom twee AI-producten met exact hetzelfde model hemelsbreed kunnen verschillen. Het ene voelt als magie, het andere als een veredelde chatbot. Dat verschil zit zelden in het model. Het zit in de harness.
Waarom een kaal model niet volstaat
Een taalmodel doet in de kern één ding: je geeft het een opdracht, het geeft één antwoord terug, en daarna stopt het. Geen herinnering aan de vorige stap, geen initiatief voor de volgende. Dat is niet wat je ervaart in tools als Claude Code of Cursor. Die lezen je bestanden, voeren code uit, corrigeren hun eigen fouten en werken door tot de taak echt klaar is.
Dat gedrag komt niet uit het model, maar uit de loop eromheen: bekijk de situatie, kies de volgende stap, voer die uit, controleer het resultaat, herhaal. Die cyclus heet de agent-loop, en dat is wat een los antwoord verandert in een afgeronde klus. De sterkste harnesses laten het model bovendien zijn eigen werk nakijken. Volgens Boris Cherny, de bouwer van Claude Code, is zo'n ingebouwde controlestap de grootste hefboom voor kwaliteit: die kan de eindkwaliteit twee tot drie keer verhogen. Ook dat is een eigenschap van de harness, niet van het model.
Wat een harness precies is
Het model levert de intelligentie. De harness is alle software eromheen die het model aan het werk zet: het gereedschap, het geheugen, de grenzen en de loop die de stappen aan elkaar rijgt. Een agent is die twee samen: een model met een harness eromheen. Dat is het werkende geheel dat je in de praktijk gebruikt.
Het veelgebruikte framework LangChain vat het scherp samen: de harness is alles wat niet het model zelf is, en juist in dat “al het andere” zit vrijwel alle engineering.
Wat er in een harness zit
Rond de loop liggen grofweg zeven onderdelen die samen bepalen hoe goed het geheel presteert:
- Gereedschap. Zonder gereedschap kan een model alleen tekst produceren. Mét gereedschap leest het bestanden, voert het code uit, doorzoekt het het web of past het een document aan.
- Geheugen. Een model vergeet alles tussen sessies. De harness geeft het een plek om weg te schrijven en terug te lezen, zodat het onthoudt en verdergaat waar het gebleven was.
- Context. Het contextvenster is wat het model per stap ziet. Raakt dat te vol, dan verliest het model de draad, een fenomeen dat context rot heet. De harness houdt het venster schoon en vult het met precies wat nodig is.
- Sandbox. Een afgeschermde omgeving waarin de agent mag experimenteren en fouten mag maken, zonder je echte systemen te raken.
- Grenzen. De permissielaag die vastlegt wat vanzelf mag, wat eerst jouw akkoord vereist en wat categorisch verboden is.
- Orkestratie. Bij complexe taken verdeelt één hoofdagent het werk over specialisten. Een les uit de praktijk: begin hier niet te vroeg mee. Vaak presteert één goed ingerichte agent beter dan een heel team.
- Kanalen. Dezelfde harness benader je vanaf je laptop, telefoon, browser of chat.
Prompten, context en harness zijn niet hetzelfde
Drie termen worden vaak verward. Prompt engineering is het schrijven van heldere instructies: precies zeggen wat je wilt. Context engineering is het beheren van wat het model ziet, zodat dat venster gericht en schoon blijft. Harness engineering is het bouwen van het volledige systeem eromheen: het gereedschap, het geheugen, de grenzen en de loop. Het zijn geneste lagen, en harness engineering is de buitenste.
De term komt van Mitchell Hashimoto, medeoprichter van HashiCorp. Hij vat het treffend samen: elke keer dat een agent een fout maakt, bouw je een oplossing zodat hij die fout nooit meer maakt. Wat van dat werk overblijft, is de harness.
Wat dit betekent voor je bedrijf
Claude Code is een harness die iemand anders bouwde, voor programmeren. Daarin is hij uitstekend. Maar hij kent jouw marges niet, jouw klanten niet en jouw regels niet. Zodra AI echt jouw werk moet doen, loopt een generieke harness tegen zijn grenzen aan.
Zelf een harness bouwen kan, maar het wordt een product op zich, met eigen onderhoud. De vraag is dus niet of het kan, maar of het verstandig is. Voor de meeste bedrijven ligt het antwoord in het midden: een bestaande harness verrijken met je eigen kennis en werkwijzen, of een open-source raamwerk als vertrekpunt nemen. Het is dezelfde redenering als in je voorsprong zit niet in de agents: het model is de inwisselbare motor, wat jij eromheen legt is het bezit dat blijft groeien.
| Toen | Nu |
|---|---|
| Je koos een AI-model en hoopte op goede antwoorden | Je bouwt de laag eromheen die het model jouw werk laat doen |
| Betere output kwam van een beter model | Betere output komt van een betere harness |
| AI was een los ding naast je software | AI wordt de motor in je software |
Wil je zelf beginnen, kies dan één taak die je vaak herhaalt en bouw daar de eerste laag harness omheen: leg vast wat de agent moet weten, geef hem het juiste gereedschap, en laat hem het resultaat aan jou voorleggen in plaats van het zelf door te voeren.
Je hoeft morgen geen eigen harness te bouwen. Maar het is het deel van je stack dat het verschil maakt, en dat je op termijn zelf wilt bezitten. Het model huurt straks iedereen. De harness eromheen is van jou.