Im ersten Teil der Serie habe ich das Unbehagen erzählt, das mich dazu gebracht hat, Tech bei Prolog neu aufzubauen. Am Ende habe ich versprochen, jeden Teil aufzumachen. Ich fange mit dem an, den zu verstehen ich am längsten gebraucht habe: dem Harness.
Ein Hinweis vorweg, es gibt hier keine Zauberformel. Es ist, was ich gelesen habe, was ich andere Firmen tun sah und was wir versuchen zu tun, mit Treffern und Fehlgriffen.
Ich habe monatelang nach einem Namen für etwas gesucht, das ich spürte und nicht recht sagen konnte.
Das Wort, das mir fehlte
Ich sah immer wieder Firmen mit drei Leuten liefern, wofür früher dreißig nötig waren. Und ich sah, dass der Gewinn nicht im Modell lag, weil alle mit ungefähr demselben Modell arbeiten. Er lag woanders, und mir fehlte das Wort dafür.
Im Februar 2026 veröffentlichte OpenAI einen Text namens Harness Engineering und gab mir das Wort.
Ihre Definition beginnt mit zwei kurzen Zeilen: “Menschen steuern. Agenten führen aus.” Und was danach kommt, verändert die Denkweise: Die Hauptaufgabe eines Engineering-Teams ist nicht mehr, Code zu schreiben, sondern Umgebungen zu entwerfen, Intent zu spezifizieren und Feedback-Loops zu bauen, die Agenten verlässlich arbeiten lassen.
Jedes Stück davon ist echte Arbeit. Die Umgebung entwerfen, in der der Agent läuft. Klarmachen, was zu tun ist, den Intent, statt Schritt für Schritt. Und die Loops bauen, die der KI sagen, ob sie es richtig gemacht hat, damit sie sich selbst korrigieren kann.
Achte darauf, was aus dem Satz verschwunden ist: Code schreiben. Es ist nicht OpenAI, das sagt, Code sei egal. Es ist OpenAI, das sagt, dass die menschliche Arbeit eine Ebene höher rückt, wenn die KI den Großteil schreibt. Und wenn etwas kaputtgeht, verschiebt sich die Frage mit. Sie ist nicht mehr “versuch es nochmal, streng dich mehr an”, sondern “welche Fähigkeit hat in der Umgebung gefehlt, damit die KI es richtig macht”. Der Bug ist nicht mehr die Schuld der KI (“die ist dumm”), sondern eine Frage danach, was drumherum gefehlt hat.
Ein Harness ist also, Code, Prozess und Arbeit so zu organisieren, dass die KI sehen, verstehen und ausführen kann. Es ist kein Werkzeug, das man kauft. Es ist eine neue Art, darüber nachzudenken, was das Team liefert.
Das Modell ist eine Sache, das Harness eine andere
Die sparsamste Formulierung, die ich gefunden habe, um das festzuhalten, kam von Vivek Trivedy, einem Engineer bei LangChain: “Wenn es kein Modell ist, dann ist es das Harness.”
Das Modell ist das rohe LLM. Opus, GPT, was auch immer. Text rein, Text raus, fertig. Und das Modell hat praktisch jeder. Es ist eine Commodity. Der Unterschied zwischen dem, der 10 % bekommt, und dem, der 5x bekommt, liegt nicht im Modell.
Er liegt im Harness. Das Harness ist alles andere: der Code, die Werkzeuge, die die KI aufrufen kann, der Kontext, den sie sieht, die Hooks, die Orchestrierung, die Sandbox, in der sie läuft, das Gedächtnis, die Geschäftsregeln. Alles, was das Modell im Ablauf umgibt, bevor die Arbeit fertig bei dir ankommt.
Vielleicht hast du schon “Context Engineering” gehört. Das ist ein Teil davon, der Teil, in dem man organisiert, was die KI sieht. Das Harness ist größer: Es umfasst den Kontext, aber auch die Werkzeuge, die Hooks, die Sandbox, die Persistenz, die Orchestrierung. Kontext ist ein Stück; das Harness ist das Ganze.
Modell vs. Harness
Das Modell ist eine Commodity, fast alle nutzen dasselbe. Was den Gewinn von 10% von dem von 5x trennt, ist das, was es umgibt.
Ein Harness heißt, alles für die KI lesbar zu machen
Wenn ich das Harness auf ein einziges Prinzip herunterbrechen müsste, wäre es dieses: alles für die KI lesbar machen.
Im vorigen Teil habe ich die Diagnose erzählt, die mich erwischt hat. Der Kontext von Prolog lag verstreut. Ein Stück in Notion, ein anderes in Drive, noch eins in Jira, in Figma. Es gab keine einzige Quelle. Jedes neue Gespräch mit der KI fing bei null an, weil die Information, die sie brauchte, an fünf Stellen lag und an keiner gepflegt war.
Wenn man das durch die Linse des Harness noch einmal liest, wird das Problem offensichtlich. Die KI konnte nicht sehen. Und was sie nicht sieht, benutzt sie nicht.
Peter Pang, CTO von CREAO, hat eine Entscheidung erzählt, die radikal klingt und vollkommen Sinn ergibt: Er hat den gesamten Code in ein einziges Monorepo zusammengeführt. Der Grund war nicht Ordnung. Es war, damit die KI alles auf einmal sehen konnte.
Das ist die Arbeit. Es ist kein cleverer Prompt, kein Trick. Es ist, das zu nehmen, was verstreut, implizit, nur in den Köpfen der Leute lebendig ist, und es an einem Ort lesbar zu machen, geschrieben, für den Agenten erreichbar. Manchmal mühsam. Aber genau das trennt den 10-%-Gewinn vom 5x-Gewinn.
Der Beweis: 3 Engineers, 1 Million Zeilen
Ich bin von Natur aus misstrauisch gegenüber Hype. Was mich also überzeugt hat, dass das keine Mode war, war ein Fall mit Zahlen.
Das OpenAI-Team, das die Codex CLI gebaut hat, ihr Kommandozeilen-Tool, bestand aus drei Engineers. In wenigen Wochen lieferten sie rund eine Million Zeilen Code: Anwendung, Infra, Tooling, Dokumentation. Und null von Hand geschriebene Zeilen. Die erklärte Philosophie des Teams war “kein manuell geschriebener Code”. Es waren rund fünfzehnhundert Pull Requests, alle gemergt, keiner von einem Menschen getippt. Die drei steuerten, die KI baute.
Damit keine Verwirrung entsteht: OpenAI hat Codex, das für Code trainierte Modell, und die Codex CLI, das Werkzeug. Die drei nutzten das Modell, über das Werkzeug, um das Werkzeug selbst zu bauen. Die Sache, die sich mit sich selbst baut.
Und es hört da nicht auf. Innerhalb von ganz OpenAI reviewt Codex 100 % der Pull Requests der Firma.
Was es für mich besiegelt hat, war nicht OpenAIs Zahl allein. Es war, dass Peter Pang bei CREAO auf einem getrennten Weg zur selben Schlussfolgerung kam, ohne sich mit irgendjemandem abzusprechen. Zwei verschiedene Orte, die dasselbe beschreiben. Wenn das passiert, ist es meistens keine Mode. Es ist ein Muster.
Drei Leute steuern, die KI baut. Null von Hand geschriebener Code.
no manually-written code die erklärte Philosophie des Teams. Und im gesamten OpenAI reviewt Codex 100% der Pull Requests.
AI-assisted ist nicht dasselbe wie AI-first
Hier muss ich ehrlich sein, wo Prolog steht.
Es gibt einen Unterschied, den fast niemand bemerkt, zwischen KI zu nutzen, um die Arbeit zu unterstützen, und KI ins Zentrum davon zu stellen.
AI-assisted ist der Mensch im Zentrum und die KI an den Rändern eingesteckt. Gleicher Sprint, gleiches Board, gleiches Meeting, gleicher Ablauf. Die KI hilft innerhalb des Prozesses, der schon existierte. Der Gewinn ist echt und klein: 10, 20 %. Da stehen die meisten Firmen. Da steht Prolog heute, und ich werde nicht so tun, als wäre es anders.
AI-first ist die KI im Zentrum und der Mensch am Steuer. Du gehst davon aus, dass der Agent der primäre Bauer ist, und baust den Prozess, die Architektur und sogar die Organisation drumherum neu. Der Mensch kritisiert, validiert, urteilt. Der Gewinn ist eine andere Größenordnung: 5x, 10x. Das ist, was Codex, CREAO und Anthropic tun.
Der Unterschied ist, wie Peter Pang es zusammenfasst, multiplikativ, nicht inkrementell. Und genau deshalb zählt das Harness so sehr. Man kommt nicht zu AI-first, indem man KI in das einsteckt, was schon existiert. Man kommt dahin, indem man neu baut, damit die KI sehen, verstehen und ausführen kann. Anders gesagt, indem man ein Harness baut.
Und das ist nicht nur ein Engineering-Problem
Der Satz von OpenAI, “die Hauptaufgabe ist nicht mehr, Code zu schreiben”, wurde mit Engineering im Kopf geschrieben. Aber als ich ihn noch einmal las und das Subjekt austauschte, passte er auf jede Rolle in Tech.
Product schreibt nicht mehr nur das Dokument; es befähigt den Agenten, die Lösung vorzuschlagen. Design zeichnet nicht mehr nur den Screen; es befähigt den Agenten, Interface im System zu erzeugen. QA fährt nicht mehr nur den Test von Hand; es befähigt den Agenten zu validieren. Data fährt nicht mehr nur die Query; es befähigt den Agenten, die Geschäftsfrage zu beantworten.
Bei allen wird die Frage dieselbe: welche Fähigkeit fehlt dem Agenten, um das zu tun, und wie mache ich sie für ihn sichtbar und steuerbar.
Was ich daraus mitnehme
Ein Harness ist kein Werkzeug, das man kauft, und kein besseres Modell, das man abonniert. Es ist Arbeit. Die Arbeit, das zu nehmen, was in den Köpfen der Leute steckt und über zehn Systeme verstreut ist, und es lesbar zu machen, an einem Ort, damit eine Maschine es benutzen kann.
Der mühsame Teil ist, dass es keine Abkürzung gibt. Der gute Teil ist, dass es sich, weil es Arbeit ist, tun lässt. Wir stecken mittendrin: weit weg von AI-first, näher dran als vor zwei Monaten. Ich erzähle weiter, wie es läuft.
Quellen
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (Februar 2026). Von hier stammen der Satz “Menschen steuern, Agenten führen aus” und der Fall des Codex-CLI-Teams.
- Vivek Trivedy, LangChain, The Anatomy of an Agent Harness. Die Definition “Wenn es kein Modell ist, dann ist es das Harness”.
- Peter Pang, CREAO, über das Ins-Zentrum-Stellen der KI. Das Monorepo, damit die KI alles sieht, und der multiplikative Unterschied.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Die Zahlen des Codex-Teams.