Di tulisan pertama seri ini saya bercerita soal keresahan yang membuat saya mulai membangun ulang tech di Prolog. Di akhir, saya berjanji akan membuka satu per satu bagiannya. Saya mulai dari yang paling lama saya pahami: harness.
Peringatan dulu, tidak ada formula ajaib di sini. Ini yang saya baca, yang saya lihat dilakukan perusahaan lain, dan yang sedang kami coba lakukan, dengan hasil yang benar dan yang salah.
Berbulan-bulan saya mencari nama untuk sesuatu yang saya rasakan tapi tidak tahu cara mengatakannya.
Kata yang selama ini hilang
Saya terus melihat perusahaan tiga orang mengirimkan hasil yang dulu butuh tiga puluh orang. Dan saya lihat bahwa keunggulannya bukan di model, karena model yang dipakai semua orang kurang lebih sama. Keunggulannya ada di tempat lain, dan saya tidak punya katanya.
Pada Februari 2026 OpenAI menerbitkan sebuah tulisan berjudul Harness Engineering dan memberi saya katanya.
Definisi mereka dibuka dengan dua kalimat pendek: “Manusia mengarahkan. Agen mengeksekusi.” Dan yang datang setelahnya mengubah cara berpikir: pekerjaan utama sebuah tim software engineering bukan lagi menulis kode, melainkan merancang lingkungan, menspesifikasi intent, dan membangun feedback loop yang membuat agen bisa bekerja secara andal.
Setiap bagian di situ adalah kerja sungguhan. Merancang lingkungan tempat agen berjalan. Membuat jelas apa yang harus dikerjakan, intent-nya, alih-alih langkah demi langkah. Dan menyusun loop yang memberi tahu AI apakah ia benar, supaya ia bisa mengoreksi dirinya sendiri.
Perhatikan apa yang hilang dari kalimat itu: menulis kode. Ini bukan OpenAI mengatakan kode tidak penting. Ini OpenAI mengatakan bahwa ketika AI menulis sebagian besar kode, kerja manusia naik satu lapis. Dan ketika sesuatu rusak, pertanyaannya ikut bergeser. Bukan lagi “coba lagi, lebih teliti” tapi jadi “kapabilitas apa yang kurang di lingkungan supaya AI bisa benar”. Bug berhenti jadi salah AI (“ia bodoh”) dan jadi pertanyaan tentang apa yang kurang di sekelilingnya.
Jadi, harness adalah menata kode, proses, dan kerja supaya AI bisa melihat, memahami, dan mengeksekusi. Ini bukan tool yang Anda beli. Ini cara baru memikirkan apa yang tim kirimkan.
Model itu satu hal, harness itu hal lain
Kalimat paling ringkas yang saya temukan untuk mengunci ini datang dari Vivek Trivedy, engineer di LangChain: “kalau bukan model, berarti itu harness”.
Model adalah LLM mentah. Opus, GPT, apa pun. Teks masuk, teks keluar, selesai. Dan model hampir semua orang punya. Itu komoditas. Perbedaan antara yang dapat 10% dan yang dapat 5x tidak ada di model.
Ada di harness. Harness adalah semua sisanya: kode, tools yang bisa dipanggil AI, konteks yang ia lihat, hooks, orkestrasi, sandbox tempat ia berjalan, memori, aturan bisnis. Segala sesuatu yang membungkus model di dalam alur, sebelum pekerjaan sampai ke tangan Anda dalam keadaan jadi.
Harness tidak punya terjemahan yang bagus ke bahasa Indonesia. Kekang, tali kekang, kehilangan maknanya. Saya menyebutnya “infrastruktur si agen” dan selesai.
Anda mungkin pernah mendengar “context engineering”. Itu bagian dari ini, bagian menata apa yang AI lihat. Harness lebih besar: mencakup konteks, tapi juga tools, hooks, sandbox, persistensi, orkestrasi. Konteks satu potongan; harness adalah keseluruhannya.
Model vs. harness
Model itu komoditas, hampir semua orang pakai yang sama. Yang memisahkan gain 10% dari gain 5x adalah yang membungkusnya.
Harness adalah membuat semuanya terbaca oleh AI
Kalau saya harus meringkas harness jadi satu prinsip saja, ini dia: buat semuanya terbaca oleh AI.
Di tulisan sebelumnya saya bercerita soal diagnosis yang menampar saya. Konteks Prolog tersebar. Sepotong di Notion, potongan lain di Drive, lainnya di Jira, di Figma. Tidak ada sumber tunggal. Setiap percakapan baru dengan AI dimulai dari nol, karena informasi yang ia butuhkan ada di lima tempat dan tidak dikurasi di satu pun.
Ketika Anda membaca ulang itu lewat lensa harness, masalahnya jadi jelas. AI tidak melihatnya. Dan yang tidak ia lihat, tidak ia pakai.
Peter Pang, CTO CREAO, bercerita soal sebuah keputusan yang terdengar radikal dan sangat masuk akal: ia menggabungkan seluruh kode ke dalam satu monorepo. Alasannya bukan kerapian. Alasannya supaya AI bisa melihat semuanya sekaligus.
Itulah kerjanya. Bukan prompt yang pintar, bukan trik. Ini mengambil apa yang tersebar, tersirat, hidup hanya di kepala orang, dan membuatnya terbaca di satu tempat, tertulis, bisa diakses agen. Membosankan kadang. Tapi persis itulah yang memisahkan hasil 10% dari hasil 5x.
Buktinya: 3 engineer, 1 juta baris
Saya curiga pada hype dari sononya. Jadi yang meyakinkan saya bahwa ini bukan tren sesaat adalah sebuah kasus dengan angka.
Tim OpenAI yang membangun Codex CLI, command-line tool mereka, terdiri dari tiga engineer. Dalam hitungan minggu, mereka mengirimkan sekitar satu juta baris kode: aplikasi, infra, tooling, dokumentasi. Dan nol baris ditulis dengan tangan. Filosofi tim, kata mereka sendiri, adalah “tidak ada kode yang ditulis manual”. Itu sekitar seribu lima ratus pull request, semuanya di-merge, tak satu pun diketik orang. Ketiganya mengarahkan, AI membangun.
Supaya tidak bingung: OpenAI punya Codex, yaitu model yang dilatih untuk kode, dan Codex CLI, yaitu tool-nya. Ketiga orang itu memakai model, lewat tool, untuk membangun tool itu sendiri. Sesuatu yang membangun dirinya dengan dirinya sendiri.
Dan tidak berhenti di situ. Di seluruh OpenAI, Codex mereview 100% pull request perusahaan.
Yang menutup ini buat saya bukan angka OpenAI sendirian. Tapi bahwa Peter Pang, di CREAO, sampai pada kesimpulan yang sama lewat jalan terpisah, tanpa berkoordinasi dengan siapa pun. Dua tempat berbeda menggambarkan hal yang sama. Kalau ini terjadi, biasanya bukan tren. Itu pola.
Tiga orang mengarahkan, AI membangun. Nol kode ditulis dengan tangan.
no manually-written code filosofi yang dinyatakan tim. Dan di seluruh OpenAI, Codex me-review 100% pull request.
AI-assisted tidak sama dengan AI-first
Di sini saya perlu jujur soal posisi Prolog.
Ada satu perbedaan yang nyaris tidak disadari siapa pun antara memakai AI untuk membantu kerja dan menempatkan AI di pusat kerja itu.
AI-assisted itu manusia di pusat dan AI dicolokkan di pinggir-pinggirnya. Sprint yang sama, board yang sama, rapat yang sama, alur yang sama. AI membantu di dalam proses yang sudah ada. Hasilnya nyata dan kecil: 10, 20%. Di situlah mayoritas perusahaan berada. Di situlah Prolog hari ini, dan saya tidak akan berpura-pura sebaliknya.
AI-first itu AI di pusat dan manusia yang mengarahkan. Anda menganggap agen sebagai pembangun utama dan membangun ulang prosesnya, arsitekturnya, bahkan organisasi di sekelilingnya. Manusia mengkritik, memvalidasi, menilai. Hasilnya beda kelas: 5x, 10x. Itu yang sedang dilakukan Codex, CREAO, dan Anthropic.
Perbedaannya, seperti dirangkum Peter Pang, bersifat perkalian, bukan penambahan. Dan karena itulah harness begitu penting. Anda tidak sampai ke AI-first dengan mencolokkan AI ke apa yang sudah ada. Anda sampai ke sana dengan membangun ulang supaya AI bisa melihat, memahami, dan mengeksekusi. Dengan kata lain, dengan membuat harness.
Dan ini bukan cuma masalah engineering
Kalimat OpenAI, “pekerjaan utama bukan lagi menulis kode”, ditulis dengan engineering di benak. Tapi ketika saya membacanya ulang sambil mengganti subjeknya, ia cocok untuk setiap peran di tech.
Product tidak lagi cuma menulis dokumen; ia memampukan agen mengusulkan solusi. Design tidak lagi cuma menggambar layar; ia memampukan agen menghasilkan antarmuka di dalam sistem. QA tidak lagi cuma menjalankan tes dengan tangan; ia memampukan agen memvalidasi. Data tidak lagi cuma menjalankan query; ia memampukan agen menjawab pertanyaan bisnis.
Di semuanya pertanyaannya jadi sama: kapabilitas apa yang kurang supaya agen bisa melakukan ini, dan bagaimana saya membuatnya terlihat dan terkendali olehnya.
Yang saya ambil dari ini
Harness bukan tool yang dibeli atau model lebih baik yang dilanggan. Ini kerja. Kerja mengambil apa yang ada di kepala orang dan tersebar di sepuluh sistem lalu membuatnya terbaca, di satu tempat, supaya bisa dipakai mesin.
Bagian yang membosankan, tidak ada jalan pintas. Bagian yang baik, karena ini kerja, ia bisa dikerjakan. Kami sedang di tengah-tengahnya: jauh dari AI-first, lebih dekat dibanding dua bulan lalu. Saya akan terus bercerita bagaimana jalannya.
Sumber
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (Februari 2026). Asal kalimat “manusia mengarahkan, agen mengeksekusi” dan kasus tim Codex CLI.
- Vivek Trivedy, LangChain, The Anatomy of an Agent Harness. Definisi “kalau bukan model, berarti itu harness”.
- Peter Pang, CREAO, tentang menempatkan AI di pusat. Monorepo supaya AI melihat semuanya dan perbedaan yang bersifat perkalian.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Angka-angka tim Codex.