В первом тексте серии я рассказал о том дискомфорте, который заставил меня начать перестраивать tech в Prolog. В конце я обещал раскрыть каждую часть. Начну с той, которую понял дольше всего: harness.
Сразу предупреждаю, волшебной формулы тут нет. Это то, что я прочитал, что видел у других компаний и что мы сами пытаемся делать, с попаданиями и с промахами.
Я месяцами искал название для того, что чувствовал, но не мог выразить.
Слово, которого не хватало
Я видел компании из трёх человек, которые выдавали то, что раньше требовало тридцати. И видел, что дело не в модели, потому что модель у всех примерно одна. Дело было в другом, а слова у меня не было.
В феврале 2026 года OpenAI опубликовала текст под названием Harness Engineering и дала мне это слово.
Их определение открывается двумя короткими строчками: «Люди рулят. Агенты исполняют.» И то, что идёт следом, меняет способ думать: главная работа команды инженерии перестаёт быть написанием кода и становится проектированием сред, заданием намерения и постройкой циклов обратной связи, которые позволяют агентам делать надёжную работу.
Каждый кусок здесь, это настоящая работа. Спроектировать среду, где работает agent. Ясно обозначить, что надо сделать, намерение, вместо пошаговой инструкции. И собрать циклы, которые говорят ИИ, попал он или нет, чтобы он исправлялся сам.
Заметь, что пропало из фразы: написать код. Это не OpenAI говорит, что код не важен. Это OpenAI говорит, что когда ИИ пишет большую часть, человеческая работа поднимается на слой выше. И когда что-то ломается, вопрос меняется вместе с ней. Он перестаёт быть «попробуй ещё раз, постарайся получше» и становится «какой возможности не хватило в среде, чтобы ИИ попал в цель». Баг перестаёт быть виной ИИ («он тупой») и становится вопросом о том, чего не хватило вокруг него.
Harness, стало быть, это организация кода, процесса и работы так, чтобы ИИ видел, понимал и исполнял. Это не инструмент, который ты покупаешь. Это новый способ думать о том, что отдаёт команда.
Модель, это одно, harness, это другое
Самая ёмкая фраза, которую я нашёл, чтобы это закрепить, пришла от Вивека Триведи, инженера LangChain: «если это не модель, значит, это harness».
Модель, это сырой LLM. Opus, GPT, что угодно. Входит текст, выходит текст, конец. И модель есть практически у всех. Это commodity. Разница между тем, кто получает 10%, и тем, кто получает 5x, не в модели.
Она в harness. Harness, это всё остальное: код, инструменты, которые ИИ может вызвать, контекст, который он видит, hooks, оркестрация, sandbox, где он работает, память, бизнес-правила. Всё, что окружает модель в потоке, прежде чем работа дойдёт до тебя готовой.
У harness нет хорошего перевода на русский. «Упряжь», «обвязка», теряют смысл. Я называю это «инфраструктурой агента», и всё.
Может, ты уже слышал про «context engineering». Это часть этого, часть про организацию того, что ИИ видит. Harness больше: он включает контекст, но ещё и инструменты, hooks, sandbox, персистентность, оркестрацию. Контекст, это кусок; harness, это целое.
Модель vs. harness
Модель, это commodity, почти у всех она одинаковая. То, что отделяет прирост в 10% от прироста в 5x, находится вокруг неё.
Harness, это сделать всё читаемым для ИИ
Если бы мне пришлось свести harness к одному принципу, он был бы такой: сделать всё читаемым для ИИ.
В прошлом тексте я рассказал о диагнозе, который меня зацепил. Контекст Prolog жил разбросанным. Кусок в Notion, другой в Drive, ещё один в Jira, в Figma. Не было единого источника. Каждый новый разговор с ИИ начинался с нуля, потому что нужная ему информация лежала в пяти местах и не была собрана ни в одном.
Когда перечитываешь это через призму harness, проблема становится очевидной. ИИ не видел. А то, что он не видит, он не использует.
Питер Панг, CTO CREAO, рассказал о решении, которое кажется радикальным и при этом абсолютно логичным: он собрал весь код в один monorepo. Причина была не в порядке. А в том, чтобы ИИ смог увидеть всё сразу.
Вот в чём работа. Это не умный prompt, не трюк. Это взять то, что разбросано, подразумевается, живёт только в головах людей, и сделать читаемым в одном месте, записанным, доступным для агента. Иногда занудно. Но именно это отделяет прирост в 10% от прироста в 5x.
Доказательство: 3 инженера, 1 миллион строк
Я по природе не доверяю хайпу. Поэтому убедил меня в том, что это не мода, случай с цифрами.
Команда OpenAI, которая построила Codex CLI, их инструмент командной строки, состояла из трёх инженеров. За считаные недели они выдали около миллиона строк кода: приложение, инфраструктура, tooling, документация. И ноль строк, написанных руками. Философия команды, по их же словам, была «никакого кода, написанного вручную». Это было около полутора тысяч pull requests, все влиты, ни один не набран человеком. Трое рулили, ИИ строил.
Чтобы не путать: у OpenAI есть Codex, это модель, обученная под код, и Codex CLI, это инструмент. Трое использовали модель, через инструмент, чтобы построить сам этот инструмент. Штука, которая строит саму себя с помощью самой себя.
И это не всё. Во всей OpenAI Codex ревьюит 100% pull requests компании.
Что меня окончательно убедило, так это не только цифра OpenAI. А то, что Питер Панг в CREAO пришёл к тому же выводу отдельным путём, ни с кем не сговариваясь. Два разных места описывают одно и то же. Когда так происходит, это обычно не мода. Это закономерность.
Три человека рулят, ИИ строит. Ноль кода, написанного руками.
no manually-written code заявленная философия команды. И во всей OpenAI Codex ревьюит 100% pull requests.
AI-assisted, это не то же самое, что AI-first
Здесь мне нужно быть честным о том, где находится Prolog.
Есть разница, которую почти никто не замечает, между тем, чтобы использовать ИИ в помощь работе, и тем, чтобы поставить ИИ в её центр.
AI-assisted, это человек в центре, а ИИ подключён по краям. Тот же sprint, тот же board, та же встреча, тот же поток. ИИ помогает внутри процесса, который уже существовал. Прирост реальный и небольшой: 10, 20%. Тут находится большинство компаний. Тут сегодня находится Prolog, и я не буду делать вид, что это не так.
AI-first, это ИИ в центре, а человек рулит. Ты исходишь из того, что agent, это основной строитель, и перестраиваешь процесс, архитектуру и даже организацию вокруг этого. Человек критикует, валидирует, судит. Прирост совсем другого порядка: 5x, 10x. Это то, что делают Codex, CREAO и Anthropic.
Разница, как формулирует Питер Панг, мультипликативная, а не инкрементальная. И вот почему harness так важен. К AI-first не приходят, подключая ИИ к тому, что уже есть. К нему приходят, перестраивая так, чтобы ИИ видел, понимал и исполнял. То есть делая harness.
И это не только проблема инженерии
Фраза OpenAI, «главная работа больше не в том, чтобы писать код», была написана с мыслью об инженерии. Но когда я перечитал её, поменяв подлежащее, она подошла к любой должности в tech.
Продукт больше не просто пишет документ; он даёт агенту возможность предлагать решение. Дизайн больше не просто рисует экран; он даёт агенту возможность генерировать интерфейс внутри системы. QA больше не просто прогоняет тест руками; он даёт агенту возможность валидировать. Data больше не просто гоняет query; она даёт агенту возможность отвечать на бизнес-вопрос.
Во всех них вопрос становится одним и тем же: какой возможности не хватает агенту, чтобы это сделать, и как мне сделать это видимым и управляемым для него.
Что я из этого выношу
Harness, это не инструмент, который покупают, и не модель получше, на которую подписываются. Это работа. Работа взять то, что в головах людей и разбросано по десяти системам, и сделать читаемым, в одном месте, чтобы машина смогла этим воспользоваться.
Занудная часть в том, что короткого пути нет. Хорошая часть в том, что, раз это работа, её можно сделать. Мы в самой её середине: далеко от AI-first, ближе, чем были два месяца назад. Буду и дальше рассказывать, как идёт.
Источники
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (февраль 2026). Отсюда фраза «люди рулят, агенты исполняют» и случай команды Codex CLI.
- Вивек Триведи, LangChain, The Anatomy of an Agent Harness. Определение «если это не модель, значит, это harness».
- Питер Панг, CREAO, о том, как поставить ИИ в центр. Monorepo, чтобы ИИ видел всё, и мультипликативная разница.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Цифры команды Codex.