Waarom dit, waarom nu
Vraag de meeste mensen hoe je een AI-systeem beter maakt en ze zeggen: gebruik een beter model. In 2026 is dat vaak de minst effectieve hefboom die er is. Het model is het kleinste deel van een werkende agent. De scaffolding eromheen, de tools die het kan aanroepen, het geheugen dat het houdt, de context die het krijgt, de controles die het moet doorstaan, bepaalt of het werkt.
Eerst een definitie, want "harness" is jargon dat een simpel idee verbergt. In het vorige dossier zagen we dat een agent een model is dat in een loop draait. De harness is alles in die loop dat niet het model is: de tools die het kan gebruiken, het geheugen dat het houdt, de machinerie die zijn context samenstelt, de controles op zijn werk, de herhalingen als een stap faalt. Als het model de bestuurder is, is de harness de auto, de weg, de kaart en de gordel. Op zichzelf kan het model alleen tekst produceren. De harness is wat het laat handelen, onthouden, zichzelf controleren en herstellen.
Dit is deel twee van een vijfdelige handleiding. Deel één ging over de loop: verzamelen, handelen, verifiëren, herhalen. Dit deel gaat over de machine die de loop draait, de harness. De term is het woord geworden voor alles wat een ruw model tot een agent maakt, en 2025-26 leverde het bewijs dat de harness, meer dan het model, is waar de meeste betrouwbaarheid nu vandaan komt. Voor een bedrijf dat beslist hoe het in AI investeert, verandert dat de vraag van welk model naar welke harness, en dit dossier loopt door waarom, met de cijfers en uitgewerkte voorbeelden. Als je er één idee uit meeneemt, laat het dit zijn: als je AI niet werkt, kijk naar de harness voordat je naar het model kijkt.
1. Waarom nu: het model is het kleinste deel
De reflex, als een AI-systeem tekortschiet, is grijpen naar een groter model. In 2026 is dat vaak de zwakste zet op het bord. De capaciteit zit al in het model; wat ontbreekt is de machine eromheen die capaciteit tot betrouwbaar werk maakt.
Waarom nu is dat het bewijs onmogelijk te negeren werd. Door 2025 en 2026 rapporteerde team na team hetzelfde resultaat: houd het model vast, verbeter de harness, en de prestatie springt, soms van falen naar foutloos. Dit dossier loopt door die resultaten, definieert wat een harness werkelijk is, en trekt het strategische punt voor een bedrijf eruit, namelijk dat het model een handelswaar is die je koopt en de harness het voordeel dat je bouwt. Als je er één idee uit meeneemt: als je AI niet werkt, kijk eerst naar de harness, niet naar het model.
2. Het bewijs: zelfde model, betere harness
Begin met de cijfers, want ze zijn opvallend.
Vercel, het web-infrastructuurbedrijf, had een agent die vragen beantwoordt door database-queries te schrijven, en die bleef rond de tachtig procent succes steken. Hun fix was contra-intuïtief: ze schrapten zo'n tachtig procent van de tools. Ze haalden hun lange lijst gespecialiseerde functies eruit en lieten het werken met gewone commando's die het model al kende, dezelfde die een menselijke engineer gebruikt om op een computer rond te kijken, binnen een veilige sandbox. Het succes ging naar honderd procent. De slechtste run ging van honderd stappen eindigend in falen naar negentien stappen eindigend in succes, drie en een half keer sneller. Er is hier een belangrijke nuance die het waard is helder te stellen: Vercel maakte deze wijziging terwijl ze naar een sterker model overstapten. Het betere model maakte de overvolle harness met veel tools een blok aan het been, en de harness vereenvoudigen was wat de winst ontsloot. Vercel is dus geen puur "hetzelfde model"-verhaal, het is iets subtielers en net zo nuttigs: een beter model wilde een simpelere harness.
LangChain bracht ondertussen een coding-agent van buiten de top dertig naar de top vijf op een publieke benchmark genaamd Terminal-Bench, een sprong van 52,8 naar 66,5 procent, zonder het onderliggende model aan te raken. Ze veranderden de harness: ze voegden zelf-verificatie-loops toe zodat de agent zijn eigen werk checkte, gaven het betere informatie over de omgeving waarin het werkte, en voegden hooks toe om het te betrappen als het vastliep in herhaling. Zelfde weights, zelfde training, vijfentwintig plekken hoger op de ranglijst. Dit is het schone bewijs: het model werd vastgehouden en alleen de harness veranderde. Onafhankelijke studies van andere coding-benchmarks vinden hetzelfde patroon, wissel de scaffold rond een vast model en de score kan flink verschuiven. Zet de twee gevallen samen en de les voor iedereen die winkelt voor het beste model is ongemakkelijk: op echte taken verzet de scaffolding rond het model het getal vaak net zoveel als het model zelf. LangChains sprong kwam van de harness alleen; Vercels kwam van de harness vereenvoudigen zodat een sterker model vrij kon redeneren.
3. Wat er werkelijk in een harness zit
Dus wat is een harness, concreet? Het is alles wat het model niet zelf doet, en het komt neer op vier dingen.
Tools zijn de acties die het model kan nemen: een kennisbank doorzoeken, een account opzoeken, een terugbetaling uitvoeren, een ticket openen, overdragen aan een mens. Geheugen is wat blijft over stappen en sessies heen, zodat de agent niet elke beurt amnesie heeft. Context is de machinerie die bepaalt wat er bij elke stap in het eindige venster gaat, het onderwerp van deel drie. En verificatie is de tests, beoordelaars en gates die het werk controleren, plus de herhalingen die de loop sluiten. Zo zien die vier eruit in één echte agent:
Merk op dat het model nergens in die lijst staat. Het zit in het midden, doet het redeneren, terwijl de harness het de juiste context voedt, het een kleine set scherpe tools geeft, onthoudt wat ertoe doet, en controleert wat het produceert. Zonder toestand genereert een model enkel plausibele tekst. In die vier gewikkeld wordt het iets dat kan handelen in de wereld, zijn eigen fouten kan betrappen, en kan herstellen als een stap misgaat. Die wikkeling is de harness, en hem goed bouwen is het grootste deel van de klus.
4. De motor en de auto
De helderste manier om dit vast te houden is een analogie. Het model is een motor. De harness is de auto die eromheen is gebouwd.
Een motor is ruwe capaciteit: hij kan vermogen leveren, en een betere levert er meer. Hij is ook bevroren zodra hij gebouwd is, duur om te veranderen, en op zichzelf draait hij enkel. Alles wat dat vermogen tot een bruikbaar voertuig maakt, de transmissie, de besturing, de remmen, het dashboard, de gordels, is de auto eromheen. Voor agents is die auto de harness, en anders dan de motor is die in een middag herbouwd zonder hertraining. Je zou auto's nooit rangschikken op motorinhoud alleen; een krachtige motor in een auto zonder remmen is geen snelle auto, het is een crash. Capaciteit zit in het model; betrouwbaarheid zit in de harness; en betrouwbaarheid is wat werkelijk naar een klant gaat. Een bescheiden motor in een uitstekende auto wint van een monstermotor gebout op een skelter, wat precies is wat de Vercel- en LangChain-resultaten toonden.
5. Minder is meer: minder tools
Het Vercel-resultaat wijst naar een contra-intuïtieve regel die steeds opduikt: voor tools geldt minder is meer. Het instinct is een agent elk vermogen te geven dat je kunt bedenken, een tool voor alles wat het nodig kan hebben. In de praktijk werkt dat averechts, en het loont precies te zien hoe.
Elke tool die je toevoegt is een beslissing die je namens het model neemt en een deel van zijn beperkte aandacht dat je uitgeeft. Achttien gespecialiseerde tools geven het model achttien manieren om de verkeerde te kiezen, achttien sets regels om te onthouden, en veel oppervlak om in te verdwalen. Een handvol scherpe, algemene tools die het al kent uit zijn training laten het zijn weg naar het antwoord redeneren met minder misstappen. Vercels eigen ervaring scherpte het punt aan: de overvolle harness was met een eerder model nog te doen, maar een sterker model redeneert beter met minder, scherpere tools, dus de stapel die ooit hielp werd een hindernis. Het beste harness-werk is vaak subtractief: neem tools weg, geef het model een veilige plek om dingen te proberen, en ga uit de weg. Het is het tegenovergestelde van hoe de meeste teams instinctief bouwen, namelijk steeds meer vermogens toevoegen en zich afvragen waarom de agent minder betrouwbaar wordt naarmate hij groeit.
6. De evolutie: weights naar context naar harness
Neem afstand en de harness is het derde bedrijf van een verhaal dat het veld over zichzelf vertelt.
In 2022 kwam de winst uit weights: grotere modellen, meer data, betere training. Wilde je een betere agent, dan trainde je een beter model, wat maar een handvol labs zich kon veroorloven. Rond 2023 landde het besef dat je kon veranderen wat het model ziet in plaats van het model zelf, via prompten, voorbeelden en retrieval, en een bevroren model kon opeens heel anders gedragen. Vanaf 2025 verschoof het zwaartepunt weer naar buiten, naar de harness: geheugen, skills, standaardprotocollen, sandboxes, gates. Elke laag stapelde op de vorige in plaats van die te vervangen. Weights doen er nog toe en context doet er nog toe, en de meest ingrijpende verbeteringen in betrouwbaarheid komen nu uit de omgeving om het model heen. Die mars naar buiten is goed nieuws voor gewone bedrijven, want elke stap verplaatste de hefboom van iets dat alleen een frontier-lab kan doen, trainen, naar iets dat elk capabel team kan doen, een goede harness bouwen.
7. Protocollen: MCP en standaard-tools
Eén deel van de harness verdient een eigen vermelding, omdat het stilletjes infrastructuur wordt: protocollen. Een protocol is enkel een afgesproken standaard voor hoe twee dingen met elkaar praten. Het Model Context Protocol, MCP, geïntroduceerd door Anthropic eind 2024, is een standaardmanier voor een model om externe tools en data te ontdekken en aan te roepen. Het is de USB-C van AI: één vorm stekker die in elk stopcontact past.
Hier is waarom dat ertoe doet, concreet. Voordat een standaard bestond, moest iemand, als je vijf AI-systemen en tien tools had, elke tool met de hand aan elk systeem bedraden, vijftig aparte integraties, elk op maat en fragiel. Met een standaardprotocol bied je een tool één keer aan, in de afgesproken vorm, en elk model en elke agent die het protocol spreekt kan hem gebruiken. Verbind je CRM één keer met het protocol, en je sales-agent, support-agent en interne helpdesk kunnen er allemaal bij, zonder extra bedrading per agent.
Protocollen doen ertoe voor een bedrijf om een saaie maar belangrijke reden: ze maken de harness overdraagbaar en duurzaam. Een tool of databron die via een standaardprotocol wordt aangeboden zit niet vast aan het model van één leverancier. Zoals het eerdere dossier over de AI-race betoogde, wordt de modellaag verhandelbaar en verschuift ze snel; standaardprotocollen zijn hoe je jouw investering in tools en data niet gestrand laat raken als je het model eronder verwisselt. Een harness, goed gedaan, overleeft het model waaromheen hij is gebouwd, wat de hele reden is dat het is waar je zou moeten investeren.
8. Waarom de harness de echte slotgracht is
Er schuilt een strategisch punt in dit alles. De basisinfrastructuur van agents, het vermogen om een model op een loop te draaien met tools en geheugen, wordt snel verhandelbaar; wat in 2024 een custom framework was is in 2026 een native functie. Dat is het normale pad van infrastructuur: ze wordt goedkoop en standaard. Wat niet verhandelbaar wordt is wat je erbovenop bouwt.
Voor een bedrijf is het model een gekochte input, steeds vaker een goedkope, en de generieke harness wordt er ook een. Het duurzame voordeel is de specifieke harness om jouw werk heen: de tools die coderen hoe jouw bedrijf werkelijk werkt, de retour-tool die jouw beleid kent, de prijs-tool die jouw systemen leest; het geheugen van jouw context; de controles die bij jouw normen passen; de begrensde autonomie die jouw risicobereidheid toestaat. Een concurrent kan morgen hetzelfde model kopen. Hij kan de harness die je om jouw operatie bouwde niet kopen, want die harness is een beschrijving van hoe jouw bedrijf werkt, en geen leverancier levert dat. Het is het deel dat van jou is, en waar de hefboom zit.
9. De harness kopen of bouwen
Dit roept een praktische vraag op waar elk team nu voor staat: de harness kopen of bouwen? Het eerlijke antwoord is beide, op verschillende lagen, en de lijn ertussen is helder zodra je hem trekt.
| Laag | Kopen of bouwen | Waarom |
|---|---|---|
| Loop-runtime, tool-calling, context-loodgieterswerk | Kopen | Handelswaar; platforms geven het nu weg. Het herbouwen is de fout van 2024. |
| De tools, hoe jouw bedrijf handelt | Bouwen | Geen leverancier heeft jouw operatie, jouw beleid, jouw systemen. |
| Geheugen en de contextlaag | Bouwen | Het is jouw data en jouw institutionele kennis. |
| Controles en autonomieregels | Bouwen | Ze coderen jouw normen en jouw risicobereidheid. |
De generieke scaffolding, een loop draaien, context beheren, tools aanroepen, wordt verhandelbaar in producten en is meestal het kopen waard. De specifieke harness, de tools en het geheugen en de controles die jouw bedrijf coderen, is het bouwen waard, want het is het deel dat geen leverancier je kan verkopen en het deel dat het voordeel maakt. De valkuil is het andersom doen: je schaarse engineering-inspanning verbranden aan het herbouwen van generiek loodgieterswerk dat een platform weggeeft, terwijl je de bedrijfsspecifieke laag dun laat. De teams die waarde halen kopen de handelswaar en besteden hun inspanning aan de harness die alleen zij konden bouwen.
10. Het eerlijke tegengeluid
Drie eerlijke kanttekeningen houden dit in verhouding. Ten eerste: het model bepaalt nog steeds het plafond. Een betere harness tilt een capabel model dramatisch op, en het kan een zwak model niet laten doen wat het fundamenteel niet kan; de harness is een vermenigvuldiger, geen vervanger, en op de moeilijkste taken wint een sterker model nog steeds. De juiste lezing is niet dat het model er niet toe doet; het is dat het model voor de meeste echte deployments niet langer het knelpunt is.
Ten tweede: harness-engineering is echte engineering. Geheugen, herhalingen, contextbeheer en verificatie zijn werkelijk moeilijk goed te bouwen, en een slechte harness kan een goed model slechter maken net zoals een goede het beter maakt; het Vercel-resultaat snijdt aan beide kanten, want hun eerste harness, met zijn achttien tools, hield een capabel model actief tegen. Ten derde: complexiteit kost. De meest betrouwbare harnessen zijn meestal simpel, en het is makkelijk te veel te bouwen, tools, agents en lagen toevoegen die meer schaden dan helpen, wat de hele les van "minder is meer" is. Een harness is iets dat je verfijnt door weg te halen, niet alleen door toe te voegen.
11. Wat een bedrijf hiermee doet
Voor een leider herkadert de harness het AI-budget. De reflex is het uit te geven aan toegang tot het beste model. Het bewijs zegt dat het model een handelswaar-input is en dat de hefboom in de scaffolding eromheen zit. Vraag dus, van elk AI-initiatief: wat is de harness hier? Welke tools heeft de agent, en zijn het er te veel? Wat onthoudt hij? Hoe wordt zijn werk gecontroleerd, en wat gebeurt er bij falen? Die vragen voorspellen of het werkt veel beter dan welk model eronder zit, en het zijn vragen die een niet-technische leider kan stellen en begrijpen.
Dit is See, Understand, Adopt toegepast op hoe je bouwt. Zie dat capaciteit gekocht wordt en betrouwbaarheid gebouwd. Begrijp de vier delen van een harness, tools, geheugen, context, verificatie, en welke ervan jouw proces mist, meestal geheugen of verificatie. Adopteer dan door de generieke scaffolding te kopen, en je schaarse inspanning te investeren in de harness die jouw bedrijf codeert: scherpe tools die op jouw systemen handelen, echt geheugen van jouw context, en controles die bij jouw normen passen. Het model dat je gebruikt verandert elke paar maanden. De harness die je om jouw werk heen bouwt is het ding dat blijft, en het is het ding dat een concurrent niet kan kopiëren.
12. Verificatie en bronnen
Dit dossier steunt op live webonderzoek en een persoonlijk archief van meer dan 15.000 bronnen. Dragende cijfers zijn waar mogelijk dubbel gecheckt. De harness-anatomie en de kopen-of-bouwen-voorbeelden zijn illustratief, gebouwd om de mechaniek uit te leggen. De noten hieronder markeren vertrouwen en de belangrijkste kanttekeningen, in de geest van ons werk laten zien.
| Claim | Vertrouwen | Noot |
|---|---|---|
| Vercel: query-agent 80%→100% door ~80% van de tools te schrappen; 724s/100 stappen → 141s/19 stappen; 3,5x sneller; ~37% minder tokens, ~42% minder stappen | Hoog | Vercel engineering-blog, "We removed 80% of our agent's tools", 2026. Het schrappen viel samen met een overstap naar een sterker model (Claude Opus 4.5); Vercel schrijft de winst toe aan de harness-vereenvoudiging, dus dit is geen puur zelfde-model-resultaat. LangChain (hieronder) is het schone zelfde-model-geval. |
| LangChain: coding-agent 52,8%→66,5% op Terminal-Bench, buiten top-30 naar top-5, alleen harness (zelf-verificatie, betere context, doom-loop-hooks) | Hoog | LangChain, 2026. Onderliggend model onveranderd. |
| Hetzelfde basismodel scoort sterk verschillend op coding-benchmarks afhankelijk van de scaffold | Middel | Meerdere studies; de exacte grootte verschilt per bron en opzet. |
| Een harness = tools + geheugen + context + verificatie | Kadering | Agent-harness-praktijk; "Externalization in LLM Agents" (arXiv 2604.08224), 2026. Het anatomie-voorbeeld is illustratief. |
| Weights → Context → Harness evolutie | Kadering | akshay_pachaar; arXiv 2604.08224, 2026. |
| MCP als standaardprotocol voor tools en data ("de USB-C van AI") | Hoog | Anthropic, Model Context Protocol, eind 2024. |
| "Infrastructuur wordt handelswaar; wat je erbovenop bouwt niet"; kopen/bouwen-splitsing | Kadering | Praktijkcommentaar, 2026. De kopen/bouwen-tabel is onze synthese. |
De ingekaderde figuur in dit dossier is een figuur uit een gepubliceerd paper, gecrediteerd in het onderschrift. Grafieken met "BFF" zijn van onszelf, getekend uit de eronder genoemde bronnen. De harness-anatomie en kopen/bouwen-voorbeelden zijn illustratief, geschreven om het idee te leren. De grafieklabels zijn in het Engels gehouden zodat termen één op één met de bronnen te vergelijken zijn.