Über die Schicht, die entscheidet, was KI in Ihrem Unternehmen wirklich tut — was ein Harness ist, warum er Ihnen gehören sollte und warum „Bring your own Harness" das nächste entscheidende Thema ist.

Gleicher Motor, anderes Auto, anderes Ergebnis. Originalgrafik von neuland.ai; Quellen in Anmerkung 1.

Im Jahr 2024 fuhren vier Formel-1-Teams mit demselben Mercedes-Motor. Das Reglement schreibt vor, dass Motorenlieferanten ihren Kundenteams dieselbe Leistung bereitstellen müssen wie dem eigenen Werksteam. McLaren gewann die Konstrukteurswertung — zum ersten Mal seit 26 Jahren — und verteidigte den Titel 2025. Das Mercedes-Werksteam, das denselben Motor einsetzte, belegte im ersten Jahr Platz vier; Aston Martin Platz fünf; Williams Platz neun. Gleicher Motor, per Reglement. Alles andere entschied das Ergebnis.¹ Im Jahr 2026 hat die KI-Industrie dieselbe Lektion in einer Gleichung festgehalten: Agent = Modell + Harness. Die deutsche Unternehmens-KI-Debatte dreht sich fast ausschließlich um den Motor — welches Modell, welche Cloud, welche Regulierung. Fast niemand spricht über den Harness. Das ist ein Fehler, denn der Harness entscheidet, was das Modell tun darf, was es weiß, was es kostet und wem das Ergebnis gehört.

Diese Serie hat seit einem Jahr dafür argumentiert, dass der Wert in der Unternehmens-KI in der Schicht um das Modell herum liegt.² Diese Schicht hat jetzt einen Namen. Dieser Artikel handelt davon.

Das Modell ist der Motor. Der Harness ist das Auto. In der Unternehmens-KI muss das Auto Ihnen gehören.

Was ein Harness ist

Der Begriff wurde im Februar 2026 formalisiert, als die Praxis, die er beschreibt — das System um ein Modell herum so aufzubauen, dass es als Agent arbeiten kann — endlich einen Namen bekam.³ LangChain formulierte die Gleichung Agent = Modell + Harness und definierte den Harness als „jeden Code, jede Konfiguration und jede Ausführungslogik, die nicht das Modell selbst ist".³ OpenAI veröffentlichte seinen eigenen Bericht über „Harness Engineering". Anthropic beschreibt sein Agent SDK als den Harness, der Claude Code antreibt.³

Praktisch gesprochen ist der Harness alles, was zwischen der Anfrage eines Nutzers und einem fertigen Ergebnis passiert. Er führt die Schleife aus, in der das Modell plant, handelt und seine Arbeit überprüft. Er entscheidet, welche Werkzeuge das Modell aufrufen darf, und führt sie aus — oft in einer isolierten Sandbox. Er verwaltet, was das Modell sieht — welche Dokumente, welche Historie, welche Anweisungen — und was es vergisst. Er hält den Zustand zwischen Schritten und Sitzungen aufrecht, erholt sich von Fehlern, verifiziert Ergebnisse, setzt Berechtigungen durch und protokolliert, was geschehen ist.

Das Modell denkt. Der Harness erledigt alles andere. Und weil ein Modell für sich allein eine zustandslose Funktion ist, die Text in Text verwandelt, ist es der Harness, der daraus etwas macht, das tatsächlich arbeiten kann. Anthropics eigene Ingenieure bringen es auf den Punkt: Jede Komponente eines Harness existiert, weil das Modell etwas noch nicht zuverlässig alleine kann.⁴

Drei Harnesses, die Deutschland bereits kennt

Das Wort klingt technisch. Es ist es nicht. Deutschland versteht Harnesses seit sehr langer Zeit — nur nicht diesen.

Der erste ist der älteste: der Pferdegeschirr. Ein Pferd ist enorme Kraft ohne Richtung. Das Geschirr verwandelt diese Kraft in Arbeit — einen Pflug, der geradeaus gezogen wird, einen Wagen, der dorthin fährt, wohin der Fahrer will — und Zügel und Scheuklappen entscheiden, wohin das Pferd geht und worauf es achtet. Richtung.

Der zweite ist der, den die deutsche Ingenieurskunst am besten kennt: der Kabelbaum im Auto. Er verbindet jeden Sensor, jeden Regler und jeden Aktor im Fahrzeug, er ist für jedes Modell spezifisch ausgelegt, und niemand, der sein Design nicht kontrolliert, kann das Verhalten des Autos verändern. Verbindung.

Der dritte ist der, den jeder Ingenieur gebaut hat: der Testharness, die Vorrichtung, die eine Komponente unter kontrollierten Bedingungen betreibt und genau aufzeichnet, was sie getan hat. Verifikation.

Ein Agent-Harness ist alle drei zugleich. Er gibt der Kraft des Modells eine Richtung, verbindet es mit jedem System im Unternehmen und verifiziert und protokolliert, was es getan hat. Deshalb ist er wichtiger, als er klingt.

Abbildung 1. Drei Gurtanordnungen, die in Deutschland bereits bekannt sind. Originalillustration von neuland.ai.

Warum der Harness mehr zählt als das Modell

Das Formel-1-Ergebnis ist keine Kuriosität. Es ist der Normalfall. Wenn Forscher KI-Agenten evaluieren, messen sie Modell und Harness zusammen; Anthropics eigene Evaluierungsrichtlinien sagen genau das, und öffentliche Benchmarks vergleichen zunehmend Harnesses, die dasselbe Modell betreiben.³ Ein früherer Artikel dieser Serie warnte, dass ein Vergleich, der auf zwei verschiedenen Harnesses läuft, stillschweigend zu einem Anbieterranking wird.⁵ Und das neunschleifige Physik-Ergebnis, das früher in dieser Serie beschrieben wurde, wurde nicht mit einem größeren Modell gewonnen als alle anderen. Es wurde mit einem Harness gewonnen, der ein Modell tagelang am Laufen hielt, das Problem zerlegte und seine eigenen Schritte verifizierte.⁵

Harness Engineering bedeutet, wie seine Praktiker es beschreiben, jeden Agentenfehler als einen dauerhaft zu behebenden Systemdefekt zu behandeln — nicht als Anlass für einen neuen Versuch.³ Das ist gewöhnliche Ingenieursdisziplin. Und genau dort wird das eigene Prozesswissen eines Unternehmens zu einem dauerhaften Vorteil — wenn der Harness dem Unternehmen gehört.

Warum Deutschland nur über den Motor redet

Die deutsche Debatte über Unternehmens-KI hat drei Themen. Welches Modell — das amerikanische, das chinesische oder ein europäisches. Welche Cloud — und ob ihre Server in Frankfurt stehen. Und welche Regeln — der AI Act, Datenschutz, der Betriebsrat. Alle drei sind wichtig. Keines davon ist der Harness.

Es gibt einen einfachen Grund, warum der Harness unsichtbar geblieben ist: Er kam im Paket. Der in eine Office-Suite integrierte Assistent hat einen Harness; ein Enterprise-Chatbot-Abonnement auch, und ein Agentendienst eines Hyperscalers ebenfalls. In jedem Fall hat der Kunde ein Produkt gewählt und den Harness des Anbieters darin bekommen — ohne je gefragt worden zu sein. Das Ergebnis ist die Position, die diese Serie aus verschiedenen Blickwinkeln beschrieben hat: Deutsche Unternehmen mieten den Motor, mieten das Auto und nennen es eine KI-Strategie.

Was ein selbst betriebener Harness bedeutet

Die führenden Labore haben ausgezeichnete Harnesses gebaut. Claude Code, OpenAIs Codex und Googles Gemini CLI haben gemeinsam herausgearbeitet, wie ein Agent planen sollte, wann Arbeit auf Unteragenten aufgeteilt werden soll, wie eine lange Historie komprimiert wird, damit das Modell nicht darin ertrinkt, wie Notizen außerhalb des Kontextfensters gehalten werden und wie das Modell seine eigene Arbeit überprüft. Mehrere dieser Harnesses sind Open Source, und die Labore veröffentlichen detaillierte Beschreibungen ihrer Designs.³

Ein selbst betriebener Harness übernimmt diese Erkenntnisse — die Muster, nicht den Code — und baut sie in einen Harness ein, der dem nutzenden Unternehmen gehört. Destilliert aus den besten Frontier-Harnesses, aber an keines ihrer Modelle gebunden: Derselbe Harness kann morgens ein Open-Weight-Modell auf der eigenen Hardware des Unternehmens betreiben und nachmittags ein Frontier-Modell über eine API — unter denselben Regeln.

Und dann muss er das leisten, wofür die Frontier-Harnesses nie gebaut wurden. Claude Code und Codex sind für einen Entwickler, auf einer Maschine, an einem Repository ausgelegt. Ein Enterprise-Harness bedient Tausende von Mitarbeitern gleichzeitig. Er muss wissen, wer jeder Nutzer ist und was jeder von ihnen sehen darf — bevor ein Modell irgendetwas sieht. Er muss jede Nutzersitzung von allen anderen isolieren, eine Sandbox nur starten, wenn eine Aufgabe sie wirklich braucht, und den Zustand außerhalb des Modells halten, damit eine Sitzung pausiert, verschoben oder fortgesetzt werden kann, ohne etwas zu verlieren. Er muss die Kosten für KI im gesamten Unternehmen kontrollieren — nicht Abonnement für Abonnement. Und er muss eine Aufzeichnung jedes Abrufs, jedes Werkzeugaufrufs und jeder Entscheidung führen, die ein Prüfer ein Jahr später lesen kann.⁶

Abbildung 2. Vom Entwickler-Harness zum Unternehmens-Harness. Ursprüngliche Darstellung von neuland.ai.

Bring your own Harness

Es gibt einen zweiten Grund, warum der Harness bald wichtiger wird. Viele große Unternehmen haben bereits Agenten gebaut — mit LangGraph, mit dem Claude Agent SDK, mit OpenAIs Tools oder mit eigenem Code. Diese Agenten haben Schleifen, Werkzeuge und Evaluierungssuiten. Was sie meist nicht haben, ist der Rest des Autos: systemübergreifend durchgesetzte Berechtigungen, ein gemeinsames Unternehmensmodell, Routing zwischen Modellen und ein Audit-Trail.

Das ist, was „Bring your own Harness" bedeutet. Ein Unternehmen behält die bereits gebauten Agenten und betreibt sie innerhalb einer Plattform, die Identität, Berechtigungen, Wissen, Routing und das Protokoll bereitstellt — anstatt sie auf einer proprietären Laufzeitumgebung eines Anbieters neu aufzubauen. Der Harness wird zu einem austauschbaren Teil, so wie es das Modell bereits ist. Ein früherer Artikel dieser Serie argumentierte, dass „Bring your own Model" zur Selbstverständlichkeit geworden sei und der Harness die nächste Schicht sei; genau dorthin entwickelt sich die Unternehmensarchitektur jetzt.⁵

Abbildung 3. Bringen Sie Ihren eigenen Kabelbaum mit. Die Unterstützung für vom Kunden bereitgestellte Kabelbäume ist derzeit eine technische Priorität des neuland.ai HUB (Anmerkung 9). Originaldiagramm von neuland.ai.

Die Managed-Service-Falle

Die Alternative zum Besitz des Autos ist, es von einem Hyperscaler zu mieten — einen verwalteten Dienst nach dem anderen. Diese Dienste sind gut, und für viele Workloads sind sie die richtige Wahl. Aber es lohnt sich, genau zu sein, was Mieten bedeutet.

Abrechnung nach Verbrauch. Microsofts Azure Document Intelligence wird pro Seite abgerechnet: Stand Oktober 2026 zehn Dollar pro tausend Seiten für vorgefertigte Modelle wie Rechnungen und Layout, dreißig Dollar pro tausend für benutzerdefinierte Extraktion.⁷ Die Kosten skalieren mit dem Volumen — unbegrenzt.

Der Kalender eines anderen. Microsoft hat die v2.0-API des Dienstes am 31. August 2026 eingestellt, und benutzerdefinierte Modelle, die auf bestimmten Vorschauversionen der API trainiert wurden, mussten neu trainiert werden.⁷ Der vorherige Artikel dieser Serie beschrieb, wie ein solcher Kalender aussieht, wenn er ein Unternehmen und seine Modelle erreicht.

Gleiche Qualität auf jeder Cloud — nicht ganz. Azure Document Intelligence läuft auf Azure; das Äquivalent auf AWS ist ein anderes Produkt mit anderem Verhalten und anderen Preisen. Microsoft bietet Container an, die auf eigener Hardware laufen — einschließlich vollständig getrennter Umgebungen mit Jahresverpflichtungen — aber nur die Read- und Layout-Modelle laufen dort auf der aktuellen API-Version, und der vorgefertigte Rechnungscontainer ist eine Hauptversion hinter dem Cloud-Dienst.⁷

Wohin Ihre Anfragen gehen. Amazon Bedrock bietet drei Möglichkeiten, ein Modell zu betreiben: in einer Region, über die Regionen einer Geografie wie der EU oder global über jede kommerzielle Region. Die EU-Option hält Daten innerhalb der EU — gut. Aber neue Modelle sind oft nur über regionsübergreifendes Routing verfügbar; ein Videomodell, das im Oktober 2026 auf Bedrock gestartet wurde, kann von Frankfurt aus nur über das globale Profil aufgerufen werden.⁸ AWSs eigene Dokumentation weist darauf hin, dass Prompts und Ausgaben während der regionsübergreifenden Inferenz die Quellregion verlassen können.

Wessen Harness. Bedrocks Agent-Runtime, AgentCore, stellt Speicher, Richtlinien und Evaluierungen als AWS-Dienste bereit.⁸ Ein darauf aufgebauter Agent hält seinen Speicher, seine Regeln und seine Tests innerhalb von AWS. Das ist das Auto — gemietet. Und es auf eine andere Cloud zu verlagern bedeutet, es neu zu bauen.

Abbildung 4. Managed Services im Vergleich zu einer Plattform auf Kubernetes. Originalgrafik von neuland.ai; Quellen siehe Anmerkungen 7 und 8.

Eine Plattform, ein Cluster, jede Cloud

Die Alternative besteht nicht darin, die Hyperscaler zu meiden. Es geht darum, die Schicht zu besitzen, die auf ihnen läuft. Eine Plattform, deren Harness, Dokumenten-Pipeline, Wissensschicht und Modell-Serving alle als Container auf Kubernetes laufen, verhält sich überall gleich, wo dieser Cluster läuft: on-premises, in einer deutschen Sovereign Cloud oder in der Region eines beliebigen Hyperscalers. Dieselben Container-Images, dieselben Open-Weight-Modelle und dieselbe Pipeline liefern bei gleicher Hardware dieselben Ergebnisse. Es gibt keine seitenbasierte Abrechnung, keinen Einstellungskalender eines Drittanbieters für die wichtigsten Komponenten und keine Frage, welche Region eine Anfrage verarbeitet hat — weil Sie den Cluster gewählt haben. Frontier-Modelle bleiben über den Router verfügbar, wo die Unternehmensrichtlinie es erlaubt.

Das ist die wahre Bedeutung von Unabhängigkeit in der Unternehmens-KI. Nicht die Abwesenheit amerikanischer Technologie, sondern die Abwesenheit jeder einzelnen Abhängigkeit, die man nicht ersetzen kann.

Der Harness-Check

Kreuzen Sie jede Aussage an, die heute für Ihr Unternehmen zutrifft:

Auswertung:

Wo neuland.ai dabei steht

Der neuland.ai HUB ist um seinen eigenen Harness herum gebaut — destilliert aus dem, was die führenden Frontier-Harnesses als funktionierend gezeigt haben, und von Anfang an für viele gleichzeitige Nutzer ausgelegt: Identität und Berechtigungen werden durchgesetzt, bevor ein Modell Daten sieht; isolierte Sitzungen; Sandboxes werden nur gestartet, wenn eine Aufgabe sie benötigt; der Zustand wird in einem dauerhaften Protokoll gehalten, nicht im Modell; und ein unveränderlicher Trail jedes Schritts. Die gesamte Plattform — Harness, Dokumenten-Pipeline, Wissensschicht und Modell-Serving — läuft auf Kubernetes: on-premises, in einer europäischen Sovereign Cloud, in jeder Hyperscaler-Region oder vollständig air-gapped, mit demselben Verhalten überall. Die meiste Arbeit läuft auf intern gehosteten Open-Weight-Modellen, mit Frontier-Modellen wie Claude und GPT dort, wo die Kundenrichtlinie es erlaubt. Die Unterstützung für kundenseitig bereitgestellte Harnesses — verbunden über SDKs, MCP und Harness-Adapter — ist eine aktuelle Engineering-Priorität.⁹

Die Frage, die wir von IT-Leitern jetzt am häufigsten hören, lautet nicht: Welches Modell sollen wir verwenden? Sie lautet: Wem soll das gehören, was es verwendet? Unsere Antwort: Ihnen.

Persönliche Einschätzungs

Dies ist kein Argument gegen Microsoft oder Amazon. Ihre Dienste sind gut, viele unserer Kunden nutzen sie, und für manche Workloads ist ein Managed Service genau das richtige Werkzeug. Es ist ein Argument darüber, welche Schicht ein Unternehmen besitzen sollte. In der Formel 1 gewinnen nicht immer die Teams, die ihren eigenen Motor bauen. Es sind die Teams, die ihr eigenes Auto bauen.

Was ich zurückweise, ist die Gewohnheit, den Harness als Implementierungsdetail zu behandeln, das kostenlos mit einem Abonnement kommt. Er ist die Schicht, in der das Prozesswissen eines Unternehmens zu Software wird, in der seine Regeln durchgesetzt werden und in der seine Ergebnisse protokolliert werden. Deutschland weiß besser als fast jeder andere, dass der Harness der Ort ist, wo die Ingenieurskunst lebt — es baut sie täglich für Autos. Es ist Zeit, dass es bemerkt, dass KI auch einen hat.

Wir bei neuland.ai würden es vorziehen, wenn unsere Kunden das Auto besäßen und den Motor wählten — anstatt beides zu mieten und zu hoffen, dass das Rennen zu ihren Bedingungen ausgetragen wird.

1. Formel 1: FIA Formel-1-Weltmeisterschaft 2024 (McLaren-Mercedes Konstrukteursweltmeister; Mercedes Vierter, Aston Martin Fünfter, Williams Neunter — alle mit Mercedes-Antriebseinheiten); FIA Formel-1-Weltmeisterschaft 2025 (McLaren verteidigt den Konstrukteurstitel); PlanetF1 (Dezember 2024) über die Regulierungsanforderung zur Leistungsparität zwischen Kunden- und Werksteams.

2. Serienartikel verfügbar unter neuland.ai.

3. Zum Begriff und seiner Definition: Vivek Trivedy (LangChain), „The Anatomy of an Agent Harness" (2026), Definition zitiert in „Distributing Security Controls Through Harness Engineering", arXiv:2607.25890; en.wikipedia.org, zur Formel Agent = Modell + Harness und dem Ursprung des Begriffs im Februar 2026, einschließlich Mitchell Hashimotos Beitrag über Harness Engineering; Ryan Lopopolo (OpenAI), „Harness engineering" (2026); Anthropic, Claude Agent SDK-Dokumentation; Anthropics Leitfaden zu Agentenevaluierungen, zusammengefasst in „Harness Engineering for Language Agents", Preprints.org (2026); Firecrawl, „What Is an Agent Harness?" (2026).

4. Anthropics Engineering-Texte über Harnesses für lang laufende Arbeit, zusammengefasst von Addy Osmani, „Agent Harness Engineering" (April 2026).

5. Frühere Artikel dieser Serie über Blind-Evaluation, neun Schleifen und die Compute-Einschränkung, die „Bring your own Harness" einführte.

6. Designprinzipien für die Ausführung von Multi-User-Agenten, beschrieben in früheren Artikeln dieser Serie über Zustandslosigkeit, Containment und Provenienz.

7. Azure Document Intelligence-Preise, berichtet von SuperDupr (24. Oktober 2026); Microsoft Azure-Update, „Azure AI Document Intelligence v2.0 API wird am 31. August 2026 eingestellt"; IDP Software-Leitfaden (2026) zur Einstellung von Vorschau-API-Versionen am 30. Juni 2026 und zur Notwendigkeit, benutzerdefinierte Modelle neu zu trainieren; InvoiceExtractor (Oktober 2026) und ReviewRamble (Oktober 2026) zur Container-Verfügbarkeit nach API-Version und zu Offline-Container-Verpflichtungen.

8. Amazon Bedrock-Dokumentation zu regionsinterner, geografischer und globaler regionsübergreifender Inferenz sowie zu Prompts und Ausgaben, die die Quellregion während der regionsübergreifenden Inferenz verlassen; Amazon Bedrock-Modellkarte für TwelveLabs Pegasus v1.5 (gestartet 8. Oktober 2026), Frankfurt nur über globale regionsübergreifende Inferenz; Amazon Bedrock AgentCore-Dokumentation zu regionsübergreifender Inferenz für AgentCore Memory, Policy und Evaluations.

9. neuland.ai HUB: eigener Agent-Harness für Multi-User-Betrieb mit identitäts- und berechtigungsgesteuerter Ausführung, isolierten Sitzungen, bedarfsgesteuertem Sandboxing, dauerhaftem Zustand und unveränderlichem Audit-Trail; Plattform auf Kubernetes on-premises, in einer europäischen Sovereign Cloud, in einer Hyperscaler-Region oder air-gapped; aufgabenbasiertes Modell-Routing über selbst gehostete Open-Weight- und proprietäre Modelle; Unterstützung für kundenseitig bereitgestellte Harnesses über SDK, MCP und Harness-Adapter ist eine aktuelle Engineering-Priorität.