Modell egal, Hülle entscheidend: So funktionieren echte KI-Agenten

KI-unterstützt · redaktionell geprüft

Ein GPT- oder Claude-Modell wird erst durch seine Software-Hülle zum handelnden Agenten. Der sogenannte Harness bestimmt Kosten, Leistung und Lock-in-Risiko stärker als das Modell selbst.

Ein Sprachmodell kann Text erzeugen oder einen Werkzeugaufruf vorschlagen. Damit es tatsächlich Dateien bearbeitet, recherchiert oder über hundert Schritte hinweg ein Ziel verfolgt, braucht es eine zusätzliche Softwareschicht. Diese Schicht heißt in der Branche zunehmend „Agent Harness“.

Die Formel dahinter ist simpel: Agent gleich Modell plus Harness. Für Unternehmen, die gerade in Agenten-Infrastruktur investieren, verschiebt das die entscheidende Frage. Nicht mehr GPT gegen Claude steht im Zentrum, sondern die Architektur drumherum, die über Erfolg, Kosten und Abhängigkeit vom Anbieter entscheidet.

Der Harness bestimmt, ob ein Agent sein Ziel noch kennt

Laut Trending Topics organisiert ein Harness vier Kernfunktionen: Anweisungen und Richtlinien, Werkzeugzugriffe, eine agentische Schleife aus Handlung und Bewertung sowie Kontext- und Speicherverwaltung. Ein System Prompt legt fest, wann ein Agent stoppen oder eine Freigabe einholen muss.

Der Harness wählt aus, welche Werkzeuge; Terminal, Websuche, Dateisystem; überhaupt zur Verfügung stehen und begrenzt Laufzeit sowie Iterationen. Bei langen Aufgaben fasst er ältere Informationen zusammen und lagert Daten aus, wenn das Kontextfenster nicht mehr ausreicht. Ohne diese Mechanik bricht ein Agent nach vielen Schritten schlicht die Orientierung an seinem ursprünglichen Ziel.

Gleiches Modell, unterschiedliche Ergebnisse

Wie stark die Hülle das Ergebnis prägt, zeigen mehrere Studien. Claude Opus 4.5 erreichte laut Trending Topics auf dem Coding-Benchmark SWE-bench Pro in einem standardisierten Gerüst 45,9 Prozent, mit dem herstellereigenen Claude Code dagegen 55,4 Prozent.

Databricks verglich identische Modelle mit gleichem Rechenbudget in unterschiedlichen Coding-Harnesses und stellte teils mehr als doppelt so hohe Kosten pro Aufgabe fest, bei gleicher Ergebnisqualität. Der minimalistische Pi-Harness übertrug demnach rund dreimal weniger Kontext pro Schritt. Scale AIs HarnessOpt-Bench relativiert die Debatte allerdings: Die Wahl des Optimierungsmodells wirkte sich im Schnitt etwa 1,8-mal stärker aus als die Wahl des Harness selbst. Entscheidend ist das Zusammenspiel, nicht eine einzelne Komponente.

Lock-in verschiebt sich, Sicherheitslücken bleiben offen

Für Unternehmen wird der Harness zum eigentlichen Vermögenswert, weil dort Workflows, Berechtigungen und die Historie erledigter Aufgaben liegen. Modelle lassen sich über eine Schnittstelle vergleichsweise leicht tauschen, ein offener Harness senkt die Abhängigkeit vom Modellanbieter. Die Bindung wandert dafür zur Harness-Plattform, sobald dort institutionelles Wissen kumuliert.

Parallel wächst die Angriffsfläche: Das Software Engineering Institute der Carnegie Mellon University warnt in einer aktuellen Analyse, dass LLM-Agenten trotz rasanter Verbreitung systemische Sicherheitslücken aufweisen und Praxis-Implementierungen etablierte Best Practices nur unzureichend umsetzen. Ein Survey-Team ergänzt, dass persistente Speicher und delegierte Autorität Agenten besonders anfällig für Prompt-Injection und Datenschutzverletzungen machen. Sandboxing und Werkzeugberechtigungen gelten deshalb als zentrale, aber noch unausgereifte Schutzmechanismen.

Business Punk Check

Fakt ist: Dieselbe Modell-Basis liefert je nach Harness signifikant unterschiedliche Leistungswerte, belegt durch SWE-bench-Pro-Zahlen und Databricks-Kostenvergleiche. Fakt ist auch, dass Sicherheitsforschung von Carnegie Mellon systemische Lücken in aktuellen Agenten-Implementierungen dokumentiert.

Interpretation: Wer Agenten-Infrastruktur aufbaut, kauft de facto eine Architekturentscheidung, keine Modellwahl. Offen bleibt, ob sich rund um Harnesses tatsächlich tragfähige Erlösmodelle jenseits von Subscriptions und Managed Runtimes etablieren, oder ob der Markt sich schneller konsolidiert, als Unternehmen ihre Lock-in-Risiken bewerten können.

Auf einen Blick

• Ein Harness verwandelt ein reines Sprachmodell durch Anweisungen, Werkzeuganbindung, Schleifensteuerung und Speicherverwaltung in einen handlungsfähigen Agenten.
• Dieselbe Modell-Basis lieferte laut Trending Topics auf SWE-bench Pro mit unterschiedlichen Harnesses eine Spanne von 45,9 bis 55,4 Prozent.
• Databricks stellte bei identischem Rechenbudget teils mehr als doppelt so hohe Kosten pro Aufgabe fest, abhängig allein vom gewählten Harness.
• Das Software Engineering Institute der Carnegie Mellon University warnt vor systemischen Sicherheitslücken in aktuellen Agenten-Implementierungen.
• Der eigentliche Lock-in verschiebt sich vom Modellanbieter zur Harness-Plattform, sobald dort Workflows und institutionelles Wissen gespeichert sind.

Quellen: Trending Topics (deutsch), Trending Topics (englisch), Software Engineering Institute, Carnegie Mellon University, Arxiv – Navigating the Risks, Arxiv – The Emerged Security and Privacy of LLM Agent, Microsoft Learn, Fiddler, Atlan