Agent-harnessen er produktet

Nøkkelinnsikt

• Agent-harnessen er produktet, ikke modellen. Modeller blir stadig mer like hverandre. Det er infrastrukturen rundt dem milliardverdiene ligger i.
• Tre-lags orkestrering lar deg skalere AI-arbeid horisontalt. Orkestratoren planlegger, teamlederne koordinerer, arbeiderne utfører. Én agent er ikke nok.
• Å bygge systemet som bygger systemet er det grunnleggende skiftet. Slutt å instruere én agent til å lage ting. Bygg et team av agenter som eier domenet.
• Når agenter kan angripe, trenger du agenter som forsvarer. Krysningen mellom AI-agenter og sikkerhet er et av de største mulighetene for ingeniører i 2026.

Kort fortalt

Da kildekoden til Claude Code, Anthropics AI-kodeverktøy, ble lekket, handlet de fleste kommentarer om nye funksjoner og modellen bak. Dan Disler, ingeniøren bak IndyDevDan, så noe annet: det virkelig verdifulle er ikke AI-modellen i det hele tatt. Det er rammeverket rundt den. I denne videoen viser Disler et komplett fleragens-team som kjører på Pi-kodingsagenten (et verktøy med åpen kildekode som lar deg bygge og tilpasse din egen agent-harness), og argumenterer for at det å bygge din egen agent-harness er den mest verdifulle ferdigheten en ingeniør kan utvikle akkurat nå.

Hva er en agent-harness?

Tenk deg en Formel 1-bil. Motoren er utrolig kraftig, men uten ratt, girskift, sikkerhetssele og de ombordmonterte datamaskinene kommer bilen ingen nyttige steder. Motoren alene er ikke produktet. Det er hele systemet som gjør motoren nyttig som er produktet.

En agent-harness fungerer på nøyaktig samme måte. Det er rammeverket som sitter rundt AI-modellen og styrer alt modellen gjør. Ifølge Disler består en harness av deterministisk kode (kode som alltid oppfører seg forutsigbart, i motsetning til AI-en selv), token-mellomlagring (lagring av tidligere AI-svar slik at du slipper å betale for å gjenta dem), agentorkestrering (koordinering av flere AI-agenter som jobber sammen), instruksjoner, ferdigheter og modellstyring.

Uten agent-harnessen finnes det ingen agenter, ingen agentisk koding, og dermed ingen agentisk ingeniørkunst. For å forstå den sammenhengen, tenk deg tre nivåer av å jobbe med AI:

• Vibe coding er inngangsnivået: du skriver en instruksjon, AI-en genererer kode, og du håper det fungerer. Ingen struktur, ingen plan.
• Agentisk koding (agentic coding) er neste steg: du bruker et verktøy som Claude Code som kan lese prosjektet ditt, kjøre kommandoer og rette sine egne feil. AI-en genererer ikke bare tekst lenger, den handler inne i kodebasen din.
• Agentisk ingeniørkunst (agentic engineering) er nivået Disler beskriver: du designer og bygger hele systemer av AI-agenter som jobber sammen i team, hver med en spesifikk rolle og et avgrenset ansvarsområde. Du instruerer ikke én agent. Du bygger en arbeidsstyrke.

Harnessen er det som gjør det tredje nivået mulig. Den gjør en kraftig men uforutsigbar AI-modell om til et pålitelig og gjentakbart system.

Claude Code nådde 2,5 milliarder dollar i ARR (årlig gjentakende inntekt) raskere enn noe produkt i historien. Da kildekoden ble lekket, forventet folk å finne en hemmelig ingrediens i modellen. I stedet fant de en gjennomarbeidet harness: systemet som styrer hvordan modellen leser prosjektet ditt, hvilke verktøy den kan kalle, hvordan den mellomlagrer tidligere arbeid, og hvordan den orkestrerer oppgaver over flere steg. Modellen under er kraftig, men det er ikke den som gjør Claude Code verdt milliarder. Det er harnessen.

Claude Code-lekkasjen forteller oss at agent-harnessen er produktet. Modeller er i ferd med å bli en vare, mener Disler: mange selskaper bygger modeller som presterer omtrent likt. Harnessen er den delen som er vanskelig å kopiere.

Tre nivåer: orkestratorer, ledere og arbeidere

Tenk på et stort byggeprosjekt. Det er en prosjektleder som bestemmer strategien. Det er anleggsledere som koordinerer hvert mannskap. Og så er det arbeiderne som faktisk støper betong og legger murstein. Prosjektlederen tar aldri opp en murskje. Det er ikke jobben deres. Jobben er å tenke, planlegge og delegere.

Dislers agentsystem følger nøyaktig denne logikken. Han kaller det en tre-lags arkitektur: én orkestrator, flere teamledere og hyperspesialiserte arbeidere.

• Orkestratoren tar inn din ene melding og bestemmer hvordan arbeidet skal fordeles. Den vet hvordan teamlederne skal instrueres. Den skriver ikke kode selv.
• Teamlederne mottar instruksjoner fra orkestratoren og leder sin gruppe av arbeidere. I likhet med orkestratoren tenker og delegerer de, fremfor å bygge.
• Arbeiderne er hyperspesialiserte agenter. Hver enkelt gjør én ting veldig bra: én genererer brukergrensesnitt, en annen håndterer animasjoner, en tredje validerer resultatet.

I demoen kjører Disler 15 agenter i full konfigurasjon (eller 9 i den reduserte versjonen som brukes i videoen). Slik fungerer det i praksis: du skriver én melding i et chatgrensesnitt. Orkestratoren leser den og skriver en full, detaljert instruksjon til hver teamleder, inkludert variabler, steg-for-steg-instruksjoner og en arbeidsflyt. Tenk på det som en sjef som mottar «bygg meg tre nye dashboardsider» og gjør det om til en konkret prosjektplan for hvert mannskap.

Teamlederne oppretter så det Disler kaller en till done-liste: ikke en vanlig gjøremålsliste, men en liste med oppgaver agentene jobber seg gjennom til absolutt alt er ferdig. Hvis en oppgave feiler, blir den stående på listen og prøves på nytt. Systemet stopper ikke ved «godt nok». Det fortsetter til listen er tom.

Noen arbeidere i demoen bruker Claude Sonnet 4.6 (Anthropics AI-modell), mens andre kjører eksperimentelle åpen kildekode-modeller som Minimax 2.7 og Step 3.5 Flash. Under direktedemoen sluttet åpen kildekode-modellene å svare helt. Det som skjedde etterpå illustrerte hele poenget med arkitekturen: teamlederne innså at arbeiderne ikke leverte, brøt sine egne regler om å ikke skrive kode, og tok over jobben selv. Som Disler sa det: hvis en arbeider faller ut, sørger lederen for at jobben blir gjort. Akkurat som på et ekte ingeniørlag der seniorutvikleren hopper inn på en feilende oppgave i stedet for å la prosjektet stanse.

Du sender én melding til orkestratoren. Hele teamet setter i gang parallelt. Du la inn like mye som alltid. Det var arkitekturen som skalerte.

Agenter som lærer og holder seg i sin bane

Et av de mer slående detaljene i Dislers system er at hver agent opprettholder sin egen mentale modell: en fil der agenten noterer alt den har lært om prosjektet. Alt Disler gir agenten er en kort ferdighet (rundt 75 linjer) som forklarer hvordan filen skal vedlikeholdes. Hva som faktisk skrives i den, bestemmer agenten selv. En agents mentale modell hadde vokst til 7 000 tokens (omtrent 5 000 ord) med akkumulert kunnskap: notater om designvalg, lærdommer fra tidligere bygg, forbedringsideer og en løpende oversikt over utført arbeid.

Det betyr at agenten ikke starter fra null hver økt. Når Disler starter agentteamet sitt, kjenner hver agent allerede kodebasen, merkevaren og produktets historie. Sammenlign det med en vanlig Claude Code-sesjon der agenten leser prosjektet ditt fra bunnen av hver gang. En agent som husker presterer bedre enn en som glemmer.

Den andre nøkkeldisiplinen er domenerestriksjoner. Hver agents konfigurasjonsfil spesifiserer nøyaktig hvilke mapper og filer den har lov til å røre. En grensesnittgenerator jobber bare med frontend-komponenter (den delen brukeren ser). En validator bare leser resultatet og sjekker mot regler. En animasjonsspesialist rører aldri databasen. Én agent, én instruksjon, ett formål er en massiv fordel i fleragens-systemer. Når en agent forsøker å gå utenfor sitt definerte område, merker systemet det med en X og blokkerer handlingen. Å holde agenter fokusert holder resultatet konsistent og til å stole på.

Claude Code som meta-bygger

Her er det som snur den vanlige tankegangen om AI-koding på hodet. De fleste bruker Claude Code til å bygge produktet sitt. Disler bruker det til å bygge systemet som så bygger produktet.

Han bruker 80 % av tiden sin i Claude Code som meta-bygger, det vil si at han bruker Claude Code til å lage selve agent-harnessen, ikke til å bygge sluttproduktet direkte. De spesialiserte Pi-agentteamene han setter i drift er resultatet av det arbeidet. Når harnessen er på plass, kan teamet generere nye grensesnitt, nye funksjoner og nye prototyper uten at Disler rører dem én etter én.

Analogien her er en fabrikk kontra et verksted. En håndverker på et verksted lager én stol om gangen. En fabrikkeier bygger maskinene som produserer stoler kontinuerlig. Å bygge systemet som bygger systemet er fabrikktankegang anvendt på programvareutvikling. Du investerer tid én gang i harnessen; du høster resultater på ubestemt tid.

Disler kaller det han kontrollerer for de fire kjerneelementene (core four): de fire tingene du styrer for hver agent. De er kontekst (hva agenten vet om), modell (hvilken AI den kjører), instruksjon (hva den skal gjøre) og verktøy (hva den kan gjøre i verden). Når du eier harnessen, styrer du alle fire for hver eneste agent i systemet. Når du bruker noen andres verktøy uten tilpasning, styrer du nesten ingen av dem.

Dette endrer også hva det betyr å skrive en instruksjon. I en godt bygget harness snakker instruksjonen din til orkestratoren, som vet hvordan den skal oversette intensjonen din til instruksjoner for hvert team. Du gir ikke én agent i oppgave å gjøre noe. Du leder et team som allerede kjenner domenet ditt.

Harness-engineering som den viktigste ferdigheten

Det er et begrep Disler setter opp som motsetning til harness-engineering: vibe coding. Vibe coding betyr å skrive instruksjoner til en AI på slump og håpe at den leverer noe nyttig, uten struktur, planlegging eller ingeniørdisiplin. Det fungerer for raske eksperimenter. Det skalerer ikke.

Harness-engineering er det motsatte. Det betyr å bevisst designe og bygge infrastrukturen som styrer agentene dine. Når du eier harnessen, kontrollerer du konteksten hver agent ser, modellen den bruker, verktøyene den har tilgang til og domenet den opererer i.

Muligheten Disler peker på, og som binder det hele sammen, er agentisk sikkerhet. Fordi AI-agenter nå kan brukes til automatisk å undersøke og utnytte programvaresystemer, er behovet for agenter som forsvarer de samme systemene enormt. Når agenter kan angripe i stor skala, trenger du agenter som forsvarer i stor skala. Ingeniørene som kan bygge spesialiserte agent-harnesser for sikkerhetsdomener har en kompetansekombinasjon svært få besitter.

Temaet for 2026 er å øke tilliten du har til agentene dine til å gjøre stadig større arbeidsoppgaver over tid. Den tilliten bygges ikke med en bedre modell. Den bygges ved å lage en bedre harness — én som er spesialisert, disiplinert og designet for å levere konsistente resultater på tvers av en hel problemklasse, ikke bare én enkelt oppgave.

Ordliste

Kilder og ressurser