Ein starkes Modell ist wie ein starker Hund ohne Leine. Es kann eine Menge, aber es macht jedes Mal etwas anderes. Du kennst das: derselbe Prompt, drei Durchläufe, drei verschiedene Ergebnisse. Zwei davon brauchbar, eins daneben. Für eine schnelle Frage egal. Für alles, was verlässlich sein muss, ein Problem.

Die übliche Antwort darauf lautet: mehr Prompt. Noch eine Regel oben drauf, noch ein Beispiel, noch ein „und bitte denk daran". Bis der Prompt so lang ist, dass das Modell die Hälfte davon ab Seite drei ignoriert. Das skaliert nicht, und es driftet trotzdem.

---

Das Problem ist nicht die Power. Es ist die Führung.

Die Fähigkeit ist längst da. Die aktuellen Modelle schreiben, recherchieren, bauen Code, argumentieren. Was fehlt, ist die Führung: eine Bahn, in der diese Power jedes Mal an derselben Stelle rauskommt. Ohne die Bahn bekommst du bei jedem Lauf eine andere Auslegung davon, was „gut" heißt.

Mal triffst du den Ton, mal nicht. Mal ist die Struktur sauber, mal ausgefranst. Genau hier setzt ein Harness an.

Ein Harness ist das Gerüst um die KI

Ein Agent-Harness ist nicht das Modell selbst, sondern das Drumherum: feste Regeln, Werkzeuge für die einzelnen Schritte, eine Schleife aus Bauen und Prüfen, und Kontrollpunkte, an denen ein Mensch entscheidet. Das Modell liefert die Power, das Harness lenkt sie in eine verlässliche Bahn. Aus „kann alles" wird „macht das Richtige, und zwar jedes Mal gleich".

Der Begriff kommt aus der Agenten-Welt, aber du musst kein Entwickler sein, um ihn zu verstehen. Denk an das Geschirr am Hund. Es macht den Hund nicht stärker. Es gibt dir den Griff, um seine Kraft zu lenken.

Wie ich eins gebaut habe

Am konkretesten wird das an einem echten Beispiel. Ich habe für Deutschlands führenden Anbieter für Daten- und KI-Weiterbildung ein Harness gebaut, das Lerninhalte produziert. Kurslektionen, die didaktisch sitzen, im richtigen Ton, nach einem festen Qualitätsstandard, und das nicht einmal, sondern über viele Einheiten hinweg gleich. Gebaut mit Claude Code. Vier Bausteine haben den Unterschied gemacht.

Regeln als Daten, nicht als Prompt. Der Kern der Sache: Die Qualitätsregeln liegen nicht in einem langen Prompt und nicht in den Köpfen einzelner Leute, sondern als Bibliothek daneben. Vier Schichten, von „warum" zu „wie genau": Prinzipien (die Didaktik dahinter), Standards (was „gut" für einen Inhaltstyp konkret heißt), Kriterien (wie man das misst) und Komponenten (die Inhaltstypen selbst, etwa Lektion oder Videoskript). Die Werkzeuge holen sich die passenden Vorgaben selbst aus dieser Bibliothek. So arbeitet jeder nach demselben Standard, ohne ihn auswendig zu kennen.

Bauen und Prüfen sind zwei getrennte Werkzeuge. Das eine schreibt aus einem Auftrag eine komplette, regelkonforme Lektion. Das andere bewertet sie danach gegen alle Regeln und gibt einen Report: rot, gelb, grün, mit konkreten Fundstellen. Der Prüfer fasst den Inhalt dabei nie selbst an, er urteilt nur. Diese Trennung ist der Punkt: Wer baut und wer bewertet, sind nicht dieselbe Instanz. Insgesamt sind es neun solcher Werkzeuge, vom Rechercheur am Anfang bis zum Exporteur am Ende.

Der Mensch bleibt im Loop. An festen Stellen hält das System an: ein Briefing im Chat, ein Gliederungs-Checkpoint als Datei, ein Review vor der Freigabe. Ohne mein Go entsteht kein Volltext. Und der letzte Schritt, der Export in die Lernplattform, ist immer ein Vorschlag, den ein Mensch freigibt, nie ein automatischer Versand. Vorschlagen ja, entscheiden nein.

Bewusst keine Agenten-Crew. Das klingt nüchterner, als der Hype es gern hätte. Kein Schwarm aus zehn Agenten, die sich gegenseitig zurufen. Das Harness arbeitet inline: ein Werkzeug, ein nachvollziehbarer Durchlauf. Die Qualität steckt in den Regeln und den Prüfungen, nicht in einer Rollen-Choreografie, bei der am Ende keiner mehr weiß, wer was entschieden hat. Dazu kommt eine simple Governance: Es gibt genau einen Weg, eine Regel zu ändern. Jede Regel trägt eine Version, jede Änderung läuft durch automatische Checks. So verstellt niemand aus Versehen eine Vorgabe für alle Kurse, während er an einer einzelnen Lektion sitzt.

Was es kann

Einmal gebaut, liefert so ein Harness Woche für Woche denselben Standard. Die Vorteile sind greifbar:

• Konsistenz. Dieselben Regeln bei jedem Durchlauf, nicht bei jedem Prompt neu verhandelt.
• Skalierung. Der Standard hängt nicht mehr an einer Person, die ihn im Kopf trägt.
• Eingebaute Prüfung. Qualität wird gemessen, nicht gehofft.
• Wissen im System. Die Regeln liegen an einem Ort: versioniert, nachlesbar, für alle gleich.

Die Gegenposition: wo ein Harness endet

Jetzt der ehrliche Teil, denn ein Harness ist kein Wundermittel.

Es macht das Modell nicht schlauer, nur verlässlicher. Wenn das Modell etwas grundsätzlich nicht kann, ändert daran auch das beste Gerüst nichts. Schlechte Regeln rein heißt schlechter Output raus: Das Harness setzt deine Vorgaben durch, auch die falschen.

Und es ist Arbeit. Bauen, pflegen, versionieren kostet Vorlauf, und der lohnt sich erst, wenn du dieselbe Art Arbeit oft genug wiederholst. Dazu kaufst du Verlässlichkeit mit Spielraum: mehr Struktur heißt weniger spontane Kreativität. Für einen einzelnen, kreativen Task ist ein Harness Overkill.

Was das für dich bedeutet

Die Faustregel ist einfach. Hast du einen Einmal-Task, reicht ein guter Prompt. Wiederholst du dieselbe qualitätskritische Arbeit immer wieder, lohnt sich das Harness. Es ist der Unterschied zwischen „KI hilft mir mal" und „KI liefert zuverlässig, jeden Tag".

Und du musst nicht mit dem ganzen System anfangen. Fang mit einer Schicht an: Schreib deine wichtigsten Regeln einmal sauber als Daten auf, statt sie in jeden Prompt zu kopieren. Dann häng eine Prüfung dahinter. Dann ein Gate, an dem du entscheidest. Ein Baustein nach dem anderen, bis aus deinen verstreuten Prompts ein System wird, das für dich arbeitet.