Harness、Junyang Lin、трильйонний доларовий сектор і долоня Anthropic

Інфра епохи Agent — можливості та уява у багато разів більші, ніж “лобстери”.

У березні 2026 року найгарячіше слово в індустрії ШІ — це не назва жодної моделі, а англійське слово, яке звучить так, ніби воно не має нічого спільного зі ШІ: Harness.

Його пряме значення — упряж. Головний елемент — вуздечка, збруя, сідельне спорядження — цілий комплект речей, які надягають на коня.

Якщо це слово використовувати як дієслово, то його сенс, імовірно, має бути “керувати”.

Ти не скажеш harness a calculator（керувати калькулятором）, але скажеш harness the wind（керувати вітром）, harness a horse（керувати конем）。 Люди, які вживають це слово — навмисно чи ні — визнають одну річ: вони стикаються не з пасивним інструментом, а з сутністю, що має силу й самостійність. Вони не “використовують” це, вони “керують” цим.

Це слово стає найцентральнішою індустріальною концепцією в епоху AI Agent.

Навколо нього виростає інфраструктурний шар розміром у трильйони доларів. А ті, хто визначає правила цього шару, уже на підході.

Harness is the New Infra

Harness у контексті AI має дві лінії еволюції.

Перша — риторична. “Harness AI” як універсальний вислів давно ходить у технологічній індустрії й означає без особливостей лише “здатність керувати AI”.

Друга — важливіша — технічна. Наприкінці 2025 року Anthropic почала використовувати “harness”, щоб описувати той інфраструктурний набір, який будується навколо AI Agent — керування контекстом, виклики інструментів, пам’ять, огорожі, оркестрацію. Офіційне визначення Claude Agent SDK — це “a general-purpose agent harness”.

На початку 2026 року співзасновник HashiCorp Мітчелл Хашимото (Mitchell Hashimoto) висунув “AI Harness” як офіційну концепцію, а “Harness Engineering” як нову сферу інженерної практики швидко поширився.

Але насправді слово заслуговує на серйозне ставлення не через свою популярність, а тому що воно точно описує нові взаємини, що формуються між людиною та AI: симбіотичну асиметричну співпрацю.

Людина дає намір, судження та напрям. AI надає можливості, швидкість і масштаб.

Harness одночасно визнає асиметрію можливостей і асиметрію авторитету, причому обидві асиметрії є зворотними — можливості AI можуть далеко перевищувати можливості того, хто керує, але той, хто керує, має остаточне право визначати напрям.

Кінь біжить значно швидше й має значно більшу силу, але куди — вирішує людина.

Людині потрібен AI, який сильніший за неї, і яким треба керувати. Ймовірно, саме так — неважливо, навмисно чи ні — Anthropic вибрала це слово: найбільш точний шар вираження.

І слово Harness справді звучить доволі “Anthropic” (людяно), із відтінком “людиноцентричності”.

Хтось каже: Harness is the New Datasets.

Ця фраза має дуже чутливу інтуїцію, але невірний висновок. Коли базові моделі збігаються за якостями, якість Harness справді стає ключовою змінною, що визначає, чи Agent буде добрим або поганим — так само, як якість даних може визначити життєвий шлях базової моделі.

Але спосіб існування Datasets (наборів даних) і Harness принципово різний: Datasets у технічній архітектурі займає лише одну позицію — як вхідні дані на етапі тренування; тоді як Harness — це не конкретний шар, а стек, тобто комбінація шарів.

Контекстна інженерія та пам’ять — це шар зберігання, підключення інструментів — мережевий шар, оркестрація — контейнерний шар, огорожі — шар безпеки, оцінювання — шар спостережуваності, інкапсуляція навичок — проміжне програмне забезпечення. Кожен шар може виростити незалежні компанії, стандарти й бізнес-моделі. Це повністю ізоморфно стековій структурі хмарної інфраструктури (Cloud Infra).

У цьому сенсі можна сказати, що Harness is the New Infra: це не інфра для попереднього тренування моделей, а інфра для побудови Agent — інфра, що надає Agent автономність, одночасно строго дотримуючись людських інструкцій, забезпечує безпеку й дотримання правил.

Сам Harness не є новими Datasets, але доброчинна робота Harness генерує для Agent хороші datasets і створює data flywheel. Коли harness накопичує достатньо даних про користувацькі дії та знання з домену, він перестає бути просто продуманим дизайном “плагіна” — він починає набувати властивостей даних: чим більше ним користуються, тим краще; чим більше ним користуються, тим важче його замінити.

Звідси можна вивести рівняння, яке майже можна вважати визначенням:

Базова модель + Harness = Agent.

Базова модель забезпечує базові можливості — міркування, генерацію, розуміння. Але вона статична, пасивна й без напряму. Вона може все, тож вона нічого конкретного. Harness забезпечує структуру, напрям і обмеження, зводячи нескінченну кількість можливостей до скінченних, цілеспрямованих дій. У момент поєднання двох сторін AI перетворюється з об’єкта, якого запитують, на суб’єкт, який діє.

Одна й та сама кінь, якщо надіти на неї різну збрую, може тягнути віз, перевозити людей, обробляти поля чи брати участь у змаганнях. Дизайн Harness визначає форму та призначення Agent.

Pitch Deck Лінь Цзюньян

26 березня 2026 року колишній технічний керівник команди Qwen Лінь Цзюньян (Junyang Lin) на X опублікував довгий пост із заголовком “From ‘Reasoning’ Thinking to ‘Agentic’ Thinking”. За два дні: 700 000 прочитань, 2800 лайків, 677 репостів.

Три тижні тому — 4 березня — він щойно пішов з Alibaba. Через три тижні він написав системний оглядовий матеріал про індустрію.

Ключова теза статті така: AI переходить від “думати довше” до “думати заради дій”.

Reasoning Thinking (міркувальне мислення) за своєю суттю — статичний монолог: модель генерує все довші ланцюги міркувань у замкненому просторі, намагаючись компенсувати брак взаємодії із середовищем за допомогою більшого обсягу тексту. Агентне мислення (Agentic Thinking) — це безперервне просування задачі під час взаємодії із середовищем. Об’єкт тренування пройшов три “стрибки”: від тренування моделі до тренування Agent, а потім до тренування системи.

Це не теорія. Він підкріпив це власними практичними уроками Qwen: об’єднати thinking（мислення） і instruct（інструкцію） режимів виявилось значно складніше, ніж він припускав. Розподіли даних двох типів поведінки та цілі оптимізації фундаментально тягнуть одне одного в різні боки — instruct прагне стиснення, швидкості та відповідності формату, а thinking прагне витрачати більше токенів, щоб досліджувати альтернативні маршрути. Після спроби об’єднати Qwen3 знову розділив ці лінії.

Цей урок вказує на глибшу інсайдерську думку: Instruct — це замінник Harness з попередньої епохи Agent.

Instruct через SFT та RLHF “прожарює” правила поведінки у ваги моделі — це ніби вшити вуздечку в м’язи коня. У часи “питання-відповідь” цього достатньо. Але в епоху Agent, коли модель має самостійно запускатися, викликати інструменти й постійно ухвалювати рішення, простір поведінки вибухово розширюється, тож неможливо “натренувати” всі обмеження прямо у ваги. Тяжіння контролю має перейти зсередини моделі назовні.

Межі можливостей Instruct пробиті агентним парадигмальним підходом, тому Harness — неминуча еволюція.

У статті Лінь Цзюньян чотири рази згадує “harness”, і прогресія стосунків там дуже чітка:

від “зовнішнього середовища, в якому працює agent” до “окремої інженерної практики — harness engineering”, а далі до “частини об’єкта тренування — agent and the harness around it”.

Його стаття з тренувального боку доводить одне: Harness — це не лише інфра для runtime роботи Agent, а й інфра для тренування Agent.

У замкненому контурі Agentic RL Agent працює всередині Harness, середовище генерує сигнали зворотного зв’язку, зворотний зв’язок драйвить оновлення стратегії RL, а зміна стратегії змінює поведінку Agent. Якщо прибрати Harness, проблема не в тому, що Agent “працює повільніше” — проблема в тому, що тренування взагалі не зможе нормально запуститися.

До того ж він прямо вказує: найбільша “вузька горловина” Agentic RL — не алгоритм і не архітектура моделей, а якість середовища та rollout-інфра. Точки гальмування еволюції Agent сидять у шару Infra.

Дякую тобі, Цзюньян, — доповни мені аргументацію “Harness is the New Infra” бракує лише половина.

Harness — це незамінна інфраструктура (infra) runtime для Agent, це було твердження вище. А ця стаття Лінь Цзюньяна показує нам: Harness також є Infra для тренування Agent. У замкненому контурі Agentic RL середовище генерує сигнал зворотного зв’язку, зворотний зв’язок драйвить оновлення стратегії, стратегія змінює поведінку Agent, а поведінка Agent знову запускає нові сигнали зворотного зв’язку від середовища.

Саме “системний шар”, який потрібен і для тренування, і для інференсу, — це справжня infra. І таким шаром є Harness.

У статті Лінь Цзюньян сказав фразу, повну сенсу: “Побудова середовища перетворюється з side project на справжню підприємницьку категорію”.

“Побудова середовища” не тотожна Harness, але це його підмножина — причому важлива підмножина. “Середовище” здебільшого відповідає підключенню інструментів і зворотному зв’язку оцінювання в архітектурі Harness — тобто конкретному світу, з яким Agent взаємодіє під час тренування: код-виконавчі пісочниці (sandbox), емулятори браузера, набори тестових кейсів, рівень симуляції API. Його ключова функція — породжувати сигнали зворотного зв’язку, щоб Agentic RL мав що оптимізувати. Це дещо схоже на контейнер, benchmark і Hugging Face для тренування та побудови Agent.

Середовище — це ігровий майданчик для тренування Agent, а Harness — повний комплект спорядження, коли Agent виходить “бігти”. Майданчик є частиною спорядження, але не всім.

Але коли колишній технічний керівник open-source моделі починає окремо визначати підприємницьку категорію для одного з підмодулів Harness, це саме по собі є сигналом — це означає, що стек уже достатньо складний і достатньо цінний, щоб почати проростати незалежними комерційними сутностями, так само як справжній стек Infra.

І ось у дуже академічно-насиченій довгій статті визначено стартапний гоночний трек. Якщо ти вважаєш, що це ще не є pitch deck для стартапу від Лінь Цзюньяна, тоді не роби VC.

Стартапний шлях на трильйони доларів

Якщо Лінь Цзюньян справді піде робити інфраструктуру середовища для тренування Agent — той напрям, який він власноруч визначив як “справжню підприємницьку категорію” — то яку саме частину “клієнтського торта” Harness він атакує? І наскільки великою є ця частина?

Усередині Harness є повноцінна багатошарова архітектура, яку можна розкласти на сім ключових модулів: інженерія контексту, система пам’яті, підключення інструментів, інкапсуляція навичок, огорожі та дозволи, оцінювання та зворотний зв’язок, оркестрація та керування станом.

Крім рівня підключення інструментів (MCP), у кожному з шарів працюють стартапи.

Контекстний і пам’яттєвий рівні мають Cognee（€7,5 млн раунду фінансування） та Interloom（$16,5 млн seed-раунд, Sequoia взяла участь）。

Рівень підключення інструментів був стандартизований протоколом MCP — місячні завантаження SDK 97 млн; Anthropic, OpenAI, Google, Microsoft, Amazon — усі підключені, тож там небагато стартапів.

Шар безпечного підключення з’явився як Runlayer（$11 млн, Khosla зробила lead）; огорожі та комплаєнс — Guardrails AI, Vigilant AI, Runtime, Alter. Оцінювання та спостережуваність — найгарячіше: Arize AI отримала $70 млн C-раунду, клієнти включають Uber і PepsiCo, а Langfuse стала стандартом у відкритій спільноті.

Оркестраційний шар демонструє “трійку лідерів”: LangGraph, CrewAI（$18 млн фінансування, 60% Fortune 500 у використанні） і Microsoft Agent Framework; причому дві компанії — стартапи. А шар інкапсуляції Skills у стартапах здебільшого представлений як Agent-продукти у вертикальних галузевих нішах; еталон — Harvey (legal AI), $11 млрд оцінка, $1 млрд накопичене фінансування, ARR $190 млн, а також Abridge (медицина — AI) — $5,3 млрд оцінка.

Шар тренувального середовища — на найраннішій стадії: близько 20 seed-етапних компаній; Wing VC прогнозує, що до 2030 року вони консолідуються у 3-5.

Але не кожен модуль — гарний майданчик.

Якщо “сейл-райс” поганий — ключовий критерій такий: модуль вирішує проблему “можливостей моделі” чи проблему “системного дизайну”.

Перше поглинається базовими моделями — контекстне вікно розширюється з 128K до 1M і далі; сьогодні витончені стратегії стиснення завтра можуть бути просто не потрібні.

А модулі з рівня системного дизайну мають тривалу цінність — наприклад, підключення інструментів — це проблема ніші; безпечні огорожі — проблема комплаєнсу; оцінювання — проблема незалежності. Ці речі не можна розв’язати просто тим, що модель стане “сильнішою”.

Їхні шляхи виходу також різні. Підключення інструментів і інкапсуляція навичок розташовані надто близько до моделей: компанії-виробники моделей мають дуже сильну мотивацію поглинути ці шари — Anthropic робить MCP і Skills, OpenAI робить Plugins і GPTs, і це все фактично “ковтання” двох шарів.

У цих напрямках стартапів стеля обмежена поглинанням. А огорожі/комплаєнс і оцінювання/спостережуваність — навпаки: їм природно потрібна незалежність третьої сторони. Банк не довірятиме інструменту комплаєнс-аути від Anthropic, так само як ти не дозволиш стороні, яку аудирують, самій виписувати аудиторський звіт. Незалежність — це не бізнес-стратегія, а сама цінність продукту. Перший — це хороший об’єкт для поглинання, другий — хороший об’єкт для IPO.

Усе це належить Harness, інфраструктурі Agent. А який сумарний обсяг у “Harness-сектору” на весь ринок?

Знизу вгору, підраховуючи суму оцінок семи підсекторів. До 2030 року сумарна оцінка незалежних стартапів становить приблизно $5000-8000 млрд. При цьому інкапсуляція skills і вертикальні знання найбільші ($2500-3500 млрд), а огорожі та комплаєнс найшвидше ростуть (CAGR 65,8%: з $700 млн у 2024 до прогнозу $1099 млрд у 2034; чим більш автономним стає Agent, тим дорожчими є “кандали”). Найраніший етап — тренувальне середовище, але водночас найвища визначеність.

Загальний ринок AI Agent: прогноз на 2030 — $50-100 млрд доходу. Harness як Infra-слой займає 40-50%; якщо перерахувати через множники 10-15x PS для SaaS/Infra, простір оцінки теж виглядає узгодженим.

Понад десять трильйонів доларів стартапного шляху.

Якщо врахувати також Harness-виручку, вбудовану в бізнес виробників моделей, загальна оціночна місткість інфраструктурного шару Harness — $2,5-3,8 трлн. Приблизно як сумарна ринкова капіталізація всього хмарного Infra шару сьогодні.

Тоді повернімося до Лінь Цзюньяна: якщо він справді увійде в підсектор тренувального середовища та інфраструктури RL, то він зіткнеться з ринком, який зараз має лише близько 20 seed-компаній, але до 2030 оцінка простору — $20-50 млрд. Wing VC прогнозує, що цей трек зрештою консолідується у 3-5 компаній-лідерів.

Якщо він стартує як колишній технічний керівник Qwen: у Силіконовій долині seed-оцінка могла б бути між $200-500 млн. Ринок дає не оцінку компанії, а ціну людині. Лінь Цзюньяну вже не потрібно писати BP — того твіту буде достатньо. А якщо він стартує в Китаї з доларовим фондом — оцінка від $50 млн, і $100 млн теж не неможливо. У юанях? Ну тоді поговоримо ще.

Рукавичка Anthropic

Тепер треба відповісти на справді важливе питання: цей трильйонний інфраструктурний шар Harness — хто визначає правила?

Давайте подивимось на жорстку реальність:

MCP — це стандартний протокол, який просунула Anthropic. Claude Code — це harness-продукт, створений Anthropic, річний обсяг доходу $2,5 млрд. Agent SDK — це девелоперський вхід, який зробила Anthropic. Система Skills — це дизайн Anthropic. Навіть популярність слова “harness” у контексті AI Agent найбільше просуває саме Anthropic.

А ще глибша причина — бізнес-модель.

Головна наративна ідея OpenAI — “найсильніша модель”. Доходи здебільшого надходять від підписки ChatGPT. Anthropic повністю не робить мультимодальність і world models, але дедалі більше людей вважає її найсильнішою моделлю. Перевага Claude — не “зайняти перше місце в рейтингах”, а “бути найкращою моделлю для agent-workflow” — надійніша, більш керована, більш підходить для тривалих автономних запусків.

Це позиціювання означає, що конкурентоспроможність Anthropic залежить не лише від моделей, а й від якості Harness навколо них. Кожне покращення в кожному шарі Harness розширює її рівень захисної фортеці. Розквіт екосистеми Harness безпосередньо дорівнює комерційній вигоді Anthropic.

Це пояснює, чому OpenAI ще з 2023 року почала спроби будувати екосистему — Plugins, GPTs, GPT Store, однак нічого суттєвого не вийшло, тоді як MCP від Anthropic було запущено лише наприкінці 2024 — із запізненням на півтора року, але стало фактичним стандартом.

Корінна причина в тому, що OpenAI будує екосистему застосунків, а Anthropic будує екосистему інфраструктури.

GPT Store від OpenAI — логіка App Store: у мене найбільша база користувачів, ти приходиш сюди відкривати магазин. Але коли сама модель може все, застосунків немає необхідності для диференціації. У GPTs немає бар’єрів диференціації: оскільки базові здібності та ChatGPT по суті — це одне й те саме.

А MCP від Anthropic — це не магазин застосунків, це магазин протоколів. Він не запрошує розробників відкривати “магазин” на Claude, а визначає стандарти підключення, за якими всі інструменти та всі моделі можуть працювати. Це логіка HTTP, а не логіка App Store.

І що більш відкритий протокол, то сильніший контроль в екосистемі. Зараз усі використовують MCP, а MCP — це дизайн Anthropic: їм не потрібно “фіксувати” користувачів, вони “фіксують” ментальні моделі розробників і їхній стек інструментів.

На рівні капіталу. Anthropic разом із ранніми інвесторами Menlo Ventures створила фонд Anthology Fund обсягом $100 млн; за рік було інвестовано понад 30 стартапів у напрямку harness. Схема дуже розумна: Menlo дає гроші, Anthropic не бере участі в економічних вигодах фонду, але надає кожній інвестованій компанії $25,000 у model credits, а також відкриває можливості — головний продукт-офіцер Майк Крізєр (Mike Krieger) і президент Даніела Амодей (Daniela Amodei) беруть участь у demo day.

Anthropic не витрачає ні цента, але “замикає” понад 30 стартапів у екосистему Claude й водночас отримує найпередовіші сигнали потреб. Це безкоштовний опціон.

Однак ми запитували себе: чому в епоху Agentic AI протокол-екосистема Anthropic важливіша за app-екосистему OpenAI?

Бо Agent не є “застосунком” у традиційному сенсі. У традиційного App інтерфейси взаємодії фіксовані й обмежені: користувач викликає таксі, App заздалегідь запрограмованим процесом викликає API, підбирає водія, рахує маршрут. Agent — інший: він сам вирішує, які інструменти викликати, в якому порядку та в який момент. Інтерфейс взаємодії нескінченний і динамічний. До того ж Agent’и між собою також повинні співпрацювати — оркестратор планує професійні Agent’и, професійні Agent’и планують саб-Agent’и. Це проблема координації в розподілених системах.

Коли інтерфейс взаємодії фіксований, ти можеш підключатися по одному; коли інтерфейс нескінченний, ти можеш лише визначати стандарти.

TCP/IP дозволяє будь-яким двом комп’ютерам спілкуватися, HTTP дозволяє будь-якому клієнту доступитися до будь-якого сервера, MCP дозволяє будь-якому Agent викликати будь-який інструмент. Базова одиниця app-екосистеми — “продукт”, а базова одиниця протокольної екосистеми — “з’єднання”. У епоху Agentic інтерфейсу вирішує кількість і якість з’єднань.

Усі стартапи в Harness перевертаються через голову. Якщо Лінь Цзюньян справді піде в тренувальне середовище й RL-інфраструктуру Harness підсектор, той напрям, який він власноруч визначив у статті як “справжню підприємницьку категорію”, то його продукт у підсумку майже напевно також доведеться інтегрувати в екосистему Claude; або ж у Китаї створити паралельну екосистему. Бо Anthropic визначила протокол, збудувала SDK, розклала екосистемний фонд і “вкрутила” ментальність розробників.

Можливо, лише китайські стартапери в Agent здатні вислизнути з долоні Anthropic — і це вже буде наслідком нездоланної об’єктивної сили.