Harness² von Google Research: Wenn KI-Agenten ihr eigenes Arbeitsumfeld verbessern

Wenn über KI-Agenten gesprochen wird, geht es meist um das Modell: Welches ist das neueste, welches das schnellste? Ein neues Forschungsprojekt von Google Research rückt einen anderen Teil in den Mittelpunkt, nämlich das Umfeld, in dem das Modell arbeitet. Dieses Umfeld heißt im Fachjargon Harness. Mit Harness² stellt ein Team von Google Cloud AI Research eine Methode vor, mit der ein Agent sein eigenes Harness während der Arbeit verbessert, ohne dass das Modell selbst verändert wird.

In diesem Beitrag erklären wir, was hinter Harness² steckt, was die Ergebnisse aussagen und was Du für Eure eigenen KI-Agenten daraus mitnehmen kannst. Grundlage ist das Paper „Harness²: Recursive Agent Harnessing for an Open World“, eingereicht am 9. Oktober 2026, und der öffentliche Code im GitHub-Repository google-research/harness2.

Was ist ein Harness?

Ein Harness ist alles, was um ein Sprachmodell herum gebaut wird, damit es als Agent arbeiten kann. Die Autoren nennen ausdrücklich Prompts, Gedächtnis, Skills, Werkzeuge und Orchestrierung. Kurz gesagt: Agent gleich Modell plus Harness.

Wie wichtig dieser Teil inzwischen ist, zeigt auch eine Ankündigung aus dieser Woche. Am 28. Oktober 2026 hat Microsoft den Microsoft Copilot harness vorgestellt. Microsoft beschreibt ihn als Orchestrierungsschicht rund um das Modell, mit Anweisungen, Kontext, Ausführungsumgebung und Kontrollen, die mit mehr als 20 Modellen arbeiten kann. Der Begriff ist damit endgültig in der Praxis angekommen: Große Anbieter verkaufen nicht mehr nur Modelle, sondern das Umfeld, in dem sie arbeiten.

Was macht Harness² anders?

Bisherige Ansätze optimieren ein Harness meist vorab an festen Trainingsaufgaben und Tests und setzen dann die beste Variante ein. Im Alltag tauchen aber ständig neue Aufgaben auf, für die es keine Musterlösung gibt. Genau hier setzt Harness² an. Die Methode arbeitet auf zwei Ebenen:

• Auf Ebene der einzelnen Aufgabe: Der Agent erledigt die Aufgabe zunächst mit dem bestehenden Harness. Danach werden zwei Änderungen vorgeschlagen: eine für allgemeine Arbeitsweisen wie Planung oder Werkzeugnutzung und eine für das Fachwissen der Aufgabe. Beide Varianten werden unter gleichen Bedingungen ausprobiert und mit dem ersten Durchlauf verglichen. Aus den Unterschieden im Verhalten wird dann ein verbessertes Harness zusammengesetzt. Die Autoren nennen diesen Schritt Propose, Probe, Compose.
• Über Aufgaben hinweg: Was dabei funktioniert hat, landet mit einer kurzen Begründung in einer Bibliothek. Spätere Aufgaben starten wieder mit dem Grund-Harness, können aber auf diese Erfahrungen zurückgreifen.

Wichtig: Die Gewichte des Modells bleiben unverändert. Verändert werden nur Dateien rund um das Modell. Das Paper nennt acht solcher Bausteine: Systemprompt, Leitplanken, Gedächtnis, Hinweise zur Werkzeugnutzung, Skills, Skripte, Subagenten und ein Plugin, das direkt in die Werkzeugaufrufe eingreift.

Was die Ergebnisse zeigen

Getestet wurde auf drei Benchmarks aus beruflichen Anwendungen: WorkBuddy-Bench mit Aufgaben aus Programmierung, Web und Büro, JobBench mit beruflichen Aufgaben aus mehreren Branchen und LAB, einem Benchmark für juristische Arbeit. Als ausführende Modelle dienten GLM-5 und Gemini 3.5 Flash, jeweils in den Agenten-Umgebungen OpenCode und Codex.

Laut Paper verbessert schon ein einzelner Verbesserungsschritt beide Modelle gegenüber ihrem Grund-Harness. Die Autoren berichten Zuwächse von bis zu 11,5 Punkten auf WorkBuddy-Bench, 4,5 Punkten auf JobBench und 11,8 Prozentpunkten bei der Teilerfüllung auf LAB. Mit mehr Rechenbudget für parallele Varianten steigen die Werte weiter. Ein bemerkenswertes Detail: Auf WorkBuddy-Bench übertraf das schwächere Modell mit verbessertem Harness das stärkere Modell mit dessen Ausgangs-Harness.

Diese Zahlen stammen von den Autoren selbst und sind bisher nicht unabhängig geprüft. Sie gelten für die getesteten Benchmarks und Konfigurationen, nicht automatisch für Eure Aufgaben.

Die Grenzen, die das Paper selbst nennt

Die Autoren sind bei den Einschränkungen erfreulich offen:

• Mehr Rechenaufwand: Jeder Verbesserungsschritt braucht zusätzliche Durchläufe und Sitzungen eines Editor-Modells. Das kostet Tokens und damit Geld.
• Keine Garantie für Richtigkeit: Ohne Musterlösung beruht die Verbesserung auf Verhaltensvergleichen und Modellurteilen. Die können durch Zufall und gemeinsame Schwächen der Modelle verzerrt sein.
• Rückschritte kommen vor: In der Fehleranalyse zeigt das Paper Fälle, in denen eine schwächere Variante ausgewählt wurde oder eine falsche Annahme sich durch alle Varianten zog.

Kann ein Betrieb Harness² heute einsetzen?

Ehrliche Antwort: als Forschungscode zum Ausprobieren, nicht als Produkt. Das Repository steht unter der Apache-2.0-Lizenz und weist ausdrücklich darauf hin, dass es sich nicht um ein offiziell unterstütztes Google-Produkt handelt. Für den Betrieb werden Zugänge zu Modellen über Google Cloud und weitere Anbieter benötigt, und die Durchläufe verursachen API-Kosten.

Ein Punkt verdient besondere Aufmerksamkeit: Laut Dokumentation laufen die ausführenden Agenten mit uneingeschränktem Netzwerkzugriff, und die Sandbox von Codex ist in der Konfiguration abgeschaltet. Wer so etwas testet, gehört in eine abgeschottete Testumgebung ohne Zugriff auf echte Kundendaten, Zugangsdaten oder Produktivsysteme. Warum solche Leitplanken wichtig sind, erklärt unser Beitrag Agent Guardrails und Prompt Injection.

Was Du für Eure Agenten mitnehmen kannst

Der eigentliche Wert von Harness² für den Mittelstand liegt nicht im Code, sondern in der Denkweise. Viele Probleme mit KI-Agenten lösen sich nicht durch ein neueres Modell, sondern durch ein besseres Umfeld. Das könnt Ihr auch ohne Forschungsframework umsetzen:

1. Harness als Dateien pflegen: Haltet Systemprompt, Regeln, Werkzeugbeschreibungen und Beispiele als versionierte Dateien fest, nicht verstreut in Oberflächen. Dann ist jede Änderung nachvollziehbar und umkehrbar.
2. Fehler sammeln: Notiert, wo der Agent danebenliegt, und schaut Euch die Abläufe an. Dafür braucht Ihr Protokolle der einzelnen Schritte, wie in KI-Agenten beobachten mit OpenTelemetry beschrieben.
3. Eine Änderung nach der anderen: Ändert jeweils einen Baustein, zum Beispiel eine Regel oder eine Werkzeugbeschreibung, und vergleicht das Verhalten mit dem vorherigen Stand.
4. Mit einem Testsatz prüfen: Anders als im Paper habt Ihr im eigenen Betrieb oft echte Musterlösungen. Nutzt sie. Wie Ihr einen solchen Testsatz aufbaut, zeigt RAG und Agenten im Betrieb evaluieren.
5. Erfahrungen festhalten: Schreibt kurz auf, welche Änderung warum geholfen hat. Das ist im Kleinen genau die Bibliothek, die Harness² automatisch anlegt.

Wer Agenten über verschiedene Modelle hinweg betreibt, profitiert doppelt: Ein gutes Harness lässt sich laut Paper zum Teil auf andere Modelle übertragen. Welche Modelle auf Google Cloud gerade neu dazukommen, beschreibt OpenAI-Modelle im Google Cloud Model Garden.

Wo steht Euer Betrieb?

Bevor sich Agenten selbst verbessern können, braucht es saubere Daten, klare Prozesse und Regeln für den KI-Einsatz. Mit unserem AI Readiness Check für den Mittelstand könnt Ihr in wenigen Minuten einschätzen, wo Ihr steht. Hintergründe und eine strukturierte Vorgehensweise findet Ihr im Whitepaper AI Readiness 2026.

Fazit

Harness² zeigt, dass ein KI-Agent nicht nur so gut ist wie sein Modell, sondern auch wie sein Umfeld aus Anweisungen, Werkzeugen, Gedächtnis und Kontrollen. Die Methode von Google Research verbessert dieses Umfeld während der Arbeit und ohne Musterlösung. Die berichteten Zuwächse sind beachtlich, stammen aber von den Autoren und gelten für Benchmarks. Für Betriebe ist Harness² heute ein Forschungsprojekt, aber die Lehre lässt sich sofort anwenden: Pflegt das Harness Eurer Agenten bewusst, ändert gezielt und prüft jede Änderung an echten Beispielen.

Du willst Eure KI-Agenten zuverlässiger machen, ohne gleich das Modell zu wechseln? Buch Dir ein kostenloses Erstgespräch. Wir schauen gemeinsam auf Eure Abläufe und sagen Dir ehrlich, wo der größte Hebel liegt.