poradnik
Czym jest harness agenta AI i co daje Twojej firmie
Igor Pielas ·
Rozmowa z czatem nie pokazuje jeszcze, jak AI poradzi sobie z regularną pracą na danych i zasadach Twojej firmy. Wyjaśniam, czym jest harness i co wnosi do budowy agenta. Na przykładzie analizy marży opisuję sześć warstw, firmową wiedzę, kontrolę wyników oraz usługi OpenAI i Anthropic.
Ostatnio w rozmowach z klientami złapałem się na używaniu słowa „harness”. Tłumaczyłem, jak działa agent AI przygotowany do pracy w firmie i dlaczego nie warto oceniać jego możliwości wyłącznie na podstawie własnych rozmów z ChatGPT czy Claude.
I w pewnym momencie ugryzłem się w język. Próbuję komuś wyjaśnić nowy sposób pracy, a dokładam kolejne angielskie słowo, które poza bańką ludzi budujących z AI niewiele mówi. Sam przecież nie jestem programistą i dobrze pamiętam, jak to jest siedzieć po drugiej stronie takiej rozmowy ;)
Postanowiłem więc opisać, co właściwie kryje się pod tym pojęciem. Bo jeśli prowadzisz firmę albo odpowiadasz za jakiś jej proces, zrozumienie harnessu pomoże Ci sensowniej ocenić, co możesz powierzyć agentowi, za co płacisz we wdrożeniu i czego nie załatwi zakup dostępu do lepszego modelu.
Temat jest też bardzo aktualny: 10 września 2026 OpenAI udostępniło Agents API, czyli dostęp do harnessu stojącego za Codexem, narzędziem OpenAI do pracy z kodem i plikami. Anthropic rozwija podobną kategorię usług pod nazwą Claude Managed Agents. Do tego porównania wrócę za chwilę. Najpierw rozłóżmy na części samego agenta. Premiera Agents API, dokumentacja Claude Managed Agents.
Model, czat i agent to różne elementy
Model AI potrafi interpretować informacje, tworzyć tekst i proponować kolejne kroki. Może też wskazać, że chce użyć konkretnego narzędzia. Żeby jednak pobrać dane z firmowego systemu albo zapisać dokument, potrzebuje oprogramowania, które takie działanie wykona.
Czat jest aplikacją, przez którą korzystasz z modelu. Ma interfejs rozmowy, własne instrukcje, a zależnie od produktu i konfiguracji także pamięć, wyszukiwanie czy możliwość pracy na plikach. To, co widzisz w okienku, jest wynikiem współpracy modelu z tym całym otoczeniem.
Agent korzysta z modelu, żeby prowadzić zadanie przez kolejne kroki: sprawdza informacje, wybiera narzędzie, odczytuje rezultat i na tej podstawie decyduje, co zrobić dalej. Jeśli brakuje danych, może dopytać; jeśli pojawi się błąd, może zmienić sposób działania. Taką pracę opisuje również wrześniowy materiał Anthropic o agentach w handlu. Anatomia agentów, 2 września 2026.
Wygląd ekranu niewiele tu rozstrzyga. Z agentem też możesz rozmawiać w czacie, a niektóre gotowe aplikacje czatowe już potrafią samodzielnie przechodzić przez kolejne kroki zadania. Ważne jest to, do czego system ma dostęp i jak prowadzi pracę po otrzymaniu polecenia.
Harness, czyli jak przygotować model do wykonania zadania
Najprościej tłumaczę harness jako oprogramowanie, które organizuje pracę modelu. Przekazuje mu potrzebne instrukcje i informacje, obsługuje wywołania narzędzi, podaje ich wyniki do kolejnego kroku i pilnuje przebiegu zadania.
Wyobraź sobie analityka, który pierwszego dnia dostaje pytanie: „Dlaczego spadła nam marża?”. Samo to, że umie analizować dane, nie wystarczy. Potrzebuje dostępu do właściwych raportów, definicji marży obowiązującej w firmie, wiedzy o wyjątkach i informacji, z kim wyjaśnić rozbieżności.
Z modelem jest podobnie. Możemy przygotować mu takie warunki pracy, żeby miał skąd wziąć dane i wiedział, co z nimi zrobić. Część zapewni gotowa platforma, część trzeba zbudować lub skonfigurować dla konkretnej firmy.
Harness pozwala wykorzystać możliwości modelu w konkretnym zadaniu, z dostępem do potrzebnych narzędzi i określonymi granicami działania.
Tu przydaje się jedno doprecyzowanie. W dokumentacji technicznej harness często oznacza przede wszystkim mechanizm prowadzący kolejne wywołania modelu i narzędzi. W rozmowach o wdrożeniach używa się tego słowa szerzej, obejmując nim również przygotowany kontekst, kontrole i sposób utrzymania agenta. Poniżej opisuję tę szerszą całość. Kiedy przejdziemy do ofert OpenAI i Anthropic, oddzielę to, co daje dostawca, od pracy po stronie firmy. Architektura Agents API.
Harness jest też w narzędziach, których już używasz
Jeśli korzystasz z Claude Cowork, Claude Code albo Codexa, już używasz gotowego harnessu agenta. Widzisz aplikację, w której zlecasz zadanie. W tle działa oprogramowanie, które przekazuje modelowi kontekst, uruchamia dostępne narzędzia i podaje ich wyniki do kolejnego kroku. Anthropic opisuje Cowork jako produkt korzystający z tej samej architektury agentowej co Claude Code. OpenAI mówi wprost o harnessie stojącym za Codexem. Jak działa Cowork, harness Codexa.
Kiedy Cowork odczytuje wskazane pliki i przygotowuje z nich raport, za rezultat odpowiada współpraca modelu z tym oprogramowaniem. Podobnie jest, gdy Codex zmienia plik i uruchamia sprawdzenie wyniku. Model wybiera kolejne kroki, a harness obsługuje ich wykonanie w granicach udostępnionych narzędzi i uprawnień.
Również w zwykłym ChatGPT czy aplikacji Claude korzystasz z modelu osadzonego w oprogramowaniu dostawcy. Aplikacja dostarcza mu instrukcje i kontekst rozmowy, a zależnie od trybu także narzędzia. Najprecyzyjniej nazywać tę całość otoczeniem modelu. O harnessie agenta mówimy wtedy, gdy oprogramowanie prowadzi również cykl kolejnych działań modelu i narzędzi. Samo okienko rozmowy nie mówi jeszcze, jaki mechanizm działa pod spodem.
Dlaczego rozmowa z czatem nie jest testem AI w Twojej firmie
Załóżmy, że wpisujesz do czata: „Przeanalizuj, dlaczego spadła nam marża na zamówieniach”. Dostajesz listę możliwych przyczyn: wyższe koszty, większe rabaty, inny zestaw sprzedanych produktów. Brzmi rozsądnie, ale nadal nie wiesz, co wydarzyło się u Ciebie.
Możesz wkleić arkusz i pójść dalej. Tyle że to Ty wybierasz plik, tłumaczysz kolumny, przypominasz o korektach i sprawdzasz, czy wynik ma sens. Sporo pracy potrzebnej do analizy nadal wykonujesz sam, pomiędzy kolejnymi wiadomościami.
Teraz wyobraźmy sobie agenta przygotowanego do tego zadania. To przykład projektowanego sposobu pracy, a nie opis konkretnego wdrożenia u klienta.
Agent otrzymuje pytanie od kierownika sprzedaży. System sprawdza jego uprawnienia i udostępnia dane właściwego działu. Agent pobiera wyniki za porównywane okresy z systemu obsługującego zamówienia i rozliczenia, korzysta z zatwierdzonego sposobu liczenia marży i sprawdza, gdzie pojawiły się największe różnice.
Jeżeli wykryje zamówienia bez przypisanych kosztów, oznacza analizę jako niepełną. W raporcie podaje źródła danych, datę ich pobrania i pozycje wymagające wyjaśnienia. Oddziela policzone różnice od hipotez o przyczynach, które zespół musi jeszcze potwierdzić. Może przygotować propozycję dalszych działań, ale zmiana cen pozostaje poza zakresem jego uprawnień.
Model użyty w obu sytuacjach może być dokładnie ten sam. Zmieniło się to, co może zobaczyć, jakie działania może wykonać i jak sprawdzamy efekt jego pracy.
Dlatego słaba odpowiedź w pojedynczej rozmowie nie przekreśla sensu danego wdrożenia. Dobra odpowiedź też jeszcze nie dowodzi, że proces zadziała regularnie. W obu przypadkach trzeba sprawdzić cały system na rzeczywistych zadaniach firmy.
Sześć pytań, które porządkują budowę agenta
Rozmowę o budowie agenta warto uporządkować wokół sześciu pytań. Pomagają sprawdzić, czy oprócz modelu mamy wszystko, co potrzebne do regularnej pracy. To mapa wdrożenia; zakres poszczególnych elementów zależy od zadania.
1. Co uruchamia pracę?
Może to być pytanie pracownika, nowy plik, wiadomość od klienta albo ustalona godzina. Nasz agent od marży mógłby przygotowywać analizę co poniedziałek, a w pozostałe dni odpowiadać na pytania kierownika.
Sam start z harmonogramu nie czyni systemu agentem. Zwykła automatyzacja też może działać o ósmej rano. Różnica pojawia się dalej, gdy model dobiera kolejne kroki do tego, co znalazł.
2. Jak agent przechodzi od pytania do wyniku?
Oprogramowanie musi obsłużyć cały cykl: przekazać polecenie modelowi, uruchomić wybrane narzędzie i zwrócić wynik, żeby model mógł wybrać kolejny krok. Trzeba również określić, co stanie się po błędzie, jak zachować postęp i kiedy zakończyć próby. Warto ustawić limit czasu i kosztu pojedynczego zadania.
W naszym przykładzie chwilowy brak odpowiedzi z systemu może uzasadniać ponowienie odczytu. Brak danych o kosztach wymaga już innej reakcji. Chcemy dostać informację o brakach, a nie analizę, która wygląda na skończoną tylko dlatego, że agent napisał ostatni akapit.
3. Jakie narzędzia może uruchamiać?
Narzędziem może być odczyt zamówień, przeszukanie dokumentów, kalkulator albo zapis raportu. Wybór powinien wynikać z zadania. Agent sprawdzający marżę nie potrzebuje automatycznie prawa do zmieniania warunków handlowych.
Obliczenia, które mają dawać powtarzalne wyniki, najlepiej zamknąć w sprawdzonej funkcji lub raporcie. Dla tych samych danych i tej samej definicji marży narzędzie powinno zwrócić tę samą liczbę. Model pomaga dobrać analizę i ją wyjaśnić; nie musi za każdym razem wymyślać wzoru.
4. Skąd wie, co jest prawdą w firmie?
Potrzebuje aktualnych danych i zasad ich rozumienia. Czy koszty transportu wchodzą do marży? Która wersja cennika obowiązuje? Jak traktujemy korekty? To są informacje, których nie zastąpi mocniejszy model.
Taki kontekst może pochodzić z firmowej bazy wiedzy, dokumentów i narzędzi pobierających dane na bieżąco. Dostęp warto ograniczyć do tego, co potrzebne w zadaniu. Wrzucenie agentowi całego firmowego dysku nie jest jeszcze przygotowaniem wiedzy.
Dalsza część artykułu jest dostępna na stronie.