Harness, Lin Junyang, jalur bernilai triliunan dolar, dan telapak tangan Anthropic

Infra era Agent, peluang dan imajinasi jauh lebih besar daripada “kutu karang”.

Pada Maret 2026, istilah terpanas di industri AI bukanlah nama dari model mana pun, melainkan sebuah kata bahasa Inggris yang terdengar sama sekali tidak berhubungan dengan AI: Harness.

Makna dasarnya adalah perlengkapan kuda. Kekang, pelana kepala, peralatan sadel—seperangkat benda yang dipasang pada tubuh kuda.

Jika digunakan sebagai kata kerja, artinya seharusnya “mengendalikan” (驾驭).

Anda tidak akan mengatakan harness a calculator (mengendalikan sebuah kalkulator), tapi Anda akan mengatakan harness the wind (mengendalikan angin), harness a horse (mengendalikan kuda). Orang yang memakai kata ini—baik sengaja maupun tidak—secara tidak langsung mengakui satu hal: yang ia hadapi bukanlah alat pasif, melainkan suatu entitas yang bertenaga dan memiliki otonomi. Ia tidak sedang “menggunakan” itu, melainkan “mengendalikan” itu.

Kata ini sedang menjadi konsep industri inti di era AI Agent.

Di sekelilingnya, sebuah lapisan infrastruktur skala triliunan dolar sedang tumbuh. Dan sang penyusun aturan untuk lapisan infrastruktur ini juga segera terlihat.

Harness is the New Infra

Harness dalam konteks AI memiliki dua alur evolusi.

Yang pertama adalah alur retoris. “Harness AI” sebagai ungkapan umum telah beredar lama di industri teknologi, artinya tak lain adalah “kemampuan untuk mengendalikan AI”.

Yang kedua, yang lebih penting, adalah alur teknis. Pada akhir 2025, Anthropic mulai memakai “harness” untuk menggambarkan rangkaian infrastruktur yang dibangun mengelilingi AI Agent—manajemen konteks, pemanggilan alat, memori, pagar pengaman (guardrails), dan orkestrasi. Definisi resmi Claude Agent SDK adalah “a general-purpose agent harness”.

Pada awal 2026, pendiri HashiCorp Mitchell Hashimoto mengajukan “AI Harness” sebagai konsep formal, dan “Harness Engineering” cepat menyebar sebagai bidang praktik rekayasa (engineering) baru.

Namun yang benar-benar membuat kata ini layak dianggap serius bukanlah kepopulerannya, melainkan karena ia secara tepat menggambarkan relasi baru yang sedang terbentuk antara manusia dan AI: kolaborasi asimetris yang bersifat simbiosis.

Manusia menyediakan intensi, penilaian, dan arah. AI menyediakan kemampuan, kecepatan, dan skala.

Harness mengakui dua jenis asimetri: asimetri kemampuan dan asimetri otoritas—dan keduanya berlawanan arah. Kemampuan AI mungkin jauh melampaui pihak yang mengendalikan, tetapi pihak yang mengendalikan memegang kendali pada keputusan arah yang terakhir.

Kuda jauh lebih cepat dan jauh lebih kuat daripada manusia, tetapi ke mana harus pergi—itu diputuskan oleh manusia.

Manusia perlu mengendalikan AI yang lebih kuat daripada dirinya. Barangkali inilah—entah sengaja atau tidak—lapisan paling presisi yang dipilih Anthropic saat memakai kata itu.

Dan kata Harness memang juga cukup “Anthropic” (manusiawi), agak bernuansa berorientasi pada manusia.

Ada yang berkata: Harness is the New Datasets.

Kalimat itu terdengar intuitif, tetapi kesimpulannya tidak akurat. Ketika model fondasi cenderung menyatu, kualitas Harness memang menjadi variabel kunci yang menentukan baik-buruknya Agent, sama seperti kualitas data yang dapat menentukan hidup-matinya sebuah model fondasi.

Namun cara keberadaan Datasets (kumpulan data) dan Harness benar-benar berbeda: Datasets menempati satu posisi tunggal dalam arsitektur teknis, yakni input pada tahap pelatihan; sedangkan Harness bukanlah satu lapisan spesifik, melainkan sebuah tumpukan (stack), yaitu gabungan dari beberapa lapisan.

Engineering konteks dan memori adalah lapisan penyimpanan, koneksi alat adalah lapisan jaringan, orkestrasi adalah lapisan kontainer, guardrails adalah lapisan keamanan, evaluasi adalah lapisan observabilitas, pembungkusan skill adalah middleware. Setiap lapisan dapat melahirkan perusahaan, standar, dan model bisnisnya sendiri. Ini sepenuhnya ekomorf (sejenis) dengan struktur stack infra komputasi awan (cloud computing).

Dalam arti ini, Harness is the New Infra—bukan infra pra-pelatihan model, melainkan infra untuk membangun Agent, yang membuat Agent memiliki otonomi sekaligus secara ketat mengikuti instruksi manusia, memastikan keamanan, dan mematuhi aturan.

Harness sendiri bukanlah Datasets yang baru, tetapi operasi Harness yang baik akan menghasilkan datasets yang bagus untuk Agent, sekaligus membangun data flywheel (roda gila data). Ketika sebuah harness mengumpulkan cukup banyak data perilaku pengguna dan pengetahuan domain, ia tidak lagi sekadar desain sistem sebagai “alat tempelan”; ia mulai memiliki atribut data: semakin dipakai semakin baik, dan semakin dipakai semakin sulit untuk diganti.

Dari sini, kita bisa menyimpulkan persamaan yang hampir bisa dianggap sebagai definisi:

Model Fondasi + Harness = Agent.

Model fondasi menyediakan kemampuan mentah—penalaran, generasi, pemahaman. Namun ia statis, pasif, dan tanpa arah. Ia dapat melakukan apa saja, jadi ia pada dasarnya tidak melakukan apa pun secara spesifik. Harness menyediakan struktur, arah, dan batasan; ia menyempitkan kemungkinan tak terbatas menjadi rangkaian tindakan yang terbatas dan bermakna. Pada momen keduanya digabungkan, AI berubah dari sebuah objek yang ditanya menjadi subjek yang bertindak.

Satu kuda yang sama, jika dipasang perlengkapan (peralatan) yang berbeda, bisa menarik gerobak, bisa membawa orang, bisa mengolah ladang, bisa bertanding. Desain Harness menentukan bentuk dan kegunaan Agent.

Pitch Deck Lin Junyang

Pada 26 Maret 2026, mantan chief teknis tim Qwen, Lin Junyang (Junyang Lin), memposting artikel panjang di X dengan judul “From ‘Reasoning’ Thinking to ‘Agentic’ Thinking”. Dalam dua hari, dibaca 700.000 kali, mendapat 2.800 like, dan 677 kali repost.

Tiga minggu sebelumnya, pada 4 Maret, ia baru saja keluar dari Alibaba. Tiga minggu setelahnya, ia menulis artikel penilaian industri yang sistematis.

Argumen inti artikel tersebut adalah: AI sedang bergeser dari “berpikir lebih lama” menjadi “berpikir untuk bertindak”.

Reasoning Thinking (pemikiran penalaran) pada dasarnya adalah monolog statis—model menghasilkan rantai penalaran yang makin panjang di ruang tertutup, mencoba mengimbangi kekurangan interaksi dengan lingkungan dengan lebih banyak teks. Sedangkan Agentic Thinking terus mendorong kemajuan tugas saat berinteraksi dengan lingkungan. Objek pelatihannya mengalami lompatan tiga tingkat: dari melatih model, menjadi melatih Agent, lalu melatih sistem.

Ini bukan sekadar omong kosong. Ia membuktikannya dengan pengalaman praktik Qwen sendiri: menggabungkan mode thinking (berpikir) dan instruct (instruksi) ternyata jauh lebih sulit daripada yang dibayangkan. Distribusi data dan target optimasi dari dua perilaku ini saling tarik-menarik secara mendasar—instruct mengejar ringkas, cepat, dan patuh format, sementara thinking mengejar menjelajahi jalur alternatif dengan lebih banyak token. Setelah Qwen3 mencoba menggabungkannya, lalu membelahnya kembali menjadi jalur independen.

Pelajaran ini mengarah pada wawasan yang lebih dalam: Instruct adalah pengganti Harness untuk era pra-Agent.

Instruct menanamkan norma perilaku “langsung ke bobot model” melalui SFT dan RLHF—yang pada dasarnya seperti menjahit kekang ke otot kuda. Itu cukup pada era tanya-jawab. Namun ketika masuk ke era Agent, model harus berjalan secara otonom, memanggil alat, dan membuat keputusan berkelanjutan; ruang perilaku meledak sehingga tidak mungkin menanamkan semua batasan ke dalam bobot. Titik berat kontrol harus dipindahkan dari dalam model ke luar model.

Batas kemampuan Instruct dihancurkan oleh paradigma Agent, sehingga Harness menjadi evolusi yang pasti.

Di artikelnya, Lin Junyang menyebut “harness” sebanyak empat kali, dengan hubungan berjenjang yang sangat jelas:

Dari “lingkungan eksternal tempat agent dijalankan”, ke “sebuah praktik engineering yang independen—harness engineering”, lalu ke “sebagian dari objek pelatihan—agent and the harness around it”.

Artikel itu membuktikan sesuatu dari sisi training: Harness bukan hanya infrastruktur saat Agent berjalan, tetapi juga infrastruktur saat Agent dilatih.

Dalam loop tertutup Agentic RL, Agent berjalan di Harness, lingkungan menghasilkan sinyal umpan balik, umpan balik mendorong pembaruan strategi RL, dan strategi mengubah perilaku Agent. Menghapus Harness bukan masalah Agent menjadi lebih lambat—melainkan masalah mendasar: pelatihan tidak bisa berjalan sama sekali.

Dan ia juga mengemukakan dengan jelas: bottleneck terbesar Agentic RL bukan algoritma, bukan arsitektur model, melainkan kualitas lingkungan dan infrastruktur rollout. Titik kemacetan yang membatasi evolusi Agent berada di lapisan Infra.

Terima kasih kepada Junyang. Izinkan saya melengkapi satu setengah argumen yang hilang untuk “Harness is the New Infra”.

Sebelumnya, sudah ada klaim bahwa Harness adalah infrastruktur yang mutlak diperlukan saat Agent berjalan (infra). Namun artikel Junyang memberi tahu kita bahwa Harness juga merupakan Infra saat Agent dilatih. Dalam loop tertutup Agentic RL, lingkungan menghasilkan sinyal umpan balik, umpan balik menggerakkan pembaruan strategi, strategi mengubah perilaku Agent, dan perilaku Agent memicu umpan balik lingkungan yang baru.

Hanya sistem yang diperlukan di dua ujung—pelatihan dan inferensi—yang dapat disebut infra dalam makna sejati, dan itu adalah Harness.

Lin Junyang mengatakan sesuatu yang bermakna dalam artikelnya: “pembangunan lingkungan sedang berubah dari proyek sampingan menjadi kategori produk start-up yang benar-benar nyata”.

“Pembangunan lingkungan” tidak identik dengan Harness, melainkan salah satu subhimpunan dari Harness, tetapi juga subhimpunan yang penting. “Lingkungan” terutama merujuk pada koneksi alat dan feedback evaluasi dalam arsitektur Harness—khususnya dunia tempat Agent berinteraksi saat pelatihan: sandbox eksekusi kode, simulator browser, kumpulan test case, dan lapisan simulasi API. Fungsi intinya adalah menghasilkan sinyal umpan balik agar Agentic RL memiliki sesuatu yang bisa dioptimalkan. Ia agak mirip kontainer, benchmark, dan Hugging Face untuk pelatihan dan pembangunan Agent.

Lingkungan adalah arena (lapangan latihan) saat Agent dilatih, sementara Harness adalah seluruh perangkat (peralatan) saat Agent benar-benar berjalan. Arena adalah sebagian dari perangkat, tapi bukan semuanya.

Namun, ketika mantan chief teknis sebuah model open-source mulai mendefinisikan kategori start-up secara terpisah untuk satu submodul dari Harness, ini sendiri adalah sinyal—ia menunjukkan tumpukan itu sudah cukup kompleks, cukup bernilai, dan mulai tumbuh seperti tumpukan infra yang sesungguhnya: berlapis dan melahirkan entitas bisnis independen.

Dan di sebuah artikel panjang yang kental nuansa akademis, ia mendefinisikan satu jalur start-up. Jika Anda merasa ini belum juga menjadi pitch deck startup ala Lin Junyang, maka jangan jadi VC.

Jalur Start-up Bernilai Triliunan Dolar

Jika Lin Junyang benar-benar membuat infrastruktur lingkungan pelatihan Agent—arah yang ia definisikan sendiri sebagai “kategori start-up yang benar-benar nyata”—ia menghadapi lapisan mana dari kue Harness ini? Lapisan kue ini sebesar apa?

Di dalam Harness ada arsitektur multi-lapis yang lengkap, yang dapat dipecah menjadi tujuh modul inti: engineering konteks, sistem memori, koneksi alat, pembungkusan skill, guardrails dan izin, evaluasi dan feedback, serta orkestrasi dan manajemen status.

Selain lapisan koneksi alat (MCP), setiap lapisan memiliki perusahaan start-up yang sedang berlari.

Lapisan konteks dan memori punya Cognee (€7,5 juta pendanaan), dan Interloom ($16,5 juta seed round, didukung Sequoia).

Lapisan koneksi alat telah distandardisasi oleh protokol MCP—unduhan SDK bulanan 97 juta; Anthropic, OpenAI, Google, Microsoft, dan Amazon semuanya terhubung; tidak banyak start-up.

Keamanan dan akses (safety access) muncul Runlayer ($11 juta, dipimpin Khosla), guardrails dan kepatuhan mencakup Guardrails AI, Vigilant AI, Runtime, Alter. Evaluasi dan observabilitas sedang paling panas: Arize AI mendapat $70 juta putaran C, dengan pelanggan termasuk Uber dan PepsiCo; Langfuse menjadi standar komunitas open-source.

Lapisan orkestrasi menunjukkan lanskap “tiga besar”: LangGraph, CrewAI (pendanaan $18 juta, 60% dari Fortune 500 menggunakannya) dan Microsoft Agent Framework, di mana dua di antaranya adalah perusahaan start-up. Sedangkan lapisan pembungkusan Skills lebih banyak berupa produk Agent pada jalur vertikal industri; standarnya adalah Harvey—AI untuk hukum, valuasi $11 miliar, akumulasi pendanaan $1 miliar, ARR $190 juta—serta Abridge, medis—AI, valuasi $5,3 miliar.

Lapisan lingkungan pelatihan berada pada tahap paling awal, sekitar 20 perusahaan seed-stage; Wing VC memprediksi akan terintegrasi menjadi 3-5 perusahaan pada tahun 2030.

Namun tidak setiap modul adalah jalur bagus.

Indikator inti untuk menilai jalur adalah: modul ini memecahkan masalah “kemampuan model” atau masalah “desain sistem”.

Yang pertama akan ditelan oleh model fondasi—jendela konteks dari 128K diperluas ke 1M lalu ke yang lebih besar; strategi kompresi yang canggih hari ini, mungkin besok tidak berguna.

Sedangkan modul di lapisan desain sistem memiliki nilai yang lebih berkelanjutan—misalnya koneksi alat, itu adalah masalah niche/posisi di ekosistem; guardrails keamanan adalah masalah kepatuhan; evaluasi adalah masalah independensi—ini semua tidak dapat diredam hanya karena model menjadi lebih kuat.

Jalur keluarnya (exit path) juga sangat berbeda. Koneksi alat dan pembungkusan skill terlalu dekat dengan model, sehingga pabrik model memiliki motivasi yang sangat kuat untuk “mengakuisisi dan mengakumulasi” dua lapisan ini. Anthropic membuat MCP dan Skills, OpenAI membuat Plugins dan GPTs—semuanya sedang menelan dua lapisan tersebut.

Dalam dua arah ini, batas atas (tingkat maksimum) berada pada akuisisi. Guardrails kepatuhan dan evaluasi observabilitas justru sebaliknya; keduanya secara alami membutuhkan independensi pihak ketiga. Bank tidak akan mempercayakan alat audit kepatuhan milik Anthropic sendiri, sama seperti Anda tidak akan meminta pihak yang diaudit untuk menerbitkan laporan auditnya sendiri. Independensi bukan strategi bisnis, melainkan nilai produk itu sendiri. Yang pertama adalah target akuisisi yang bagus, yang kedua adalah target IPO yang bagus.

Keduanya berada dalam Harness—Infra milik Agent. Jadi seberapa besar total “panci” jalur Harness?

Jika dihitung dari bawah ke atas, dengan menjumlahkan ruang valuasi tujuh sub-jalur, pada tahun 2030 total valuasi perusahaan independen yang lahir dari start-up sekitar $5000-8000 miliar. Di antaranya, pembungkusan skill dan pengetahuan vertikal yang terbesar ($2500-3500 miliar), guardrails dan kepatuhan pertumbuhannya paling cepat (CAGR 65,8%, dari $700 juta pada 2024 menjadi estimasi $109,9 miliar pada 2034—semakin autonomi Agent, semakin mahal “harga tali kekang”), sedangkan lingkungan pelatihan ada pada tahap awal tetapi kepastian tertinggi.

Pasar keseluruhan AI Agent memprediksi pendapatan $500-1000 miliar pada tahun 2030. Harness sebagai lapisan Infra berkontribusi sekitar 40-50%. Jika dikonversi dengan kelipatan PS 10-15x untuk SaaS/Infra, ruang valuasinya memang masuk akal.

Jalur start-up bernilai hampir satu triliun dolar.

Jika pendapatan Harness yang tertanam di dalam perusahaan pembuat model juga dihitung, maka ruang valuasi keseluruhan lapisan infrastruktur Harness berada di $2,5-3,8 triliun. Kurang lebih setara dengan total nilai kapitalisasi seluruh lapisan infra cloud computing saat ini.

Lalu kembali ke Lin Junyang: jika ia benar-benar masuk ke sub-jalur Harness untuk lingkungan pelatihan dan infrastruktur RL, ia menghadapi pasar yang saat ini hanya sekitar 20 perusahaan seed-stage, tetapi pada 2030 ruang valuasinya $20-50 miliar. Wing VC memprediksi bahwa pada akhirnya jalur ini akan terintegrasi menjadi 3-5 perusahaan papan atas.

Sebagai mantan technical负责人 Qwen, jika di Silicon Valley, valuasi seed mungkin berada di kisaran $200-500 juta. Pasar tidak memberikan valuasi untuk perusahaan, melainkan penilaian terhadap nilai orangnya. Lin Junyang tidak lagi perlu menyusun BP (Business Plan)—tweet itu saja sudah cukup. Dan jika diambil dana dari China dalam bentuk dana dolar, valuasi berangkat dari $50 juta, dan $100 juta bukan hal yang mustahil. Dalam yuan? Itu kita bicarakan nanti.

Telapak tangan Anthropic

Sekarang kita perlu menjawab satu pertanyaan yang benar-benar penting: lapisan infrastruktur Harness bernilai triliunan dolar ini—siapa yang mendefinisikan aturan?

Mari lihat fakta yang sangat kejam:

MCP adalah standar protokol yang dibuat oleh Anthropic. Claude Code adalah produk harness buatan Anthropic, pendapatan tahunan terakumulasi $2,5 miliar. Agent SDK dibangun oleh Anthropic sebagai pintu masuk bagi developer. Sistem Skills dirancang oleh Anthropic. Bahkan, dorongan terbesar di balik kepopuleran kata “harness” dalam konteks AI Agent juga adalah Anthropic.

Alasan yang lebih dalam adalah model bisnis.

Narasi inti OpenAI adalah “model paling kuat”; pendapatan terutama berasal dari langganan ChatGPT. Anthropic memang tidak lagi melakukan multi-modal dan world model secara menyeluruh, tetapi semakin banyak orang menganggapnya sebagai model paling kuat. Keunggulan Claude bukanlah peringkat teratas dalam benchmark, melainkan “model yang paling cocok untuk workflow Agent”—lebih andal, lebih terkontrol, dan lebih cocok untuk berjalan otonom dalam jangka panjang.

Penempatan ini berarti daya saing Anthropic tidak hanya datang dari model, tetapi juga dari kualitas Harness di sekitarnya. Setiap penyempurnaan di tiap lapisan Harness memperlebar parit pertahanannya. Kemakmuran ekosistem Harness secara langsung sepadan dengan keuntungan bisnis Anthropic.

Ini menjelaskan mengapa OpenAI sudah mulai mencoba membangun ekosistem sejak 2023—Plugins, GPTs, GPT Store—namun tidak berhasil, sedangkan MCP Anthropic baru diluncurkan pada akhir 2024, terlambat setahun setengah, tetapi menjadi standar faktual.

Alasan di balik itu sebenarnya begini: OpenAI membangun ekosistem aplikasi, sementara Anthropic membangun ekosistem infrastruktur.

GPT Store OpenAI mengikuti logika App Store—saya punya basis pengguna terbesar, Anda datang dan membuka toko di tempat saya. Tetapi ketika model itu sendiri bisa melakukan apa saja, aplikasi tidak lagi diperlukan. GPTs tidak punya tembok pembeda yang kuat, karena kapabilitas dasarnya dan ChatGPT itu sendiri adalah hal yang sama.

Dan MCP Anthropic bukanlah toko aplikasi, melainkan toko protokol. Ia tidak mengundang developer untuk membuka toko di Claude, tetapi mendefinisikan serangkaian standar koneksi, sehingga semua tools dan semua model bisa digunakan. Ini adalah logika HTTP, bukan logika App Store.

Dan semakin protokol terbuka, semakin kuat kontrolnya dalam ekosistem. Saat ini, semua orang memakai MCP, dan MCP dirancang oleh Anthropic. Anthropic tidak perlu mengunci pengguna; ia mengunci cara pikir developer dan toolchain mereka.

Dari sisi kapital. Anthropic dan investor awal Menlo Ventures mendirikan Anthology Fund bernilai $100 juta; dalam setahun mereka berinvestasi pada lebih dari 30 perusahaan start-up arah harness. Struktur ini sangat cerdas: Menlo yang mengeluarkan dana, Anthropic tidak terlibat dalam keuntungan ekonomi dana tersebut, tetapi memberi setiap perusahaan yang didanai $25.000 dalam bentuk model credits, serta membuka kesempatan kepada Chief Product Officer Mike Krieger dan presiden Daniela Amodei untuk ikut berpartisipasi dalam demo day.

Anthropic tidak mengeluarkan satu sen pun, mengunci lebih dari 30 perusahaan start-up ke ekosistem Claude, sekaligus memperoleh sinyal permintaan paling mutakhir. Ini adalah opsi tanpa biaya (costless option).

Namun, apakah kita pernah berpikir: mengapa pada era Agentic AI, ekosistem protokol Anthropic lebih penting daripada ekosistem aplikasi OpenAI?

Karena Agent bukan “aplikasi” dalam pengertian tradisional. Antarmuka interaksi aplikasi tradisional bersifat tetap dan terbatas—pengguna memanggil mobil, aplikasi menjalankan alur yang telah ditetapkan: memanggil API, mencocokkan pengemudi, menghitung rute. Agent berbeda: ia memutuskan sendiri tool apa yang dipanggil, urutannya bagaimana, dan kapan. Antarmuka interaksinya tak terbatas dan dinamis. Selain itu, Agent perlu bekerja sama satu sama lain—orkestrator menjadwalkan Agent profesional, Agent profesional menjadwalkan sub-Agent; ini adalah masalah koordinasi dalam sistem terdistribusi.

Ketika antarmuka interaksi bersifat tetap, Anda bisa menghubungkan satu per satu; ketika antarmuka interaksi bersifat tak terbatas, Anda hanya bisa mendefinisikan standar.

TCP/IP membuat dua komputer apa pun bisa berkomunikasi, HTTP membuat setiap klien bisa mengakses server mana pun, dan MCP membuat setiap Agent bisa memanggil tool mana pun. Unit dasar dari ekosistem aplikasi adalah “produk”, sementara unit dasar dari ekosistem protokol adalah “koneksi”. Di era Agentic, jumlah dan kualitas koneksi menentukan segalanya.

Semua pendiri start-up Harness sedang berguling-guling. Jika Lin Junyang benar-benar masuk ke infrastruktur lingkungan pelatihan, arah yang ia definisikan sendiri sebagai “kategori start-up yang benar-benar nyata”, maka produk akhirnya besar kemungkinan juga harus mengakses ekosistem Claude; atau mendirikan ekosistem paralel di China. Karena Anthropic mendefinisikan protokol, membangun SDK, menyebar ekosistem melalui dana, dan menguasai cara pikir developer.

Mungkin, hanya start-up Agent dari China yang bisa melompat keluar dari cengkeraman telapak tangan Anthropic—ini adalah kekuatan tak terhindarkan (force majeure).