Harness, Линь Цзюньян, триллионный долларовый рынок и ладонь Anthropic

Инфраструктура эпохи Agent: возможности и воображение гораздо больше, чем у «омара».

В марте 2026 года самое горячее слово в индустрии ИИ — это не название какой-либо модели, а английское слово, не имеющее, казалось бы, никакого отношения к ИИ: Harness.

Его первоначальный смысл — упряжь. Поводья, недоуздок, седёлка — вся эта система вещей, надетых на лошадь.

Если употреблять как глагол, его смысл должен быть таким: «укрощать» / «управлять».

Ты не скажешь harness a calculator («управлять калькулятором»), но скажешь harness the wind («укрощать/управлять ветром»), harness a horse («укрощать/управлять лошадью»). Те, кто употребляет это слово — намеренно или случайно, — признают одну вещь: перед ним не пассивный инструмент, а нечто могущественное, обладающее собственной волей. Он не «использует» это. Он «укрощает/управляет» этим.

Это слово становится самым центральным отраслевым понятием в эпоху AI Agent.

Вокруг него растёт слой инфраструктуры на масштаб триллиона долларов. И те, кто формулируют правила этой инфраструктуры, — уже не за горами.

Harness is the New Infra

У Harness в контексте AI есть две линии эволюции.

Первая — риторическая. «Harness AI» как универсальное выражение давно ходит по технологической индустрии: смысл примерно «способность укрощать/управлять ИИ».

Вторая, более важная, — технологическая. В конце 2025 года Anthropic начала использовать «harness» для описания той инфраструктуры, которую строят вокруг AI Agent — управления контекстом, вызова инструментов, памяти, ограждений (guardrails), оркестрации. Официальное определение Claude Agent SDK — «a general-purpose agent harness».

В начале 2026 года сооснователь HashiCorp Mitchell Hashimoto предложил «AI Harness» как официальное понятие, а «Harness Engineering» как новую область инженерных практик быстро распространилось.

Но по-настоящему заставляет это слово относиться к нему серьёзно не его популярность, а то, что оно точно описывает новую связь, формирующуюся между человеком и ИИ: симбиотическое асимметричное сотрудничество.

Человек даёт намерение, суждение и направление. ИИ даёт возможности, скорость и масштаб.

Harness одновременно признаёт асимметрию возможностей и асимметрию авторитета, и обе эти асимметрии — обратные: возможности ИИ могут намного превосходить возможности «укротителя/управляющего», но у «укротителя/управляющего» есть окончательный выбор направления.

Лошадь быстрее и сильнее, чем человек, но куда ехать — решает человек.

Человек должен укрощать/управлять ИИ, который сильнее его. Это, вероятно, — самый точный слой выражения, который выбрала Anthropic, будь то намеренно или нет.

И слово Harness действительно немного «Anthropic» (человечно) — с оттенком гуманности.

Кто-то говорит: Harness is the New Datasets.

Интуиция у этой фразы острая, но вывод неточен. Когда базовые модели сходятся по качеству, качество Harness действительно становится ключевой переменной, определяющей, будет ли Agent хорошим или нет — как качество данных может определить жизнь или смерть базовой модели.

Но Datasets (датасеты) и Harness существуют принципиально по-разному: Datasets в технологической архитектуре занимают единственное место — вход на этапе обучения; однако Harness — не конкретный слой, а стек, набор слоёв.

Инженерия контекста и память — слой хранения, подключение инструментов — сетевой слой, оркестрация — слой контейнеров, ограждения — слой безопасности, оценка — слой наблюдаемости, инкапсуляция навыков — промежуточное ПО (middleware). Каждый слой способен вырастить отдельные компании, стандарты и бизнес-модели. Это полностью изоморфно стэковому устройству Infra облачных вычислений.

В этом смысле можно сказать: Harness is the New Infra — это не infra для предобучения моделей, а infra для построения Agent, которая наделяет Agent автономностью, одновременно строго следуя человеческим инструкциям, обеспечивая безопасность и соблюдение правил.

Сам Harness не является новым Datasets, но благоприятная работа Harness генерирует хорошие datasets для Agent и запускает data flywheel (цикл данных). Когда harness накапливает достаточно много данных о пользовательском поведении и знаний домена, он перестаёт быть просто дизайном «внешней надстройки»: он начинает обладать свойствами данных — чем больше его используют, тем лучше он становится, и тем труднее его заменить.

Отсюда можно вывести почти как определение уравнение:

Базовая модель + Harness = Agent.

Базовая модель даёт исходные возможности — рассуждение, генерацию, понимание. Но она статична, пассивна и без направления. Она может «всё», поэтому она «ничего». Harness даёт структуру, направление и ограничения, сводя бесконечную неопределённость к конечным, целенаправленным действиям. В момент их совместного существования ИИ из объекта, к которому обращаются, превращается в действующий субъект.

Одна и та же лошадь: если надеть разные упряжи, она может тянуть телегу, перевозить людей, пахать поле, участвовать в соревнованиях. Именно дизайн Harness определяет форму и назначение Agent.

Pitch Deck Линь Цзюньян (林俊旸)

26 марта 2026 года бывший технический руководитель команды Qwen Линь Цзюньян (Junyang Lin) опубликовал в X длинный пост с заголовком: “From ‘Reasoning’ Thinking to ‘Agentic’ Thinking”. За два дня — 700 тыс. просмотров, 2800 лайков, 677 репостов.

Три недели назад, 4 марта, он только что ушёл из Alibaba. Через три недели он написал систематическую статью с отраслевыми суждениями.

Ключевой аргумент статьи: ИИ переходит от «думать дольше» к «думать ради действия».

Reasoning Thinking (рассуждающее мышление) по сути является статическим монологом — модель в замкнутом пространстве генерирует всё более длинные цепочки рассуждений, пытаясь компенсировать недостаток взаимодействия с окружением за счёт большего количества текста. Agentic Thinking — это непрерывное продвижение задачи в процессе взаимодействия с окружением. Объект обучения прошёл три ступени: от обучения модели, к обучению Agent, к обучению системы.

Это не просто теория. Он подкрепляет это своими практическими уроками из Qwen: объединять thinking (мышление) и instruct (инструкции) режимы оказалось намного сложнее, чем кажется. Два типа поведения по распределению данных и оптимизационным целям фундаментально тянут друг друга — instruct стремится к краткости, скорости, соблюдению формата, thinking стремится использовать больше токенов для исследования альтернативных путей. После того как Qwen3 попробовал объединить, они снова разъединили на отдельные линии.

Этот урок указывает на более глубокое прозрение: Instruct — замена Harness из эпохи «пре-агентности» (pre-Agent) .

Instruct «прожигает» нормы поведения в веса модели через SFT и RLHF — по сути, это когда вшивают поводья в мышцы лошади. В эпоху вопросов-ответов этого достаточно. Но в эпоху Agent модели нужно автономно выполнять задачи, вызывать инструменты, постоянно принимать решения; пространство возможных действий взрывается, невозможно «натренировать» все ограничения прямо в веса. Центр контроля должен переместиться изнутри модели наружу.

Ограничения возможностей Instruct пробивает парадигма Agent, а Harness — неизбежная эволюция.

В тексте Линь Цзюньян четыре раза упоминает «harness», и прогрессия там очень ясная:

от «внешней среды, в которой работает agent», к «самостоятельной инженерной практике — harness engineering», затем к «части обучаемого объекта — agent and the harness around it».

Его статья на стороне обучения доказывает одну вещь: Harness — это не только инфраструктура для выполнения Agent, но и инфраструктура для обучения Agent.

В замкнутом контуре Agentic RL Agent работает в Harness, окружение генерирует сигналы обратной связи, обратная связь движет обновление стратегии RL, стратегия меняет поведение Agent. Если убрать Harness — это не проблема, что Agent станет медленнее, а что обучение в принципе не запустится.

И он прямо предлагает: главный bottleneck Agentic RL — не алгоритмы, не архитектура модели, а качество среды и rollout-инфраструктура. То, что сдерживает эволюцию Agent, находится на уровне Infra.

Спасибо Цзюньяну — он восполнил для меня вторую половину аргументации «Harness is the New Infra».

Harness — незаменимая инфраструктура (infra) для работы Agent во времени вывода — это утверждение из предыдущего текста. А эта статья Цзюньяна показывает нам: Harness также является infra для обучения Agent. В замкнутом контуре Agentic RL окружение генерирует сигналы обратной связи, обратная связь движет обновление стратегии, стратегия меняет поведение Agent, а поведение Agent, в свою очередь, триггерит новые сигналы обратной связи из среды.

Только система, которая одинаково незаменима на обоих концах — и в обучении, и в выводе, — действительно является infra в полном смысле, то есть Harness.

В статье Линь Цзюньян сказал одну многозначительную фразу: «Сборка среды превращается из побочного проекта в полноценную категорию стартап-продуктов».

«Сборка среды» не равно Harness, а является его подмножеством, но при этом важным подмножеством. «Среда» главным образом соответствует подключению инструментов и обратной связи оценки в архитектуре Harness — то есть конкретно тому миру, с которым взаимодействуют во время обучения Agent: песочницы выполнения кода, симуляторы браузера, наборы тестовых кейсов, уровень эмуляции API. Её ключевая функция — генерировать сигналы обратной связи, чтобы Agentic RL имел что оптимизировать. Она немного похожа на контейнер, benchmark и Hugging Face для обучения и сборки Agent.

Среда — это спортплощадка для обучения Agent, а Harness — полный комплект экипировки, когда Agent начинает бегать. Спортплощадка — часть экипировки, но не всё.

Однако то, что бывший технический руководитель открытой модели начинает отдельно определять для одного из сабмодулей Harness отдельную категорию стартапов, само по себе является сигналом — это означает, что стек уже достаточно сложен, достаточно ценен, и начал расти слоями, как настоящие Infra-стэки, порождая независимые бизнес-сущности.

А в очень академически окрашенном длинном материале определяется стартап-трек. Если ты считаешь, что это ещё не pitch deck стартапа от Линь Цзюньяна, то не занимайся VC.

Стартап-трек на триллионы долларов

Если Линь Цзюньян действительно пойдёт в инфраструктуру обучающей среды для Agent — то направление, которое он лично определил как «настоящую категорию стартап-продуктов», — с какой именно «прослойкой» этого пирога Harness он столкнётся? И насколько велика эта «прослойка»?

Внутри Harness есть полноценная многоуровневая архитектура, которую можно разложить на семь ключевых модулей: инженерия контекста, система памяти, подключение инструментов, инкапсуляция навыков, ограждения и права, оценка и обратная связь, оркестрация и управление состоянием.

Кроме слоя подключения инструментов (MCP), в каждой из остальных слоёв работают стартапы.

У слоя контекста и памяти есть Cognee (€7,5 млн финансирования) и Interloom ($16,5 млн seed, Sequoia участвовала).

Слой подключения инструментов был стандартизирован протоколом MCP — месячных загрузок SDK 97 млн, встраиваются Anthropic, OpenAI, Google, Microsoft, Amazon, и там не так много стартапов.

Слой безопасного подключения всплыл Runlayer ($11 млн, Khosla lead), а также Guardrails AI, Vigilant AI, Runtime, Alter — ограждения и комплаенс. Оценка и наблюдаемость сейчас самые горячие: Arize AI получил $70 млн в раунде C, среди клиентов Uber и PepsiCo; Langfuse стал стандартом открытого сообщества.

Оркестрационный слой показывает расклад «трёх сильных»: LangGraph, CrewAI ($18 млн финансирования, 60% Fortune 500 используют) и Microsoft Agent Framework, причём две из трёх — стартапы. А слой Skills (инкапсуляции навыков) чаще всего представлен стартапами с продуктами Agent в вертикальных отраслевых треках; эталоном является Harvey — юридический AI, оценка $11 млрд, накопленное финансирование $1 млрд, ARR $190 млн; а также Abridge — медицина — AI, оценка $5,3 млрд.

Обучающая среда находится на самом раннем этапе: примерно 20 компаний на seed. Wing VC прогнозирует, что к 2030 году произойдёт консолидация до 3–5 компаний.

Но не каждый модуль — хорошая дорожка.

Критерий, по которому судят, хороший ли трек: решает ли этот модуль «проблему возможностей модели» или «проблему системного дизайна».

Первое будет съедено базовыми моделями — контекстное окно расширяется с 128K до 1M и дальше; точные стратегии сжатия, которые работают сегодня, могут оказаться бесполезны завтра.

А модули слоя системного дизайна обладают устойчивой ценностью — например, подключение инструментов: это вопрос ниши; безопасные ограждения — вопрос комплаенса; оценка — вопрос независимости; эти вещи нельзя «растворить», просто сделав модель сильнее.

У них и пути выхода разные. Подключение инструментов и инкапсуляция навыков слишком близки к модели — у фабрик моделей есть сильный мотив поглотить. Anthropic делает MCP и Skills, OpenAI делает Plugins и GPTs — всё это, по сути, «поглощает» эти два слоя.

В этих направлениях стартапов потолок — поглощение. А ограждения/комплаенс и оценка/наблюдаемость — наоборот: им естественно нужна независимость третьей стороны. Банки не доверят собственный инструмент аудита от Anthropic — как вы не позволите аудируемой стороне самой выпускать аудиторский отчёт. Независимость — это не бизнес-стратегия, а ценность продукта как такового. Первое — хорошая цель для поглощения, второе — хороший объект для IPO.

Они относятся к Harness — infra для Agent. Так насколько велик общий «котёл» трека Harness?

Снизу вверх, суммируя оценочные пространства семи суб-треков, к 2030 году суммарная оценка независимых стартапов составит примерно $5000-8000 млрд. Больше всего — инкапсуляция навыков и вертикальные знания ($2500-3500 млрд), а ограждения и комплаенс растут быстрее всего (CAGR 65,8%: с $700 млн в 2024 году до $109,9 млрд в прогнозе на 2034 год; чем автономнее становится Agent, тем дороже «цена у узды»), обучающая среда — самый ранний этап, но с наибольшей определённостью.

Общий рынок AI Agent с прогнозом на 2030 год — доход $50-100 млрд; Harness как infra-слой занимает 40-50%. Если пересчитать оценочное пространство по мультипликаторам PS 10-15x для SaaS/Infra, то пространство оценок выглядит согласованным.

Рынок стартапов на почти десятки триллионов долларов.

Если учитывать и доходы Harness, встроенные внутрь фабрик моделей, то оценочное пространство всей Harness-инфраструктуры составляет $2,5-3,8 трлн. Это примерно соответствует суммарной рыночной капитализации всего cloud computing infra-слоя сегодня.

И тогда вернёмся к Линь Цзюньяну: если он действительно зайдёт в суб-трек инфраструктуры обучающей среды и RL, с какой отраслью он столкнётся — сейчас там около 20 seed-компаний, но к 2030 году оценочное пространство $20-50 млрд. Wing VC прогнозирует, что в итоге этот трек консолидируется до 3–5 ведущих компаний.

Если судить о нём как о бывшем техническом руководителе Qwen: в Силиконовой долине seed-оценки могут быть в диапазоне $200-500 млн. Рынок даёт не оценку компании, а цену человека. Линь Цзюньяну уже не нужно писать BP — хватит и того твита. А если в Китае заходить с долларовым фондом: оценка начинается от $50 млн, и $100 млн вполне не исключено. В юанях? Ну давайте посмотрим.

Ладонь Anthropic

Теперь нужно ответить на действительно важный вопрос: инфраструктурный слой Harness на триллионы долларов — кто определяет правила?

Давайте взглянем на суровые факты:

MCP — стандарт протокола, который придумала Anthropic. Claude Code — harness-продукт, созданный Anthropic, годовая выручка $2,5 млрд. Agent SDK — разработческий вход, который построила Anthropic. Skills-система — дизайн Anthropic. Даже популярность самого слова «harness» в контексте AI Agent — главный двигатель этого тренда — Anthropic.

Более глубокая причина — бизнес-модель.

Главная нарративная линия OpenAI — «самая сильная модель». Доход в основном поступает от подписок ChatGPT; Anthropic при этом полностью не занимается мультимодальностью и world model, но всё больше людей считают её «самой сильной моделью». Ценность Claude — не в том, что он №1 по бенчмаркам, а в том, что это «модель, лучше всего подходящая для рабочих процессов Agent» — более надёжная, более управляемая, лучше приспособленная для долгой автономной работы.

Эта позиция означает: конкурентоспособность Anthropic проистекает не только из модели, а из качества того Harness, которое окружает модель. Совершенствование каждого слоя Harness расширяет его ров. Процветание экосистемы Harness напрямую равно коммерческой выгоде Anthropic.

Это объясняет, почему OpenAI с 2023 года пытался строить экосистему — Plugins, GPTs, GPT Store — но так и не удалось, тогда как MCP от Anthropic появился только в конце 2024 года, на полтора года позже, но стал фактическим стандартом.

Истинная причина проста: OpenAI строит экосистему приложений, а Anthropic строит экосистему инфраструктуры.

GPT Store от OpenAI по логике похож на App Store: у меня самая большая база пользователей — ты приходишь и открываешь магазин у меня. Но когда сама модель «может всё», приложению не остаётся необходимости существовать. GPTs не имеют барьеров дифференциации, потому что базовые возможности и сам ChatGPT — одна и та же сущность.

А MCP от Anthropic — это не магазин приложений, а магазин протоколов. Он не приглашает разработчиков приходить «открывать лавку» на Claude, он определяет стандарт соединения, чтобы все инструменты и все модели могли быть использованы. Это логика HTTP, а не логика App Store.

И чем более открытым становится протокол, тем больше контроля у экосистемы. Сейчас все используют MCP, а MCP спроектирован Anthropic. Он не «привязывает» пользователей — он «привязывает» разработчиков, их ментальные модели и toolchain.

На уровне капитала. Anthropic и ранние инвесторы Menlo Ventures создали фонд Anthology Fund на $100 млн: за год они инвестировали более 30 стартапов в направлении harness. Структура очень умная: Menlo даёт деньги, Anthropic не участвует в экономических интересах фонда, но для каждой инвестированной компании они дают модельные кредиты по $25,000 и открывают Chief Product Officer Майка Кригера (Mike Krieger) и президента Даниэлу Амодей (Daniela Amodei) для участия в demo day.

Anthropic не вкладывает ни цента, но закрепляет за собой более 30 стартапов в экосистеме Claude и получает самые свежие сигналы спроса. Это беззатратный опцион.

Но мы задумывались: почему в эпоху Agentic AI протокольная экосистема Anthropic важнее, чем приложенческая экосистема OpenAI?

Потому что Agent — это не «приложение» в традиционном смысле. Интерфейсы взаимодействия у обычных App фиксированы и ограничены: пользователь вызывает такси, App вызывает API по заданному процессу, матчится с водителем, рассчитывает маршрут. Agent другой: он сам решает, какие инструменты вызвать, в каком порядке, и когда. Интерфейс взаимодействия бесконечный и динамический. Кроме того, Agent и Agent тоже должны сотрудничать — оркестратор диспетчеризует специализированных Agent, специализированные Agent диспетчеризируют под-Agent. Это проблема координации распределённой системы.

Когда интерфейс взаимодействия фиксирован, вы можете подключаться по одному; когда интерфейс бесконечен, вы можете только определить стандарт.

TCP/IP позволяет любой паре компьютеров общаться, HTTP позволяет любому клиенту обращаться к любому серверу, MCP позволяет любому Agent вызывать любой инструмент. Базовая единица приложения — «продукт», базовая единица протокольной экосистемы — «соединение». В эпоху Agentic всё решают количество и качество соединений.

Все стартапы Harness кувыркаются. Если Линь Цзюньян действительно сделает инфраструктуру обучающей среды, то — даже если он сам в статье определил это направление как «настоящую категорию стартап-продуктов» — его продукт в итоге с большой вероятностью тоже придётся интегрировать в экосистему Claude; либо, в Китае, построить параллельную экосистему. Потому что Anthropic определила протокол, построила SDK, открыла экосистемный фонд и заняла ментальное пространство разработчиков.

Возможно, только китайские стартаперы в Agent имеют шанс вырваться из хватки Anthropic — и это вопрос непреодолимых обстоятельств.