De AI-harness: waarom losse AI-tools niet blijven plakken

Wat is een AI-harness?

Een AI-harness is alles wat je om een AI-model heen organiseert om het bruikbaar te maken voor echt werk: de kennis en bronnen waaruit het put, de afspraken en regels waarbinnen het opereert, de controlepunten waar een mens meekijkt, en het geheugen van hoe jullie werken. Het model zelf (ChatGPT, Claude, Gemini) levert taalvaardigheid; de harness zorgt dat die taalvaardigheid jouw werk doet, op jouw manier, met jouw informatie. In het vakgebied circuleert daarvoor de formule: agent = model + harness.

De term komt uit de softwarewereld, maar het idee is ouder dan AI. Een nieuwe medewerker is ook pas productief als er een inwerkmap, werkafspraken en een collega-die-meekijkt omheen staan. Voor AI geldt hetzelfde, met één verschil: AI onthoudt tussen sessies niets uit zichzelf. Alles wat het moet weten, moet je georganiseerd aanbieden.

Waarom losse tools niet blijven plakken

Het patroon is bij veel bedrijven hetzelfde. Iemand probeert een AI-tool, de eerste resultaten zijn indrukwekkend, twee maanden later gebruikt niemand hem meer. De oorzaak zit zelden in de tool. De tool kende het bedrijf niet: niet de klanten, niet de afspraken, niet de huisstijl, niet de uitzonderingen. Elke gebruiker moest dat er per sessie zelf bij vertellen, kreeg wisselende resultaten, en haakte af zodra het typewerk zwaarder woog dan de winst.

Eén goed antwoord is bovendien nog geen werk. Tussen "AI schrijft een nette mail" en "de klacht wordt herkend, het dossier erbij gepakt, een conceptantwoord klaargezet en door een collega goedgekeurd" zit vrijwel alleen maar harness: bronnen, regels, controle en vastgelegde werkwijze. Wie alleen tools koopt, koopt het eerste en verwacht het tweede.

De vier onderdelen

Je kennis en bronnen. Wat moet de AI weten om jouw werk te doen? Denk aan productdocumentatie, prijsafspraken, procesbeschrijvingen, voorbeelden van goed werk. Per werkstroom bepaal je welke bronnen de AI raadpleegt, en net zo belangrijk: welke niet. Hoe je deze laag opbouwt staat in "Een kennisassistent als eerste stap".

Je afspraken en regels. In welke toon schrijven we, wat beloven we nooit, welke data mag niet in een AI-tool, wat mag AI wel voorbereiden maar nooit besluiten. Dit zijn geen technische instellingen; het zijn bedrijfsafspraken die je opschrijft zodat elke AI-toepassing er hetzelfde mee omgaat.

Controlepunten. Waar kijkt een mens mee voordat er iets gebeurt? Een conceptantwoord aan een klant gaat langs een collega; een interne samenvatting hoeft dat niet. Het controlepunt hoort bij de stap met gevolgen, niet overal en niet nergens.

Geheugen van hoe jullie werken. Elke correctie die een collega op AI-werk maakt, is informatie. Wie die correcties vastlegt in de bronnen en regels, hoeft dezelfde fout maar één keer te zien. Wie het niet doet, corrigeert elke week hetzelfde.

Hoe dit er bij onszelf uitziet

Wij behandelen onszelf als eerste klant. Onze eigen documentatie is opgedeeld in kennislagen, waarvan er één bewust géén AI-toegang heeft: daar staan de gegevens die we niet in een AI-omgeving willen, en die grens is in één zin uit te leggen aan een klant of auditor. Onze AI-toepassingen zijn opgezet als aparte werkstromen met elk een beperkte set rechten, in plaats van één systeem dat overal bij kan. En elke fout die we tegenkomen leidt tot een aanpassing in bron of regel, niet tot een losse correctie: het uitgangspunt is dat je de omgeving repareert, zodat dezelfde fout niet terug kan komen.

Dat klinkt als veel werk, en de opbouw was dat ook. Het resultaat is dat een nieuwe AI-toepassing bij ons niet bij nul begint: de bronnen, regels en controlepunten liggen er al, en dat hergebruik is wat een harness oplevert.

Waar je begint

Niet met alles tegelijk. De volgorde die in de praktijk werkt: begin bij je kennis en bronnen, want elke andere laag heeft die nodig. Een kennisassistent op je eigen documentatie is daarvoor de gangbare eerste stap. Bouw daarna één werkstroom met een duidelijk controlepunt; "Je eerste AI-werkstroom: van los proberen naar vaste gewoonte" beschrijft hoe. Agents met meer zelfstandigheid komen pas daarna; wanneer je daaraan toe bent staat in "AI-agents uitgelegd: wat ze zijn en wanneer je eraan toe bent".

Voor eenmalige taken (een tekst inkorten, brainstormen) heb je geen harness nodig; een gewone chatsessie volstaat. Een harness gaat tellen zodra een taak terugkeert, door meerdere mensen wordt gedaan, of zodra fouten geld of reputatie kosten.

Download: Harness-canvas

Het harness-canvas is één invulvel dat de harness van je organisatie in kaart brengt: welke werkstromen draaien er, welke bronnen gebruikt de AI per werkstroom, waar zit menselijke controle, wie is eigenaar en wat leggen we vast. Met invulinstructie en een voorbeeldinvulling. Aanmelden is gratis en geeft toegang tot alle downloads in de Academy.

Hoe wij helpen

And AI bouwt de harness samen met de klant op de eigen omgeving: kennislaag inrichten, afspraken en controlepunten vastleggen, en van daaruit werkstromen en agents toevoegen. We gebruiken daarbij dezelfde opzet die we voor ons eigen bedrijf hebben gebouwd, aangepast aan jouw processen en systemen.

Veelgestelde vragen

Wat is een AI-harness? Alles wat je om een AI-model heen organiseert om er betrouwbaar werk uit te krijgen: kennis en bronnen, afspraken en regels, controlepunten en het geheugen van hoe jullie werken. Het model levert taalvaardigheid; de harness zorgt dat die in jouw processen werkt.

Is een AI-harness hetzelfde als een AI-agent? Een agent is de combinatie van beide: agent = model + harness. Het model koop of huur je; de harness is het deel dat je zelf inricht en dat bepaalt hoe goed het geheel werkt.

Maakt de keuze van het AI-model dan weinig uit? Voor de meeste zakelijke taken weinig. De grote modellen zijn voor samenvatten, schrijven en analyseren allemaal ruim goed genoeg, en een goede harness maakt wisselen van model eenvoudig. De vraag welke bronnen en controlepunten je op orde hebt, verdient meer tijd dan de modelkeuze.

Bronnen

• Birgitta Böckeler (Thoughtworks), Harness engineering, first thoughts
• Mitchell Hashimoto, My AI adoption journey