Най-опасният провал на изкуствения интелект в бизнеса не е сривът, а докладът за успех, който никога не се е случвал.
Когато AI агентът греши, повечето компании реагират по един и същ начин: пренаписват промпта. По-дълъг, по-строг, с повече правила и главни букви. Понякога помага, най-често не. Причината е проста, проблемът рядко е в инструкцията.
Ако наемем нов служител, който изпълни задачата наполовина и докладва, че всичко е готово, няма да му напишем по-дълъг наръчник. Ще въведем проверка на резултата, ясни граници и достъп само до необходимото. С изкуствения интелект бизнесът все още прави обратното.
Всичко около модела
Инженерите наричат този подход „харнес“ (harness) – буквално сбруя. Идеята идва от алпинизма: катерачът се закотвя към нещо стабилно, за да не се отклони. В света на изкуствения интелект харнесът е целият слой около модела, който го връзва към реалността – инструментите, с които работи, ограниченията, управлението на контекста и, най-важното, проверката на резултата.
Нуждата е логична. Моделите, които компаниите използват, са черни кутии, наети под наем. Клиентът не контролира напълно контекстния им прозорец и не вижда какво точно работи зад интерфейса. Затова разговорът трябва да е за надеждност, която не зависи от настроението на модела.
Типичният харнес има шест съставни части: регистър на инструментите (файлове, браузър, вътрешни системи), самия модел, управление на контекста, ограничения като максимален брой стъпки и опити, агентен цикъл и стъпка за верификация. Уточнението е важно, харнесът не е агентният цикъл. Той е всичко, което го обгражда.
Слаб модел, същата инструкция
Как изглежда разликата на практика, показа демонстрация на скорошна техническа конференция. Задачата към браузърния агент беше елементарна: да отиде в Hacker News и да гласува за първата публикация. Моделът беше умишлено остарял – GPT-3.5 Turbo от 2023 г. Инструкцията не беше променяна нито веднъж. Променяше се само средата около модела, и то на четири стъпки.
Първо, агентът работи без харнес. Стига до екран за вход, обърква се и се срива, а после твърди, че е гласувал. Това е най-скъпият вид грешка: не самият провал, а фалшивият отчет за успех, върху който някой ще вземе решение.
Второ, въведени са граници – най-много шест итерации и ограничен размер на контекста. При надвишаване историята се съкращава и остават само системната инструкция, задачата и последните две съобщения. Агентът вече не може да се лута безкрайно.
Трето, добавена е независима проверка. Не моделът, а програмен код преглежда историята на инструментите и установява дали има реален успешен клик и дали агентът не е останал на страницата за вход. Опитите са най-много три. Агентът още не успява, но за първи път докладва честно. Това е половината победа, защото проблем, който не се вижда, не може да се оправи.
Четвърто, автоматичен вход. Преди всяка стъпка харнесът проверява къде се намира браузърът. Ако е на страница за вход, сам попълва данните – например от защитена променлива на средата, – изпраща формата и оставя на агента бележка, че всичко е наред. Агентът никога не вижда паролата.
Резултатът: гласът е даден след шест итерации и е потвърден директно в Hacker News. Същият слаб модел, същата инструкция, друг резултат.
Сметката за бизнеса
Отвъд техническата елегантност харнесът е въпрос на пари и риск.
Първо, разходите. Ограниченията за стъпки и опити са най-простият начин един заклещен агент да не се превърне в неконтролируема сметка за токени – тема, по която вече писах в тази рубрика: цената на токена подвежда бюджетите. Данните показват мащаба на проблема. Gartner прогнозира, че поне 50% от проектите с генеративен AI ще надхвърлят планирания си бюджет до 2028 г. – заради лоши архитектурни решения и липса на оперативна експертиза, не заради цените на доставчиците. Според проучване на IDC от декември 2025 г., поръчано от DataRobot, 96% от организациите с генеративен AI и 92% от тези с агентни системи вече са се сблъскали с по-високи от очакваните разходи. Проблемът е в проектирането, не в ценовата листа.
Второ, цената на модела. Тезата на демонстрацията е, че с добър харнес по-малки и по-евтини модели, включително с отворен код като Qwen или GPT-OSS, могат да стигнат далеч – там, където иначе се плаща премия за най-мощните.
Трето, сигурността. Паролите, токените и правата за достъп живеят в кода на харнеса, а не в текста, който се изпраща към модела. Така моделът никога не ги вижда. По тази логика IBM развива OpenRAG – проект с отворен код, който позволява на големи компании да задават въпроси към вътрешни, силно изолирани данни като разговори в Teams, PDF документи и фактури.
Четвърто, доверието. „Готово“ означава нещо само ако е потвърдено от система, която не е самият модел.
Три въпроса, преди да пренапишете промпта
Следващия път, когато AI агент в компанията даде грешен резултат, си струва да зададете три въпроса:
- Какво можем да проверим с код, вместо да вярваме на модела?
- Какво не бива изобщо да минава през модела – пароли, права за достъп, необратими действия?
- Къде са границите на стъпките, опитите и разходите?
В индустрията вече се говори за смяна на фокуса: ако 2025 г. беше годината на агентите, 2026 г. се очертава като годината на харнесите. Следващата стъпка може да са харнеси, които агентът сам създава, преди да започне задачата. Засега конкурентното предимство е по-прозаично – не най-мощният модел, а най-добрата система около него.
Инструкцията казва на агента какво да постигне. Харнесът гарантира, че той или ще го постигне, или ще признае честно, че не е успял. Най-скъпата грешка на AI агента не е провалът, а увереният доклад за успех.
