Latent Space、エージェント環境構築手法の変遷を解説──Harness 1.0 から Co-Training Era への移行期における性能変動を分析
モデル性能とエージェントハーネスの進化曲線が交差した 2025 年冬以降の構造変化を、Harness-Bench のスコア幅 23.8pt などの定量データから読み解く。
リリース: 2026-08-22 · 読了 4 分記事の要約
1. 核心（What）
- AI エンジニアリングにおける「エージェントハーネス」（モデル以外の環境・ツール・プロンプト群）の進化過程を、2022 年の ReAct から 2026 年の Co-Training Era まで 4 段階に分類して整理。
- Harness-Bench の検証において、同一モデルでもハーネスの変更だけで 106 タスクのスコアが 52.4 から 76.2 へ 23.8 ポイント変動することを提示。
- OpenAI の ARC-AGI-3 検証において、保持推論とコンパクションの追加のみで GPT-5.6 Sol のスコアが 13.3% から 38.3% へ三倍化した実績を報告。
- Anthropic の Claude Code が 2025 年 2 月にリリース半年で約 10 億ドルの ARR に到達した背景として、モデル能力とハーネスの交差点を正確に捉えた設計を指摘。
2. 影響（Why）
- ハーネス最適化によるコスト対効果の向上: モデル本体のアップデートを待たずとも、コンテキスト管理やツール連携のハーネスを改善するだけでベンチマークスコアを大幅に引き上げられるため、限られた開発リソースでの ROI を最大化できる。
- 国内 SaaS 開発におけるエージェント設計の転換: [国内 AI アプリ開発ベンチャー] のような少数精鋭のチームは、完全自律型のエージェントを初期から目指すのではなく、人間がループをオーケストレーションするアーキテクチャから段階的に導入する設計判断が求められる。
3. 根拠・詳細（How）
- Harness-Bench による定量的評価の仕組み: 同一のベースモデルに対し、環境制御・ツール呼び出し・コンテキスト圧縮の方式が異なる複数のハーネスを適用し、106 種類の標準タスクにおける成功率の分布（52.4% から 76.2%）を測定。
- 強化学習を統合した Co-Training のアプローチ: 外部プロンプトによる指示から、モデル自体の環境内（sandbox）における強化学習（codex-1 などの実装）への移行により、マルチコンテキスト間での自動コンパクション機能をモデル重みへネイティブに統合。
4. 展望・課題（Next）
- ハーネスの重みへの吸収と生産性向上: モデル自体がハーネスの機能を次々と重みに吸収（Production by reduction）していくため、開発者は周辺の複雑なスカフォールドを削減し、本質的なプロンプトとガードレールに集中するフェーズへ移行する。