AIハーネスとスキルはそれぞれ何をするのか

生産性100倍という言葉を確かめてみたかった

私は「生産性が何倍も高まった」という話を聞くと、まず何を基準に比較したのか気になります。AIエージェントをうまく使えば生産性が100倍になるという主張についても、同じように感じました。数字をそのまま受け入れるよりも、同じモデルを使いながら作業の進め方がどう変わり得るのかを見てみたいと思いました。

ちょうどその頃、2026年3月31日にClaude Codeのクライアントソースがnpm配布パッケージのソースマップを通じて流出する事件がありました。約51万行規模のプログラムコードでした。モデルの重みではなく、モデルを呼び出しツールを実行する製品コードに関する事件です。この件についてはZDNetのコラムも書いたことがあります。

Y Combinatorのギャリー・タンはこのコードを読み、自身がかねて強調していた設計方式の重要性を再確認したと書いています。彼が注目したのは、モデルに必要なファイルと情報を提供し、作業を続けていくプログラム構造でした。

その記事のタイトルは「Thin Harness, Fat Skills」です。実行を調整するプログラムは簡潔に保ち、業務ごとの手順は再利用できるスキルとしてまとめようという提案です。

私は生産性の倍率よりも、この役割分担のほうに関心が向きました。モデルの性能が同じでも、どんな資料を読ませ、どんなツールを使わせ、結果をどう確認するかによって、作業結果は変わり得るからです。

同じモデルを使っても作業条件は異なる

タンの記事は、スティーブ・イェギの大きな生産性向上の主張を引用するところから始まります。コーディングエージェントをうまく使いこなす人は、チャットボットや他のツールを使う人より10~100倍生産的だというものです。しかしその記事には、この倍率を一般化できるような比較実験や共通の測定基準は示されていません。

したがって、100倍という数値がコード流出事件によって裏付けられたと言うのは難しいでしょう。確かめるべき問いはもっと具体的です。モデルがリポジトリの規則を把握しているか、必要な資料を見つけられるか、コードを実行した後にエラーを確認できるか、といったことです。

モデル自体の能力とともに、こうした作業環境も見る必要があります。どちらか一方だけが優れていれば、すべての問題が解決すると考えるのは難しいでしょう。

たとえばコードを修正するよう依頼されたエージェントは、関連ファイルを読み、修正し、テスト結果を受け取って次の行動を決めます。この過程をつなぐプログラムがあってこそ、モデルの応答は実際の作業へとつながります。公開されていない機能名やコードの存在だけをもって、その機能が製品として出荷されたと判断することもできません。

このように、モデルの呼び出し、ツールの実行、作業の状態や権限などを管理するプログラムをハーネス（harness）¹と呼びます。この記事では、モデルが実際に仕事をこなせるよう実行過程を管理する部分、という意味で理解しておけば十分です。