--- title: Het harness van ChatGPT is uitstekend. Daarom werkt het niet in uw bedrijf. description: Het harness van ChatGPT is zwaar getest en voor iedereen tegelijk gebouwd. Precies daarom loopt een agent die in de chat werkt in uw processen vast. lang: nl canonical: https://www.en-twine.ai/nl/blog/harness-chatgpt-werkt-niet-in-uw-bedrijf/ updated: 2026-09-29T15:52:29.000Z --- De meeste kritiek op AI-agenten in bedrijven gaat over het model. Te duur, te traag, niet betrouwbaar genoeg, of juist het verkeerde model. Dat zijn belangrijke overwegingen, maar vaak ligt het probleem niet alleen bij het model, maar bij de volledige inrichting eromheen. Het ligt aan de laag eromheen. Die laag heet [het harness](/nl/wat-is/harness/): de software die het model tools geeft, context aanlevert en bijhoudt wat er is gebeurd. ChatGPT en Claude leveren die laag mee. Het is goed werk. Het is alleen voor iedereen tegelijk gebouwd. ## Wat er goed aan is De harnesses van bekende aanbieders zoals Claude en ChatGPT zijn getest door miljoenen mensen met dagelijks gebruik. Het gaat verstandig om met lange gesprekken, het herstelt van fouten, het heeft een beheerste set tools en het is op veel punten beter doordacht dan wat een eerste eigen bouw oplevert. Voor individueel kenniswerk, onderzoek, schrijven en analyse is het vaak gewoon de beste keuze, en het is onverstandig om dat zelf na te bouwen. ## Waarom dat in uw bedrijf ontoereikend kan zijn Een algemeen harness is afgestemd op het gemiddelde van alle gebruikers. Uw werk is dat niet. Het kent uw systemen niet. Het weet niet welke van uw drie prijslijsten de geldende is, waar de actuele leveringsvoorwaarden staan en welke velden in uw CRM verplicht zijn voordat een deal mag verschuiven. Het kent uw regels niet. Welke merkregels gelden, welke marketingkanalen wel en niet worden ingezet, welke klant een ander contract heeft en wat er nooit naar buiten mag zonder dat iemand meeleest. En het kent uw goedkeuringsmomenten niet. In een chat bent u zelf de goedkeuring: u leest het antwoord en beslist. In een proces dat 's nachts doorloopt is dat moment iets dat iemand moet ontwerpen, en dat is precies het stuk dat een algemene omgeving niet voor u kan invullen. Een marketingagent heeft andere tools nodig dan een financiële agent. Andere bronnen, andere kennis, andere grenzen. Dat zit niet in het model. Dat bouwt u in het harness en geeft u mee als context. ## Drie routes Welke inrichting past, hangt af van wat de agent moet doen: 1. **Een standaardproduct voor algemeen kenniswerk.** Geschikt voor onderzoek, schrijven, analyse en andere taken waarbij een medewerker het resultaat zelf beoordeelt. 2. **Een standaardproduct met eigen tools voor voorbereidende bedrijfsprocessen.** Geschikt wanneer de agent uw systemen moet raadplegen of een voorstel moet klaarzetten, maar een medewerker de uiteindelijke actie uitvoert. 3. **Een eigen proceslaag voor specifieke regels, state, goedkeuring en audit.** Nodig wanneer de agent zelfstandig doorwerkt en uw eigen procesregels, controles en administratie bepalend zijn. ## De tussenweg: een standaardharness met eigen tools Tussen "alles standaard" en "alles zelf" zit een optie die voor veel bedrijven het juiste startpunt is: het harness van de aanbieder houden en er uw eigen tools aan hangen. De grote chatomgevingen en agent-SDK's ondersteunen dat inmiddels via een open standaard, het [Model Context Protocol](https://modelcontextprotocol.io/specification/2025-06-18/server/tools). U beschrijft een tool, bijvoorbeeld "zoek een klant in ons CRM op kvk-nummer" of "haal de geldende prijslijst voor deze klantgroep op", en de agent kan hem gebruiken naast web search en bestanden lezen. Het model blijft hetzelfde, de gespreksafhandeling blijft die van de aanbieder, maar de agent kan nu wél bij uw systemen. Dat is vaak genoeg voor voorbereidend werk: opzoeken, samenvatten, een concept klaarzetten. Het kost een fractie van een eigen bouw en het leert u snel welke tools u werkelijk nodig hebt en hoe ze beschreven moeten worden. Dat laatste is minder triviaal dan het klinkt. Een groot deel van het gedrag van een agent zit in de beschrijving van zijn tools, niet in het model, en een tool die vaag beschreven is wordt door elk model verkeerd gebruikt. Anthropic beschrijft in [Writing effective tools for agents](https://www.anthropic.com/engineering/writing-tools-for-agents) wat een goede beschrijving bevat: waarvoor de tool bedoeld is, wanneer juist niet, wat elk argument betekent en hoe het antwoord gelezen moet worden. De grens van de tussenweg wordt bepaald door impact, onzekerheid, gevoeligheid en herstelbaarheid. Naarmate de gevolgen groter zijn of fouten moeilijker te herstellen zijn, hebt u goedkeuringsmomenten en uitvoeringsadministratie nodig die precies op uw proces aansluiten. Een standaardharness kan logging, state en goedkeuring ondersteunen, maar vult uw bedrijfsregels en controlemomenten niet automatisch voor u in. Op dat punt wordt een eigen proceslaag de logische volgende stap. ![Twijn gespt een gereedschapsriem met een sleutel, een sleuteltje en een rol papier om een standaardharnas](/images/blog/harness-algemeen-versus-eigen-gereedschap.png) ## Wat u wint door zelf controle over de laag te houden Wanneer u controle houdt over die laag, zijn het model en de agent twee losse onderdelen. Die laag hoeft niet volledig op uw eigen infrastructuur te draaien: een leverancier kan onderdelen beheren, zolang u controle en overdraagbaarheid houdt over tools, regels, state, gegevens en evaluaties. Dat levert drie concrete voordelen op. **U kiest het model per taak.** Redeneerwerk kan naar een groot model, typewerk naar een klein of open source model. Wij hebben dat patroon zelf toegepast toen we onze [Minimal Coding Harness](/nl/blog/minimal-coding-harness-open-source/) bouwden: het dure model denkt en specificeert, het goedkope model voert uit. **U kunt wisselen.** Wordt een aanbieder duurder, verandert een voorwaarde of verdwijnt een model, dan hoeft u niet de hele agent opnieuw te bouwen. U moet het gedrag, de tools en de kwaliteit bij een overstap wel opnieuw testen en waar nodig aanpassen. **U kiest waar onderdelen draaien.** Dat kan een Europese aanbieder zijn of een model op uw eigen machine. Voor organisaties die moeten aantonen waar verwerking en opslag plaatsvinden, tellen ook logging, configuratie en eventuele onderaannemers mee. ## Waar de grens ligt Eigen bouw is niet altijd het antwoord, en het is verleidelijk om dat in een stuk als dit weg te laten. Past uw werk in de standaardvorm van een bestaand product, gebruik dat product. Een eigen harness verdient zich terug op eigen bronnen, eigen regels en eigen goedkeuringsmomenten, niet op het idee dat zelf bouwen serieuzer staat. Is het proces zelf nog niet op orde, begin daar, want een agent maakt slecht afgesproken werk niet vanzelf netjes. En zelf bouwen betekent niet zelf een model trainen. Het model koopt u in. Wat u bouwt is de laag eromheen: uw tools en hun grenzen, uw kennisbronnen, en de administratie van wat er is uitgevoerd. ## Hoe u dit toetst Vraag een leverancier niet alleen óf u over twee jaar van modelaanbieder kunt wisselen. Vraag welke onderdelen dan meeverhuizen: tools, prompts, kennisbronnen, processtate, evaluaties en logs. Vraag ook wat opnieuw gebouwd, gekoppeld of getest moet worden. Dat antwoord laat zien hoeveel controle en overdraagbaarheid u werkelijk koopt. Wilt u weten welk proces bij u zich leent voor een eigen agent, gebruik dan de [AI Readiness Scan](/nl/ai-readiness-scan/). Wilt u eerst de techniek zien, lees dan de gids over [een eigen AI-agent bouwen](/nl/gids/ai-agent-bouwen/) of [neem contact met ons op](/nl/contact/).