Warstwa orkiestracyjna (harness) - komponent odpowiadający za zestawianie kontekstu, ekspozycję narzędzi, sekwencjonowanie tur i delegowanie pracy - może drastycznie zmniejszyć koszt i efektywność systemów agentic AI. Badacze przetestowali to na sześciu czołowych modelach i wykazali, że sama zmiana harnesu ze standardowej pętli produkcyjnej na Writer Agent Harness obniża koszt na zadanie z 21 centów do 12 centów, przyspieszenie ściany zegara z 48 do 27 sekund i zużycie tokenów z 14.2k do 8.8k przy jednoczesnym podtrzymaniu lub lekkim wzroście jakości (0.78 do 0.81).
Problem zwany token maxing to tendencja w dzisiejszym development'cie AI do nieograniczonego wzrostu zużycia tokenów w celu zwiększenia możliwości systemów. Firmy kupują sobie zdolności poprzez dłuższe ścieżki rozumowania, więcej tur interakcji, większe payloady narzędzi i reprzegrane konteksty - wszystko to zwiększa liczbę tokenów na zadanie szybciej niż rośnie wartość tych zadań. Mimo że ceny per-token spadają, łączne wydatki rosną. Badanie pokazuje, że efektywność orkiestracji jest niezmienna dla modelu - każdy model staje się 33-61 procent tańszy - podczas gdy zyski jakościowe są zależne od zdolności modelu.
Wyniki mają znaczące implikacje dla enterprise'u. Koszt per zadanie zmienia się bardziej poprzez optymalizację harnesu niż poprzez wybór modelu bazowego, co oznacza że fokus na warstwie orkiestracyjnej może przynieść większe oszczędności niż ciągłe poszukiwanie lepszych modeli. Badacze obserwują także zjawisko zwane harness leverage - zyski jakościowe modelu doskonale korelują z jego wyjściową mocą (r=0.99). W praktyce oznacza to, że lepsze modele osiągają większe relatywne ulepszenia przy tym samym harnessie, otwierając możliwość synergii między optymalizacją orchiestracji a wyborem modelu.