Nvidia: обёртка вокруг AI-модели важнее самой модели

21 августа 2026 года Nvidia опубликовала исследование, показывающее: программная обёртка вокруг AI-модели — её инструменты, системы памяти и операционные правила — имеет большее значение, чем сама модель, при выполнении сложных многошаговых задач. На бенчмарке ARC-AGI-3 Nvidia протестировала Claude Opus 5 с кастомным harness’ом и без него: без harness’а модель набрала 30%, с harness’ом — 100%.

Harness в эксперименте включал компонент-«супервизор», описанный как действующий «подобно CEO»: он следил за направлением работы агента в ходе длительных задач и вмешивался, когда агент отклонялся от курса. Именно этот надзорный слой позволяет одной и той же модели выполнять задачи, которые без него она не могла бы завершить.

Параллельные результаты других команд подтверждают вывод. Databricks обнаружил, что только за счёт выбора harness’а операционные затраты могут удвоиться даже при одинаковой базовой модели. OpenAI выяснила, что изменение двух настроек harness’а утроило показатели бенчмарков у неизменённой модели.

Для product manager’ов, думающих о том, где AI создаёт конкурентные преимущества, вывод прямой: выбор модели становится товарным решением, тогда как архитектура вокруг этого вызова — это место, где сосредоточена дифференциация. Команды, инвестирующие в качество оркестрации — как агенты восстанавливаются после ошибок, как контекст сохраняется между шагами, как обрабатываются крайние случаи — будут опережать команды, которые просто обновляют модель и ожидают лучших результатов.

Это также меняет то, как выглядит роль PM в AI-продуктах. Написание хороших системных промптов, проектирование fallback-поведения и спецификация того, как агенты должны сигнализировать о неопределённости — это продуктовые решения с измеримым влиянием на качество для пользователя, не зависящим от того, какая модель используется.