Jahrelang bedeutete Effizienz bessere Prompts oder größere, leistungsfähigere Modelle. SoL-Pi verlagert diesen Fokus auf das Gerüst um das Modell herum – den Harness, der Aufgaben plant, Beobachtungen sammelt, Werkzeuge aufruft, Ausgaben bewertet und erneut anfragt. Die Kernidee ist Automatisierung: Rekursive Auto-Research-Schleifen erzeugen Änderungen am Harness (z. B. Beobachtungsfilter, Planungstiefe, Log-Politiken) und führen kontrollierte Tests durch, um die besten Varianten zu behalten. Das Ergebnis ist ein stetiger Strom kleiner Verbesserungen, die sich zu erheblichen Einsparungen summieren. Bei Coding-Agenten zeigt sich das in weniger Schritten und weniger verschwendetem Kontext, mit Echtzeit-Beschleunigungen und Kostensenkungen – ohne Retraining oder Modellwechsel.

Warum funktioniert das? Die meisten Agenten-Stacks verbrauchen Tokens auf vermeidbare Weise: wiederholte System-Prompts, ausführliche Werkzeug-Schemata, wiederholte Dateidiffs und Debug-Logs, die in Beobachtungen einfließen. SoL-Pi sucht diese Muster mit strukturierten Tests und Ablationstests, um dann Alternativen vorzuschlagen – Delta-Prompts statt vollständiger Kontextwiederholungen, Log-Sampling und -Redaktion, Frühabbruch bei trivialen Fällen, adaptive Planungstiefe und Kompression von Werkzeug-Ein- und Ausgaben. Diese Optimierungen reduzieren sowohl das Token-Volumen als auch die Schrittanzahl, senken die Latenz und halten die Erfolgsraten stabil. Praktisch wird der Harness so zur Optimierungsschicht, die stündlich statt quartalsweise iteriert werden kann.

Für Engineering- und Produktteams bedeutet das operativ: Behandeln Sie Token-Budget, Schritt-Budget und Harness-Politiken als erstklassige SLOs. Fügen Sie Zähler für Tokens pro Schritt, Verteilungen der Beobachtungsgrößen und Werkzeugaufruf-Rundreisen hinzu; erstellen Sie Canary-Tasks und Schattenbewertungen; und steuern Sie Rollouts mit Schutzmechanismen für pass@k, Regressionsrisiken und menschliche Übersteuerung. Der CFO-Vorteil ist klar – niedrigere Stückkosten pro Ticket, PR oder gemergtem Change – aber auch die Zuverlässigkeit steigt, weil weniger Schritte weniger Drift bedeuten. Die Kunst besteht darin, Optimierungen zu finden, die über Repositories und Aufgabentypen hinweg generalisieren, ohne sich an Benchmarks oder Eigenheiten eines einzelnen Modells zu überanpassen.

SoL-Pi verändert auch die Anbietestrategie. Optimierungen außerhalb des Modells funktionieren gut über verschiedene Anbieter und Versionen hinweg, verlängern die Lebensdauer Ihres aktuellen Modells und verschaffen Zeit, Upgrades mit klarerem ROI zu bewerten. Es passt gut zu Unternehmensanforderungen – PII-Bereinigung, Policy-Redaktion und reproduzierbare Traces – weil viele Einsparungen daraus resultieren, zu entscheiden, was nicht gesendet wird. Erwarten Sie, dass sich dieses Muster verbreitet: Harness-Level-Compiler, Schema-Minimierer und Beobachtungsplaner, die zwischen Agenten und Werkzeugen sitzen, Rückkopplungsschleifen straffen und jeden Token wertvoll machen.