في عصر يتسارع فيه استخدام وكالات الذكاء الاصطناعي (AI Coding Agents) في المؤسسات، أصبح من الضروري فهم كيفية إدارة تكاليفها بفعالية. فالمنتجات التي تدير هذه الوكالات تُعرف بالـ "هارنسز" (Harnesses)، وهي في تزايد مستمر، حيث بدأت العديد من الشركات في تطبيقها على نطاق واسع. في البداية، كانت تجري اختبارات محدودة، لكن الاستخدام توسع ليشمل آلاف الموظفين.

ولأن معظم الشركات لا تقوم بتطوير هذه الهارنسز بنفسها، بل تعتمد على الشراء من جهات كبيرة مثل "أنثروبيك" (Anthropic) و"أوبن AI" (OpenAI)، فإنه يتعين عليها فهم كيفية عمل هذه الأدوات. الهارنس تحدد أي نموذج يتجاوب، وما تقرأه النماذج، وكيفية استخدام محفظة الطلبات (Prompt Cache) وأي الوكالات الفرعية يتم تشغيلها، مما يؤثر بشكل مباشر على تكلفة الاستخدام.

في ضوء هذه التحديات، تم تطوير معالجة مبتكرة تتضمن "راوتر" مخصص، يستخدمه "جيف" (Jev)، وهو أداة تصنيف لتمييز كل طلب بناءً على نوع الطلب المذكور. وهذا يسمح بتحريك العمل فقط إلى حيث لا يتطلب الأمر إعادة بناء محفظة الطلبات، مما يزيد من كفاءة العمليات.

تظهر الأبحاث أن هذا الراوتر يمكن أن يسترد ما بين 14% إلى 21% من نفقات النموذج وفقًا للأسعار المعلنة في 21 سبتمبر 2026، مما قد يوفر للشركات ما بين 3.3 مليون إلى 5.0 مليون دولار سنويًا. كما يبحث البحث في المخاطر المتعددة عبر عشرين نوعًا من الهارنسز ويقترح إنشاء منصة تحكم يمكن للشركات العمل من خلالها بدءًا من الآن.