En los agentes de IA que programan, investigan o trabajan durante horas, el resultado depende cada vez menos de qué modelo se usa o de lo bien escrito que esté el prompt, y cada vez más del harness: el sistema que rodea al modelo y decide qué herramientas tiene, qué contexto recibe, cómo comprueba su trabajo y cuándo debe parar. Lo muestran varios experimentos publicados este año por OpenAI, Anthropic y LangChain. El caso más claro es el de LangChain, que llevó su agente de fuera del top 30 al top 5 de un banco de pruebas de programación sin cambiar de modelo, solo tocando el harness.
Las claves del harness en los agentes de IA en 30 segundos
- El harness es todo lo que rodea al modelo en un agente: herramientas, contexto, memoria, verificación y límites.
- LangChain pasó del 52,8 % al 66,5 % en Terminal Bench 2.0 con el mismo modelo, solo cambiando el harness.
- OpenAI y Anthropic describen cómo el entorno, y no un prompt mejor, resolvió los fallos de sus agentes.
- El modelo sigue marcando el techo, y cada harness funciona mejor con un modelo concreto.
La palabra viene del inglés y significa arnés. En un agente, el modelo de lenguaje es el motor y el harness es todo lo demás. Incluye el prompt de sistema, pero también las herramientas que puede usar, los ficheros de instrucciones como AGENTS.md, la forma de guardar el progreso entre sesiones, los tests que comprueban si una tarea está bien hecha y las reglas que lo detienen cuando entra en un bucle. Claude Code, Codex o Cursor son, en buena medida, harnesses distintos alrededor de modelos que a veces son los mismos.
El mismo modelo, de fuera del top 30 al top 5
LangChain publicó en febrero un experimento con su agente Deep Agents y el modelo GPT-5.2-Codex, que mantuvo fijo de principio a fin. En Terminal Bench 2.0, un conjunto de 89 tareas de terminal, pasó de un 52,8 % a un 66,5 % de acierto, 13,7 puntos más, y del exterior del top 30 al top 5 de la clasificación. Ninguno de los cambios tocó el modelo. El fallo más frecuente era que el agente releía su propio código, concluía que estaba bien y se detenía. La solución fue obligarle a pasar una lista de verificación contra la especificación antes de terminar.
El resto de ajustes siguen la misma lógica. Al arrancar, el agente recibe un mapa del directorio de trabajo y de las herramientas disponibles, y se le avisa de que su trabajo se comprobará con tests y de cuánto tiempo le queda. Un componente cuenta cuántas veces edita el mismo fichero y le sugiere replantear el enfoque si se atasca. Hasta el razonamiento se reparte: esfuerzo máximo para planificar y verificar, algo menos para implementar. Con el esfuerzo máximo en todo momento, el agente se quedaba sin tiempo y bajaba al 53,9 %.
Un trabajo académico publicado en junio, Self-Harness, va un paso más allá: deja que el propio agente mejore su harness a partir de los registros de sus ejecuciones, quedándose solo con los cambios que superan pruebas de regresión. Con tres modelos distintos y tres bancos de pruebas, los nueve harnesses resultantes mejoraron en todos los casos, con ganancias relativas de hasta el 132 %, según sus autores.
Lo que han aprendido OpenAI y Anthropic
OpenAI contó en febrero cómo un equipo de entre tres y siete ingenieros construyó un producto interno de alrededor de un millón de líneas en unos cinco meses sin escribir código a mano: todo lo hizo Codex, con unas 1.500 pull requests. Según el autor, Ryan Lopopolo, cuando el agente fallaba la solución nunca era pedirle que se esforzara más, sino darle la capacidad que le faltaba. Un fichero AGENTS.md de unas 100 líneas sirve de mapa hacia una documentación más detallada dentro del repositorio, linters propios explican al agente cómo corregir cada error, y el agente puede arrancar la aplicación, manejar la interfaz y consultar registros y métricas por su cuenta. El equipo probó antes un único fichero de instrucciones muy largo y fracasó: ocupaba demasiado contexto y se quedaba desactualizado.
Anthropic llegó a conclusiones parecidas con los agentes que trabajan durante muchas sesiones. En un artículo de su equipo de ingeniería de noviembre de 2025, explica que incluso Claude Opus 4.5 se quedaba corto al construir una aplicación web completa a partir de una instrucción general: intentaba hacerlo todo de una vez y se quedaba sin contexto, o veía trabajo avanzado y daba el proyecto por terminado. La respuesta fue un harness en dos partes: un primer agente que prepara una lista de funciones en JSON, todas marcadas como pendientes, un script para arrancar el entorno y un fichero de progreso, y un segundo agente que en cada sesión lee ese progreso, avanza una sola función, la prueba con un navegador automatizado y deja el repositorio limpio. Anthropic eligió JSON para la lista porque el modelo tendía menos a modificarla indebidamente que en Markdown.
Por qué el modelo no deja de importar
Nada de esto significa que el modelo sea intercambiable. El harness exprime lo que el modelo sabe hacer, pero no le da capacidades que no tiene. LangChain advierte de que cada harness hay que ajustarlo a cada modelo: Claude Opus 4.6 obtuvo un 59,6 % sobre una versión anterior de su harness, algo que el equipo atribuye a no haber repetido con él el mismo proceso de mejora. El estudio Self-Harness parte de la misma idea, porque cada modelo se comporta de forma distinta y necesita su propio harness. Y la propia OpenAI reconoce que su nivel de autonomía depende de herramientas muy específicas de ese repositorio y que no está claro cómo envejecerá la arquitectura a largo plazo.
Muchas de estas piezas compensan debilidades actuales y pueden sobrar cuando los modelos mejoren, algo que LangChain dice de forma explícita. Es la misma razón por la que el creador de Claude Code recomienda borrar skills cada seis meses. Para quien construye o usa agentes, la consecuencia práctica es que conviene invertir menos tiempo en buscar el prompt perfecto o en cambiar de modelo con cada lanzamiento, y más en el entorno: documentación dentro del repositorio, tests que el agente pueda ejecutar, registros que permitan ver dónde falla y límites claros. Debates como el de AGENTS.md en Claude Code forman parte de esa misma conversación.
Preguntas frecuentes
¿Qué es el harness de un agente de IA?
Es todo el sistema que rodea al modelo de lenguaje en un agente: el prompt de sistema, las herramientas, la gestión del contexto y la memoria, la verificación del trabajo y las reglas que lo detienen.
¿Importa más el harness que el modelo?
En los experimentos publicados, cambiar el harness con el mismo modelo ha dado mejoras grandes, como los 13,7 puntos de LangChain en Terminal Bench 2.0. Pero el modelo sigue marcando el techo y cada harness debe ajustarse a su modelo.
¿En qué se diferencia del prompt?
El prompt es solo una parte del harness. El harness incluye también las herramientas, los ficheros de instrucciones, los tests, la memoria entre sesiones y los límites de ejecución.
¿Cómo se mejora un harness?
Según OpenAI, Anthropic y LangChain, dando al agente contexto sobre su entorno, obligándole a verificar su trabajo, registrando su progreso, ofreciendo herramientas para probar lo que hace y analizando sus registros para detectar fallos.
Fuentes:
