Los equipos que más partido sacan a los agentes de IA de programación coinciden en una idea: el rendimiento depende menos del modelo o del prompt que del harness, el entorno que rodea al agente con herramientas, permisos, tests, registros y límites. OpenAI, Anthropic y LangChain han publicado en los últimos meses experimentos que lo respaldan, y casi todo lo que describen es trabajo de sistemas: entornos reproducibles, observabilidad, control de versiones, validación automática y aislamiento. Para un administrador de sistemas, el harness se parece mucho más a la infraestructura que a la ingeniería de prompts.
Las claves del harness de los agentes de IA en 20 segundos
- El harness es el entorno del agente de IA: herramientas, permisos, contexto, tests, registros y límites de ejecución.
- LangChain ganó 13,7 puntos en Terminal Bench 2.0 con el mismo modelo, cambiando solo el harness.
- Observabilidad, entornos reproducibles, aislamiento y validación automática pesan más que el prompt, y son trabajo de sistemas.
El término viene del inglés y significa arnés. En un agente como Claude Code, Codex o Cursor, el modelo de lenguaje decide qué hacer, pero el harness determina con qué puede hacerlo, qué información recibe en cada momento, cómo se comprueba el resultado y cuándo se le detiene. Ya contamos en Noticias.ai por qué el harness pesa más que el prompt y, a veces, que el modelo. Aquí interesa la otra cara: qué piezas de ese harness son, en la práctica, responsabilidad de quien gestiona sistemas.
Lo que dicen los datos
LangChain mantuvo fijo el modelo GPT-5.2-Codex y modificó solo el harness de su agente Deep Agents. En Terminal Bench 2.0, un banco de 89 tareas de terminal, pasó de un 52,8 % a un 66,5 % de acierto, y de fuera del top 30 al top 5. Ninguno de los cambios fue un prompt más ingenioso. El agente recibe al arrancar un mapa del directorio de trabajo y de las herramientas disponibles, sabe que su trabajo se validará con tests y cuánto tiempo le queda, pasa una lista de verificación antes de terminar y tiene un contador que detecta cuándo edita una y otra vez el mismo fichero. LangChain analizó además a gran escala las trazas de ejecución para decidir qué tocar.
OpenAI describió en febrero un proyecto interno de alrededor de un millón de líneas escrito íntegramente por Codex, con entre tres y siete ingenieros y unas 1.500 pull requests en cinco meses. Anthropic, por su parte, explicó en noviembre de 2025 cómo resolvió que sus agentes intentaran hacerlo todo de una vez o dieran por acabado un proyecto a medias: con un fichero de progreso, una lista de funciones en JSON, git como red de seguridad y pruebas con un navegador automatizado. Un estudio académico de junio, Self-Harness, llega a dejar que el agente mejore su propio harness con pruebas de regresión, con ganancias relativas de hasta el 132 % según sus autores.
Las piezas del harness que son trabajo de sistemas
Entornos reproducibles. Anthropic hace que su primer agente cree un script para arrancar el entorno de desarrollo, de modo que cada sesión no pierda tiempo y tokens averiguando cómo levantar la aplicación. OpenAI va más allá: su aplicación puede arrancar una instancia independiente por cada git worktree, lo que permite que varios agentes trabajen en paralelo sin pisarse. Es lo mismo que un sysadmin busca con contenedores, plantillas o infraestructura como código.
Observabilidad para el agente. En el proyecto de OpenAI, Codex consulta registros, métricas y trazas de una pila de observabilidad local efímera, y maneja la interfaz mediante el protocolo de herramientas de desarrollo de Chrome. Un agente que no puede ver qué pasa al ejecutar su código acaba adivinando. Las trazas también sirven en sentido contrario: son la principal herramienta de LangChain para entender dónde fallaba su agente.
Validación automática. OpenAI usa linters y tests estructurales propios para hacer cumplir la arquitectura, la dirección de las dependencias o el formato de los registros, y sus mensajes de error incluyen instrucciones para que el agente sepa cómo corregirlos. Es integración continua pensada para que la lea una máquina.
Control de versiones como memoria. En el harness de Anthropic, el agente revisa el historial de git y el fichero de progreso al empezar cada sesión, hace commits con mensajes descriptivos y deja el repositorio en un estado limpio. Git permite además deshacer cambios malos y recuperar un estado que funcionaba.
Documentación dentro del repositorio. OpenAI probó un único fichero de instrucciones muy largo y fracasó: ocupaba demasiado contexto, se quedaba desactualizado y era difícil de verificar. Lo sustituyó por un AGENTS.md de unas 100 líneas que actúa como índice de una carpeta de documentación. Lo que no está en el repositorio, como los mensajes de chat o el conocimiento tácito del equipo, no existe para el agente.
Permisos, aislamiento y límites
Ninguno de estos experimentos se centra en la seguridad, pero un harness es también la frontera de lo que el agente puede tocar. Darle acceso a la terminal, a una base de datos o a un navegador implica decidir con qué usuario se ejecuta, qué red ve, qué secretos tiene a mano y qué ocurre si borra lo que no debe. Por eso aparecen herramientas como ArcBox, que encierra a Claude Code en una microVM, o enfoques minimalistas como el de Pi Agent. Los límites de tiempo, de esfuerzo de razonamiento y de número de ediciones que usa LangChain son, en el fondo, cuotas.
Hay que matizar el alcance. El modelo sigue marcando el techo, y LangChain advierte de que cada harness debe ajustarse a cada modelo: un cambio de modelo puede obligar a revisar el entorno. OpenAI reconoce que su nivel de autonomía depende de herramientas muy específicas de su repositorio y que no está claro cómo envejecerá la arquitectura. Y muchas de estas piezas compensan debilidades actuales de los modelos, así que conviene revisarlas con el tiempo, igual que se retira una configuración que ya no hace falta. Para empezar con lo básico, sigue siendo útil esta guía de GitHub y Claude Code.
Preguntas frecuentes
¿Qué es el harness de un agente de IA?
Es el entorno que rodea al modelo de lenguaje: las herramientas que puede usar, el contexto que recibe, los permisos, los tests que validan su trabajo, la memoria entre sesiones y los límites de ejecución.
¿Por qué es relevante para un administrador de sistemas?
Porque buena parte del harness es infraestructura: entornos reproducibles, observabilidad, integración continua, control de versiones, aislamiento y control de permisos.
¿Cuánto puede mejorar un agente cambiando solo el harness?
En el experimento de LangChain, 13,7 puntos en Terminal Bench 2.0, del 52,8 % al 66,5 %, con el mismo modelo.
¿Sirve el mismo harness para cualquier modelo?
No del todo. LangChain y el estudio Self-Harness coinciden en que cada modelo se comporta de forma distinta y necesita ajustes propios.
Fuentes:
