Cómo montar un harness de IA para desarrollo SaaS: Orca, Pi Agent y GitHub

En julio de 2026, un desarrollador publicó en Habr un análisis detallado de su propio sistema de IA para desarrollo SaaS, lo que se conoce como agent harness. Su tesis principal: en el trabajo real en producción no gana el modelo de lenguaje más potente, sino la infraestructura bien construida a su alrededor. En su caso, esa infraestructura incluye el orquestador Orca, el agente ligero Pi Agent, GitHub y un pipeline propio sobre un VPS.

¿Por qué el harness importa más que la elección del modelo?

El debate sobre qué LLM elegir no se apaga: GPT-5 o Claude Opus 4.6, Gemini o Codex. El autor, sin embargo, plantea una tesis radical: en el desarrollo real, la pregunta «qué modelo usar» es secundaria. Lo prioritario es «cómo se integra el modelo en el flujo de trabajo».

El agent harness es la capa que se sitúa entre el desarrollador y el modelo de lenguaje. Gestiona el contexto, el enrutamiento de tareas, la ejecución aislada del código, el registro de actividad (logging) y los ciclos de retroalimentación. Sin esta capa, incluso el modelo más potente sigue siendo un chatbot inteligente, incapaz de trabajar de forma fiable en un entorno de producción.

De qué componentes consta la configuración

El autor describe una arquitectura concreta de cinco elementos:

• Orca: el orquestador central. Recibe la tarea, la divide en subtareas y las enruta al agente o la herramienta adecuados
• Pi Agent: un agente ejecutor ligero para tareas puntuales, como cambios en el código, refactorización o revisión de la lógica
• GitHub: el repositorio como «fuente única de verdad» del sistema y punto de sincronización para los agentes
• VPS: un entorno de ejecución aislado. Los agentes ejecutan código en un servidor remoto sin poner en riesgo la máquina local
• Pipeline propio: define el recorrido de cada tarea desde su planteamiento hasta el merge

Orca y Pi Agent trabajan en tándem. El orquestador tiene la visión de conjunto y reparte el trabajo, mientras que Pi Agent ejecuta una instrucción concreta y bien definida sin necesidad de manejar todo el contexto del proyecto.

En este esquema, GitHub cumple un doble papel. El primero es el habitual: almacenar el código. El segundo, servir de punto de sincronización. Los agentes escriben en ramas y crean pull requests, y el desarrollador revisa los cambios en el clásico ciclo de code review; la diferencia es que ahora la ejecución corre a cargo de la IA.

En qué se diferencia este enfoque del uso habitual de

ChatGPT

La mayoría de los desarrolladores usa los LLM en modo «pregunta-respuesta»: pegan el código en el chat, reciben la corrección y la copian de vuelta. Esto funciona para tareas aisladas, pero falla en el desarrollo a nivel de sistema.

El harness cambia el paradigma: el modelo pasa a formar parte de un flujo automatizado en el que cada paso se verifica, se versiona y se registra. Los errores del agente no se pierden: quedan registrados en el sistema y se pueden depurar. El VPS aísla la ejecución, de modo que varios agentes pueden trabajar en paralelo sin generar conflictos en la máquina local.

«En el trabajo real no gana solo el modelo más fuerte, sino el sistema

bien montado a su alrededor», resume la tesis clave del autor.

Qué significa esto

El artículo refleja un cambio importante en la práctica del desarrollo con IA: el margen de mejora ya no está en la calidad del modelo, sino en la madurez de la infraestructura que lo rodea. Los desarrolladores que invierten en el harness (orquestación, ejecución aislada, control de versiones) obtienen resultados estables en producción. Quienes se limitan a alternar entre ChatGPT y Claude trabajan más despacio y con menos previsibilidad.