Anthropic, OpenAI y LangChain explican por qué los agentes de IA necesitan un harness

El principal problema de los agentes de IA actuales no es la calidad del modelo base, sino la capa que lo rodea: orquestación, memoria, gestión del contexto y funcionamiento fiable de las herramientas. Esta capa, a la que se llama cada vez más agent harness, convierte a un LLM sin estado en algo más que una demo vistosa: en un sistema capaz de ejecutar de forma estable largas cadenas de acciones, sobrevivir a los errores y llevar la tarea hasta un resultado.

En las primeras etapas, muchos equipos se limitan a una interfaz de chat, unas pocas llamadas a herramientas (tool calls) y un bucle ReAct sencillo. Para un prototipo basta: el modelo razona, elige una herramienta, recibe la respuesta y continúa el diálogo. Pero en producción los fallos sistémicos aparecen enseguida.

El agente olvida lo que hizo dos o tres pasos atrás, repite las mismas llamadas, pierde resultados intermedios y la ventana de contexto se llena de ruido aleatorio. Las herramientas son un problema aparte: pueden devolver un formato inesperado, responder con retraso o fallar sin una causa clara. Si encima no hay una capa de control, registro y recuperación, la calidad del sistema no la determina la inteligencia del modelo, sino la fragilidad de su entorno.

Por eso grandes actores como Anthropic, OpenAI, Perplexity y LangChain construyen no solo nuevos modelos, sino una infraestructura de agentes completa. En el centro de esa infraestructura está el bucle de orquestación: decide cuándo el modelo debe pensar de nuevo, cuándo llamar a una herramienta, qué guardar en la memoria, qué devolver al usuario y en qué momento detenerse. En esencia, el harness actúa como sistema operativo del agente. Fija las reglas de ejecución, vigila el estado de la sesión, enruta las acciones entre el modelo y los servicios externos, y reduce la probabilidad de que el agente caiga en un bucle infinito o pierda el objetivo de la tarea.

Varios componentes de este enfoque ya pueden considerarse obligatorios. Primero, la gestión de herramientas: descripción de interfaces, validación de datos de entrada, reintentos, tiempos de espera y gestión de errores. Segundo, la memoria en varias capas: a corto plazo para la tarea actual, de trabajo para los resultados intermedios y a más largo plazo para preferencias, reglas y experiencia acumulada. Tercero, el control del contexto: seleccionar los fragmentos realmente importantes, comprimir el historial, eliminar la basura y pasar al modelo solo lo que influye en el siguiente paso. Sin estos mecanismos, hasta un LLM potente se degrada a medida que crece la longitud de la tarea. Con ellos, el mismo modelo funciona de forma notablemente más fiable.

Otra capa importante del harness es la observabilidad y la evaluación de la calidad. Al desarrollador no le basta saber que una respuesta salió mal: necesita ver toda la ruta del agente, es decir, qué prompt se envió al modelo, qué herramienta se llamó, qué respuesta volvió, dónde surgió el error y por qué se eligió el siguiente paso. Sin ello es imposible depurar bien el comportamiento del agente ni mejorar el sistema de forma iterativa. Por eso los stacks maduros añaden trazas, métricas, ejecución en sandbox, checkpoints manuales y mecanismos human-in-the-loop para las acciones de riesgo.

El efecto práctico es revelador. El material cita un ejemplo de LangChain: la compañía mejoró no los pesos del modelo, sino la infraestructura que lo rodea, y eso bastó para subir con fuerza en TerminalBench 2.0, desde posiciones fuera de los treinta primeros hasta el quinto puesto. Otro resultado es aún más interesante: en un proyecto de investigación se usó un LLM para optimizar su propia infraestructura de agente, y el sistema alcanzó un 76,4 % de pass rate, superando a las soluciones construidas a mano.

Es una señal importante para el mercado. La competencia se desplaza de la pregunta «qué modelo es más inteligente» a «qué entorno de ejecución ayuda mejor al modelo a pensar, recordar, planificar y corregirse». Para desarrolladores y equipos de producto la conclusión es directa: si se quiere un agente que funcione y no un bot de juguete, hay que invertir no solo en elegir el modelo, sino también en el harness.

Ganarán quienes mejor organicen el bucle de ejecución, la memoria, el contexto, la observabilidad y la tolerancia a fallos. En el futuro cercano, la calidad de este armazón, y no el siguiente salto en los benchmarks, será la principal diferencia entre una demo bonita y un sistema al que se puede confiar un trabajo real.