Harness

"Agente = Modelo + Harness" es la ecuación central de un whitepaper de Google de mayo de 2026 de Addy Osmani, Shubham Saboo y Sokratis Kartakis, donde el modelo cuenta aproximadamente un 10 por ciento y el harness el otro 90. Su evidencia es un resultado en Terminal Bench 2.0 en el que cambiar únicamente el harness llevó a un agente de fuera del Top 30 al Top 5. "Most agent failures are configuration failures."

El término designa lo que rodea al modelo: instrucciones, herramientas y conectores «MCP», sandboxes, memoria, orquestación, hooks, observabilidad. Bill Chen y Brian Fioca, del equipo de Applied AI de OpenAI, ya habían dividido un agente en interfaz de usuario, modelo y harness en noviembre de 2025, y dedicaron la mayor parte de su charla a explicar por qué la tercera parte es difícil: hábitos específicos del modelo, compactación de contexto, latencia, sandboxing. La respuesta de OpenAI fue vender «Codex» como un agente más harness, y no como un modelo.

DeepSeek publicó su propio harness como código abierto bajo licencia MIT el 13 de agosto de 2026, el mismo día en que DeepSeek-V4-Pro alcanzó disponibilidad general y tres días antes de una nueva tabla de precios de la API. Cada capacidad de «DeepSeek Harness» es un plugin intercambiable mediante configuración, y todo lo que ve el modelo queda registrado en un log de sesión de solo anexión.

Sumeet Gayathri Moghe señala un efecto colateral: los harnesses de codificación del último año han puesto las aplicaciones web interactivas al alcance de quienes no son desarrolladores. Un mes después, Fred Cavazza interpreta la separación modelo/harness como el propio eje competitivo, y observa que el Gemini agent de Google también moviliza modelos de terceros, entre ellos Claude. Su reserva se mantiene: la fiabilidad y la rentabilidad de los "collaborateurs synthétiques" de Google a gran escala aún están por demostrarse.