# ¿Qué es un harness? 9 de octubre de 2026 · Thiago Perez URL: https://aigrowth.com.ar/blog/que-es-un-harness Podés tener el mejor [modelo de lenguaje](https://aigrowth.com.ar/blog/que-es-un-llm) del mundo… y aun así tener un [agente](https://aigrowth.com.ar/blog/que-es-un-agente-de-ia) malísimo. ¿Por qué? Pensalo como un caballo. El **modelo de IA es el caballo**. Puede ser rápido, fuerte e inteligente. Pero si lo soltás solo, no sabe a dónde tiene que ir, qué caminos puede tomar ni cuándo frenar. El **harness** es el arnés: las riendas, la brida y el resto del equipo que guía al caballo. En software, es todo lo que rodea al modelo para que deje de ser solo un chat y pueda trabajar dentro de un sistema. **En una frase: un agente ≈ modelo + harness.** El modelo razona. El harness hace que esas decisiones operen de verdad. ## Qué es un harness En documentación de productos de agentes, *harness* nombra la capa de software que ejecuta la sesión del agente: conecta el modelo con contexto y herramientas, coordina el *loop* (decidir → actuar → observar → volver a decidir) y mantiene el estado mientras avanza el trabajo. _Diagrama animado: el usuario manda una consulta al agente de IA, que revisa la memoria, le pide el próximo paso al modelo (LLM), usa una herramienta y devuelve la respuesta; un marco punteado llamado harness rodea todo eso. El modelo razona. El harness lo rodea con instrucciones, memoria y herramientas, y lleva la consulta hasta la respuesta._ OpenAI, en la arquitectura de su Agents API, describe el harness como la instancia alojada que corre el modelo y el *loop* de herramientas y mantiene la sesión. El entorno (sandbox, laptop, contenedor) es otra pieza: donde se ejecutan comandos y archivos, no el harness en sí. Visual Studio Code lo resume así: el modelo elige qué decir o qué herramienta pedir; el harness prepara las solicitudes, aplica permisos, ejecuta las herramientas y guarda el historial de la sesión. Anthropic, en trabajos de ingeniería sobre agentes de código de larga duración, muestra que el diseño del harness —cómo se parte el trabajo, cómo se pasa el contexto entre sesiones y cómo se evalúa el resultado— cambia el rendimiento del agente, más allá de cambiar el modelo. ## De qué está hecho No hay una lista única e inmutable: cada producto arma su harness a su manera. Estas piezas aparecen una y otra vez: - **Instrucciones:** qué debe lograr, cómo debe comportarse y cuándo tiene que detenerse. - **Herramientas:** lo que el modelo no puede hacer solo: consultar un pedido, leer un calendario, actualizar un CRM. El modelo propone; el harness valida y ejecuta. - **Contexto y estado:** la conversación, los datos relevantes y qué ya se hizo. Sin eso, cada turno empieza casi de cero. - **Permisos y aprobaciones:** qué puede leer, qué puede modificar y qué requiere confirmación humana. - **Loop y condiciones de salida:** el ciclo de trabajo y los frenos (tarea terminada, demasiados intentos, error, o “necesito a una persona”). - **Entorno (opcional):** dónde corren comandos o archivos. Es distinto del harness: el harness coordina; el entorno ejecuta. Si el modelo fuera el caballo, las herramientas son las patas que pisan el terreno real; las instrucciones, el rumbo; los permisos, el cercado; el *loop*, el ritmo de la marcha. ## Un ejemplo hipotético: el pedido 1842 Pedido: «El cliente preguntó por el pedido 1842.» **Sin harness (solo el modelo):** puede redactar una respuesta convincente… sin saber el estado real. Incluso podría inventarlo. **Con harness:** - 1. Buscar el pedido 1842 con una herramienta autorizada. - 2. Si no existe → decirlo; no inventar. - 3. Si existe → leer el estado real. - 4. Armar la respuesta con esos datos. - 5. Si corresponde avisar al cliente → usar la herramienta de mensajería. - 6. Registrar lo hecho y terminar (o derivar si algo falló). El modelo va eligiendo el próximo paso. El harness ejecuta, trae resultados y vuelve a meterlos en el *loop*. Por eso **un agente no es “poner ChatGPT dentro de un flujo” y listo**. ## Harness, modelo, agente y MCP: no son lo mismo | Concepto | Qué es | Qué no es | | --- | --- | --- | | **Modelo (LLM)** | El “cerebro” que interpreta y propone el próximo paso | No ejecuta solo acciones reales sobre tus sistemas | | **Harness** | El software que rodea al modelo: herramientas, estado, permisos y *loop* | No es el modelo ni un protocolo de conexión | | **Agente** | El sistema resultante cuando modelo + harness trabajan juntos | No es solo una ventana de chat | | **MCP** | Un protocolo para conectar aplicaciones de IA con herramientas y datos | No reemplaza al harness; puede ser una forma de exponer herramientas | Si estás eligiendo entre una interfaz conversacional y un sistema que actúa, la comparación está en [agente de IA vs chatbot](https://aigrowth.com.ar/blog/agente-ia-vs-chatbot). [MCP](https://aigrowth.com.ar/blog/que-es-mcp) puede conectar herramientas; el harness es quien coordina el loop. Acá el foco es otra: **sin un buen harness, el mejor modelo sigue siendo un caballo suelto.** ## Por qué importa en una pyme Cuando evaluás un [agente para WhatsApp](https://aigrowth.com.ar/servicios/agentes-ia) o para operaciones, la pregunta útil no es solo “¿qué modelo usa?”. También conviene preguntar: - ¿A qué sistemas puede acceder y con qué permisos? - ¿Qué acciones necesita aprobación humana? - ¿Cómo se verifica que una reserva o un pedido quedó registrado de verdad? - ¿Qué pasa si la herramienta falla o faltan datos? - ¿Quién revisa el historial cuando algo sale mal? Anthropic recomienda, en su guía de agentes efectivos, buscar la solución más simple posible y subir la complejidad solo cuando hace falta. Un harness más elaborado puede mejorar el resultado… y también sumar costo, latencia y mantenimiento. El diseño importa tanto como el modelo. Para elegir el primer proceso, podés usar el [diagnóstico de dónde implementar IA](https://aigrowth.com.ar/blog/donde-implementar-ia-en-mi-pyme). Si el canal es WhatsApp, también mirá los [costos de la plataforma](https://aigrowth.com.ar/blog/costos-whatsapp). ## Qué mirar antes de “poner un agente” Antes de discutir el nombre del modelo, definí tres cosas: **qué tarea querés resolver, a qué información debe acceder y qué acciones le vas a permitir.** Si no hay forma de comprobar el resultado o de frenar una acción incorrecta, todavía falta harness. Un agente útil no es el que promete hacer todo: es el que tiene rumbo, riendas y un freno claro. ## Preguntas frecuentes ### ¿El harness es lo mismo que el prompt? No. El prompt (o las instrucciones) es una parte. El harness también incluye herramientas, estado de la sesión, permisos, el loop y las condiciones de salida. ### ¿Necesito un harness si solo quiero chat? Si solo necesitás texto de ida y vuelta, alcanza con una aplicación de chat sobre un modelo. El harness gana sentido cuando el sistema tiene que consultar o modificar otros sistemas y mantener un trabajo a lo largo de varios pasos. ### ¿MCP reemplaza al harness? No. MCP es un protocolo de conexión. Un harness puede usar MCP (u otras integraciones) para ofrecer herramientas; sigue siendo la capa que coordina el loop, los permisos y el estado. ### ¿Cambiar de modelo arregla un agente flojo? A veces ayuda, pero no siempre. Si faltan herramientas, permisos claros o condiciones de salida, el problema está en el harness. Documentación de OpenAI, Anthropic y VS Code coincide en que el software alrededor del modelo es parte central del comportamiento del agente. ### ¿Harness y entorno son lo mismo? No. En la arquitectura de OpenAI, el harness corre el modelo y el loop de herramientas; el entorno es donde se ejecutan comandos y archivos (sandbox, laptop, contenedor). Pueden estar juntos o separados. ## Fuentes - [OpenAI: Architecture (Agents API)](https://developers.openai.com/api/docs/guides/agents-api/architecture): define el harness como la instancia que corre el modelo y el loop de herramientas y mantiene la sesión; distingue el entorno. Consultado el 10 de octubre de 2026. - [Visual Studio Code: Understand agent harnesses](https://code.visualstudio.com/docs/agents/concepts/agent-harnesses): el harness convierte un modelo de lenguaje en un agente al conectar contexto y herramientas, coordinar el loop y mantener el estado. Consultado el 10 de octubre de 2026. - [Anthropic: Harness design for long-running application development](https://www.anthropic.com/engineering/harness-design-long-running-apps) (24 de marzo de 2026): el diseño del harness impacta el rendimiento de agentes de código de larga duración (descomposición del trabajo, handoffs, evaluadores). Consultado el 10 de octubre de 2026. - [Anthropic: Building effective agents](https://www.anthropic.com/engineering/building-effective-agents) (19 de diciembre de 2024): recomienda la solución más simple posible y subir complejidad solo cuando hace falta; distingue workflows de agentes. La página advierte que parte del panorama de herramientas cambió desde su publicación. Consultado el 10 de octubre de 2026.