Si no has escuchado del término harness engineering, bueno, este se trata básicamente de todo el código que rodea a un modelo de IA para convertirlo en un agente que funciona de verdad. El loop, las herramientas, la memoria, los permisos, el manejo de errores, todo eso.
Y te voy a dar el dato que lo prueba. En marzo de este año filtraron el código fuente de Claude Code por un error en npm. Eran 512 mil líneas de código. ¿Sabes cuánto de eso es "la inteligencia del modelo"? El 1.6%. El otro 98.4% es harness. Código aburrido y determinista que rodea al modelo.
Por eso la lección es esta: el modelo no es el agente. El harness es el agente.
Y esto explica algo que seguro te pasó. ¿Por qué Claude Code se siente mejor que usar el mismo Claude en VS Code con Copilot? Mismo modelo, resultados totalmente distintos. La respuesta es el harness. Uno tiene un sistema bien diseñado alrededor. El otro no.
Y hay más pruebas. Hace unas semanas LangChain subió del puesto 30 al puesto 5 en un benchmark de agentes sin cambiar el modelo. Solo tocaron tres cosas: el system prompt, las herramientas y el middleware.
Otro caso brutal: un equipo agarró Claude Sonnet 4.5, un modelo más débil, le pusieron harness custom, y le ganó a Claude Opus 4.5, el modelo más fuerte, corriendo en el scaffold oficial de Anthropic.
Así que si tu agente de IA no funciona bien, no es culpa de Claude ni de GPT. Es culpa de lo que está alrededor. Deja de perseguir el siguiente modelo y empieza a arreglar el entorno. Ahí está el 80% de tus resultados.
Sígueme para más cosas de agentes de IA explicadas en simple.