En un mismo experimento de Google conviven Gemini, Codex de OpenAI y Claude de Anthropic, cada uno con un papel distinto. Y el que menos cambió fue el modelo.
Harness², publicado por Google Cloud AI Research y la Universidad de Northwestern, muestra que un agente de IA puede rendir mucho mejor sin tocar un solo parámetro del modelo: basta con mejorar su forma de trabajar, lo que hoy se conoce como harness engineering. Es la misma idea que aplicamos en el desarrollo de agentes de IA para empresas.
Llevamos dos años esperando el próximo modelo que lo cambie todo. Este trabajo sugiere que buena parte de la respuesta está en otro sitio: no en el cerebro del agente, sino en su forma de trabajar.
Qué es Harness² de Google
El 9 de octubre de 2026, Google Cloud AI Research y la Universidad de Northwestern publicaron Harness² (también escrito Harness2): un paper en arXiv y un framework de código abierto bajo licencia Apache 2.0.
La pregunta que plantean es ambiciosa: ¿puede un agente de IA mejorar su propia forma de trabajar y, además, aprender a mejorarla cada vez mejor? Todo ello sin tocar ni un parámetro del modelo.
Para entender por qué importa, primero hay que aclarar un concepto que se está volviendo central en la IA: el harness.
¿Qué es un harness en un agente de IA?
El propio paper lo resume en una fórmula: Agente = Modelo + Harness.
- El modelo es el LLM: Gemini, Claude, GPT, GLM. Recibe texto y produce texto. Por sí solo no ejecuta nada, no recuerda nada entre sesiones y no actúa sobre el mundo.
- El harness es todo lo que rodea al modelo y le permite actuar: las instrucciones, las herramientas, la memoria, las skills y la orquestación.
- El agente es el resultado de juntar ambos (si necesitas el contexto, lee qué es un agente de IA).
Un matiz que suele confundir: las herramientas (tools) no son algo que el agente "ya trae" aparte del harness. Las herramientas son parte del harness. Un modelo con herramientas implementadas ya es un modelo con un harness, aunque sea sencillo.
La palabra lo explica bien: harness significa arnés. Un caballo tiene mucha fuerza, pero sin arnés no puede tirar de un carro de forma útil. El arnés no hace más fuerte al caballo; canaliza su fuerza hacia un trabajo concreto.
Claude Code, Codex, OpenCode, OpenClaw o Hermes Agent son, en el fondo, harnesses: estructuras que convierten un modelo en un agente capaz de hacer trabajo real.
¿Por qué importa tanto? Porque el mismo modelo puede rendir muy distinto según el harness que lo rodee. Por eso en 2026 se habla cada vez más de harness engineering: la competencia ya no está solo en los modelos, sino en cómo se les hace trabajar.
Google, Anthropic y OpenAI: tres papeles
Aquí viene lo llamativo. En los experimentos principales de Harness², cada pieza la pone una empresa distinta:
| Papel | Quién | Qué hace |
|---|---|---|
| El que trabaja (ejecutor) | Gemini 3.5 Flash (Google) y GLM-5 | Resuelve las tareas. Su modelo queda congelado: no cambia nada. |
| La estructura (harness inicial) | Codex (OpenAI) y OpenCode | El arnés de partida, con sus instrucciones, herramientas y forma de trabajar. |
| El que rediseña (editor) | Claude Opus 4.8 (Anthropic) | Analiza qué hizo mal el agente, propone cambios al harness y decide cuáles conservar. |
Dos detalles que dicen mucho:
- Codex funcionó con modelos que no son de OpenAI. El harness y el modelo son piezas intercambiables: se puede tomar la estructura de uno y ponerle el cerebro de otro.
- Google eligió a Claude como editor por defecto, mientras Gemini hacía el trabajo. No es un rumor: está en la sección de implementación del paper.
Una aclaración importante: Claude no se usó para crear Harness². Se usa dentro de Harness², en tiempo real, cada vez que el sistema mejora un agente. Y no es obligatorio: más abajo veremos que funciona con otros modelos.
Cómo funciona Harness²: el harness recursivo
En palabras simples: el sistema mejora el arnés del agente mientras trabaja y, además, aprende a mejorarlo cada vez mejor. El modelo no se toca. Funciona en dos niveles.
Dentro de cada tarea: proponer, probar, combinar
- Proponer. El agente hace la tarea con su harness de partida. Viendo cómo trabajó, el editor propone dos versiones mejoradas: una con mejoras generales (planificar mejor, usar mejor las herramientas) y otra específica del dominio (procedimientos y reglas propios de ese tipo de trabajo).
- Probar. Ejecuta ambas versiones sobre la misma tarea y compara cómo se comportó el agente en cada una.
- Combinar. Se queda solo con los cambios que demostraron ayudar y arma el harness final.
Lo interesante es que lo hace sin conocer la respuesta correcta. No necesita un solucionario: decide comparando comportamientos.
Entre tareas: aprender a mejorar
Después de cada tarea, el sistema reflexiona sobre todo el proceso y guarda en una biblioteca los harnesses que funcionaron y las lecciones aprendidas. La siguiente tarea vuelve a empezar desde el harness base, pero el "mejorador" ya sabe más. Ahí está la recursividad: no solo mejora el agente, mejora la forma de mejorarlo.
Qué puede cambiar
No solo el prompt. Harness² puede editar ocho componentes: instrucciones del sistema, guardrails, memoria, guía de uso de herramientas, subagentes, skills, scripts y plugins. Es decir, puede escribir sus propios scripts (en la práctica, crearse herramientas), crear skills nuevas o delegar en subagentes.
Un ejemplo real del paper. En una tarea de JobBench, el agente base sacó 43,1 puntos: no conciliaba los datos entre archivos y nunca revisaba lo que entregaba. Harness² le añadió una regla de verificación con un script para reabrir y comprobar sus archivos, una skill de conciliación y una guía más precisa de herramientas. Resultado: 77,8 puntos. Mismo modelo, distinta forma de trabajar.
Resultados: el dato que debería incomodarnos
Google probó Harness² en tres benchmarks profesionales: WorkBuddy-Bench (oficina, web y código), JobBench (trabajo profesional) y LAB (trabajo legal). Con un solo paso de mejora, todos los agentes mejoraron en todos los benchmarks.
| Configuración | Benchmark | Antes | Después |
|---|---|---|---|
| GLM-5 con OpenCode | WorkBuddy-Bench | 64,2 | 75,7 (+11,5) |
| Gemini 3.5 Flash con OpenCode | WorkBuddy-Bench | 72,4 | 77,5 (+5,1) |
| Gemini 3.5 Flash con OpenCode | JobBench | 31,5 | 36,0 (+4,5) |
| GLM-5 con OpenCode | LAB (criterios superados) | 59,6 % | 71,4 % (+11,8 pp) |
Y dejando que explore más alternativas por tarea, las mejoras siguen creciendo.
Pero el hallazgo más potente es otro: un modelo más débil con un harness mejorado superó a uno más fuerte con su harness original. En WorkBuddy-Bench, GLM-5 mejorado llegó a 75,7, por encima de los 72,4 de Gemini 3.5 Flash con su harness de partida. Los propios autores lo destacan en el paper.
Y otra conclusión que evita una lectura equivocada: Claude no es imprescindible. Los investigadores probaron a usar el mismo modelo como ejecutor y como editor, es decir, que cada modelo se rediseñara a sí mismo. Los cinco modelos probados, desde GLM-5 hasta Claude Opus 5, mejoraron en todos los benchmarks. La mejora no depende de tener un editor más potente.
Lo que Harness² todavía no es
Antes de que el entusiasmo se adelante, cuatro matices honestos:
- Es investigación, no un producto. El propio repositorio aclara que no es un producto con soporte oficial de Google. No es un asistente que instalas como OpenClaw o Hermes: es una herramienta de línea de comandos para desarrolladores e investigadores, que hoy funciona con OpenCode y Codex sobre tres benchmarks.
- Mejora tareas, no deja un agente mejorado para siempre. Cada tarea nueva arranca desde el harness base. Lo que se acumula es el conocimiento del "mejorador", no un agente cada vez mejor listo para producción.
- No es gratis. Para mejorar, explora: ejecuta el agente varias veces por tarea, y a eso se suman las llamadas del editor. El paper muestra un buen balance calidad/cómputo frente a otros métodos de mejora, pero no lo compara contra simplemente usar un modelo más caro. La pregunta correcta no es "¿es más barato?", sino "¿cuánto me cuesta cada resultado que realmente acepto?".
- No hay humano en el bucle. Todo el ciclo es automático: proponer, probar, combinar y aprender. Además, por defecto el agente tiene acceso a la red sin restricciones y Codex corre sin sandbox. Para llevar algo así a una empresa hay que reintroducir a las personas y poner límites externos: si un agente puede reescribir sus propias reglas, esas reglas no pueden ser lo único que lo contiene (ver seguridad de agentes de IA).
La lección de fondo
Primero llegaron los harnesses listos para usar, como OpenClaw. Después, los que aprenden con el uso, como Hermes Agent, que acumula skills y memoria. Ahora, con Harness², la investigación apunta a harnesses que se rediseñan de forma sistemática y comprueban si el cambio funcionó.
Claude fue el editor por defecto, pero la lección no es sobre Claude. Tampoco sobre Google ni OpenAI. Es que la forma de trabajar de un agente se puede optimizar de manera sistemática, igual que antes optimizábamos los modelos.
Y eso deja una pregunta abierta: ¿puede un modelo barato con un harness optimizado competir con un modelo caro con un harness estándar? Harness² todavía no lo responde del todo, pero abre la puerta a medirlo.
Qué significa para el desarrollo de agentes de IA en tu empresa
Para una empresa que quiere un agente de IA, esto se traduce en decisiones concretas:
- Antes de cambiar de modelo, revisa el harness. Instrucciones ambiguas, herramientas mal descritas o la falta de un paso de verificación explican muchos fallos que se atribuyen al modelo.
- Mide con casos reales. Harness² decide comparando comportamientos sobre la misma tarea. En un proyecto, eso es un conjunto de casos de prueba de tu proceso con el que se compara cada cambio.
- Añade verificación. El salto de 43,1 a 77,8 vino en buena parte de obligar al agente a revisar lo que entregaba.
- Mantén a las personas y los límites fuera del agente. Permisos mínimos, aprobación humana en lo crítico y registro de acciones.
- Mide el costo por resultado aceptado, no el costo por llamada al modelo.
Cómo aplicamos el harness engineering
Somos un equipo de desarrollo de agentes de IA en Lima, Perú, y trabajamos con empresas de Perú, Latinoamérica y España, también como equipo externo (outsourcing). En cada proyecto trabajamos el harness como una pieza de ingeniería más: definimos instrucciones, herramientas, reglas de verificación y puntos de aprobación humana, y probamos cada cambio con casos reales del proceso del cliente antes de llevarlo a producción. Cuando un agente falla, primero revisamos su forma de trabajar y solo después evaluamos si conviene otro modelo. Desde nuestro centro de investigación seguimos trabajos como Harness² para llevar lo que funciona a proyectos reales.
Si quieres un agente para tu empresa, lee cómo se desarrolla un agente de IA, revisa nuestro servicio de desarrollo de agentes de IA o, si buscas un equipo externo, la guía de outsourcing de agentes de IA desde Latinoamérica. También puedes conversar con nuestro agente y probarlo.
Así que te dejamos la pregunta a ti: si tu agente falla, ¿cambias de modelo o cambias su forma de trabajar?