Autor: Tencent Tech

El 7 de noviembre, Microsoft publicó un documento técnico sobre el sistema de ejecución de Agentes, que incluía un conjunto de resultados de prueba algo inesperados: al reemplazar solo el Harness detrás de Copilot Studio, manteniendo el mismo Claude Opus 4.8, la tasa de aprobación de tareas complejas aumentó 22,1 puntos porcentuales. El nuevo sistema casi duplica el número de llamadas al modelo por tarea, pero reduce el consumo de tokens de entrada en un 21% ajustado.
Solo hace diez días, Microsoft anunció la expansión de Copilot Harness a múltiples productos y la venta de servicios gestionados a desarrolladores a través de su plataforma en la nube.
El 5 de noviembre, Moonshot acaba de lanzar Kimi Hosted Agents y presentar oficialmente Harness as a Service. En agosto, DeepSeek abrió su propio Harness; OpenAI y Anthropic ya habían convertido sus sistemas internos en servicios accesibles para desarrolladores mucho antes.
El "sistema de ejecución" detrás de ese gran modelo está comenzando a convertirse en la figura clave para las empresas de modelos.
Atraca en Harness
Harness puede entenderse como un sistema de ejecución de Agentes construido alrededor de modelos de gran tamaño. Permite que el modelo utilice herramientas externas, ejecute tareas de múltiples pasos de forma continua y ajuste sus acciones posteriores según los resultados obtenidos. Para Agentes que requieren ejecución prolongada, Harness también se encarga de guardar el estado de la tarea, permitiendo que el trabajo continúe tras una interrupción.
Se encuentra en un nivel diferente a las aplicaciones de IA. Productos como Claude Code y WorkBuddy se dirigen directamente a los usuarios, mientras que Harness subyacente puede ser reutilizado por diversas aplicaciones o ofrecido como un servicio independiente a los desarrolladores. A medida que las tareas asumidas por los Agentes se vuelven más complejas, Harness se convierte gradualmente en un factor clave que influye en el éxito de las tareas, la eficiencia de ejecución y los costos operativos.
Anthropic es una de las primeras empresas de modelos en invertir en el desarrollo de Harness, inicialmente para resolver problemas encontrados por Claude Code en tareas de programación prolongadas.
A finales de 2025, Anthropic descubrió que cuando la ventana de contexto de Claude se agotaba, las nuevas conversaciones a menudo no podían continuar el trabajo anterior. Los ingenieros mejoraron el Harness detrás de Claude Code, haciendo que el Agente guarde el progreso antes de finalizar cada etapa, y lo lea en la siguiente ronda para continuar tareas incompletas. Así, incluso si termina una sesión del modelo, la tarea de programación puede seguir avanzando.
En abril de este año, Anthropic lanzó aún más los Agentes administrados, ofreciendo estas capacidades de ejecución de Agentes como un servicio en la nube para desarrolladores. Para permitir que las empresas ejecuten Agentes de forma prolongada y estable, Anthropic ajustó la arquitectura subyacente: Harness se encarga de impulsar la ejecución de tareas, los historiales se pueden guardar por separado y el entorno aislado para la ejecución de IA también se puede reemplazar en cualquier momento. Incluso si el entorno aislado falla, el Agente puede recuperar su trabajo anterior.
Desde el sistema de funcionamiento interno de Claude Code hasta el servicio alojado dirigido a desarrolladores externos, Anthropic convierte sus años de experiencia en una producto independiente.
OpenAI también ha decidido abrir el Harness detrás de Codex a más desarrolladores. En febrero de este año, OpenAI reveló que la versión web, la línea de comandos y los complementos de IDE de Codex comparten en realidad el mismo sistema de ejecución de Agentes. En agosto, se posicionó aún más a Codex como una plataforma Harness abierta que permite a aplicaciones de terceros conectarse directamente. En septiembre, se lanzó la API de Agents, gestionada y mantenida por OpenAI, permitiendo a los desarrolladores conectarse directamente al entorno de ejecución de los Agentes.
Esta ruta permite a OpenAI servir directamente a los usuarios a través de Codex, así como proporcionar sus capacidades de ejecución subyacentes a otras empresas de software. Los desarrolladores pueden conservar sus propias interfaces de producto y procesos comerciales, mientras que Codex realiza las tareas específicas en segundo plano.
DeepSeek abrió el código completo del marco Harness bajo la licencia MIT el 13 de agosto, proponiendo "Todo es un plugin", descomponiendo casi todo el sistema de ejecución del Agente en plugins que se pueden combinar libremente. Los desarrolladores pueden no solo reemplazar modelos y herramientas externas, sino también modificar la forma en que el Agente llama a los modelos y ejecuta tareas, e incluso permitir que el Agente escriba e instale nuevos plugins por sí mismo.
Esta arquitectura basada en Cordis busca permitir a los desarrolladores crear diferentes tipos de Agentes según sus necesidades sin tener que construir desde cero el sistema de ejecución.
El 5 de noviembre, Kimi anunció oficialmente que Hosted Agents ofrece un entorno en la nube las 24 horas, permitiendo a las empresas integrar los Agentes en sus sistemas internos o incrustarlos en productos para la venta externa, y mencionó explícitamente Harness as a service.
Harness evolucionado
De hecho, el auge de Harness no comenzó con las empresas de modelos.
A principios de este año, el auge de OpenClaw ya había demostrado a la industria que una empresa sin modelo base también podría atraer a numerosos usuarios mediante un sistema de Agentes. En febrero, OpenAI reclutó a Peter Steinberger, fundador de OpenClaw, para participar en el desarrollo del próximo agente personal.
Luego, Nous Research lanzó Hermes Agent, intentando que el agente guarde la experiencia acumulada en su trabajo como Skills reutilizables y los mejore continuamente en tareas posteriores.
A finales de marzo, instituciones como la Universidad de Stanford propusieron Meta-Harness, que permite que la IA modifique directamente el código de Harness según registros de fallos y verifique su efectividad mediante pruebas. En un experimento de clasificación de texto, la precisión aumentó un 7,7 % y el consumo de tokens de contexto se redujo a la cuarta parte.
¿Por qué merece la pena que las empresas de modelos inviertan en estas exploraciones? En octubre, la Universidad Tecnológica de Nanyang en Singapur probó 66 modelos combinados con Harness y descubrió que cambiar el Harness incluso podría alterar el ranking de rendimiento entre modelos.
FrontierHarness Eval también encontró que, para el mismo Kimi K3, la tasa de aprobación de tareas fue del 66,7% con Codex, del 63,3% con DeepSeek Harness Creator y del 56,7% con Kimi Code.
Para las empresas de modelos básicos, mejorar el rendimiento del modelo depende cada vez más del diseño y la optimización de Harness, además de mejorar el modelo en sí.

Gráfico: Comparación de la tasa de aprobación de tareas y los costos del mismo Kimi K3 bajo diferentes configuraciones de Harness
Los investigadores también están intentando aplicar la experiencia acumulada por Harness al entrenamiento de modelos. Co-Harness, propuesto en julio, primero mejora Harness mediante registros de fallos y luego utiliza los datos de ejecución optimizados para entrenar el modelo. HarnessFlow, anunciado en noviembre, busca automáticamente mejores diseños de Harness, aumentando el puntaje promedio en un 10,89 puntos porcentuales en seis categorías de tareas.

Gráfico: Línea de tiempo de la evolución tecnológica de Harness (fin de 2025 a noviembre de 2026)
Sin embargo, la optimización automática también conlleva riesgos. Un estudio realizado a principios de noviembre encontró que, en un experimento específico, tras optimizar un Harness para una nueva tarea, su rendimiento en SWE-bench descendió del 94% al 32%. La actualización del modelo también puede hacer que diseños previamente efectivos dejen de funcionar.
Esto significa que el acúmulo de tecnología de Harness es difícil de resolver de una vez por todas. Cómo mantener la estabilidad de diferentes tareas durante la mejora continua sigue siendo un problema sin resolver.
Algunos profesionales del sector indican que este también es uno de los principales dolores de cabeza al implementar modelos de código abierto. Por ello, las empresas de modelos ya han comenzado a vender servicios de Harness. Aunque los marcos de código abierto son gratuitos, las empresas aún deben asumir los costos de implementación y mantenimiento para ejecutar Agentes de manera estable a largo plazo. Empresas como Kimi y Anthropic han visto la oportunidad de asumir este trabajo, convirtiendo Harness en un negocio independiente, pero las aproximaciones varían significativamente entre empresas.
El valor oculto de Harness
Harness está comenzando a convertirse en un servicio con cargo separado, pero la tabla de precios actual muestra que la inferencia del modelo sigue siendo la principal fuente de ingresos.
Anthropic cobra $0.08 por hora de sesión activa para sus Agents administrados, más tokens adicionales; según el ejemplo de tarea de programación de una hora publicado oficialmente, el costo total es de $0.58, de los cuales los cargos por ejecución administrada representan aproximadamente el 14%.
Los cargos de Kimi se dividen en tokens del modelo, ejecución en sandbox y plugins de pago. Una tarea de análisis legal de inversión que publicó se estimó en unos 30 yuanes, con costos de sandbox inferiores a 0.1 yuan. OpenAI no cobra tarifas adicionales durante la fase de prueba pública de su API de Agents, cobrando principalmente según el uso del modelo y las herramientas. DeepSeek ha abierto Harness bajo la licencia MIT y no tiene una lógica de cobro directa.

Gráfico: Comparación de los modelos de cobro y la posición comercial de seis empresas de modelos
Por lo tanto, los ingresos directos que la empresa de modelos está obteniendo actualmente a través de harness podrían ser mínimos.
Entonces, ¿por qué invertir tantos recursos en investigación y desarrollo?
Una razón importante es que, una vez que las empresas implementan realmente los Agentes, la demanda de Harness puede ser más estable que la de un modelo específico.
La empresa de servicios legales estadounidense ABC Legal originalmente implementó el Agente en las computadoras de los empleados, ejecutándolo mediante tareas programadas. A medida que su uso se expandió, el CTO Brandon Fuller comenzó a buscar una plataforma que permitiera gestionar unificados estos Agentes. Evaluó varias opciones y finalmente eligió Managed Agents de Anthropic, ya que la empresa no deseaba seguir manteniendo entornos de ejecución dispersos.
Según reveló Anthropic, ABC Legal puso en producción más de 50 agentes en un solo mes, y aproximadamente 310 empleados utilizan Claude diariamente. Los empleados pueden crear nuevos agentes mediante configuración, sin necesidad de conocimientos de desarrollo de software.
Esto indica que el atractivo de Harness como servicio gestionado proviene de necesidades empresariales reales. En lugar de desarrollar desde cero, implementar y mantener a largo plazo sistemas operativos, las empresas prefieren comprar servicios listos para usar y redirigir sus recursos de ingeniería hacia sus propios negocios.
Pero las empresas no necesariamente están dispuestas a vincularse a una empresa de modelos por ello.
En agosto de este año, VentureBeat publicó una encuesta a 107 empresas. El 85% de las empresas encuestadas utilizan dos o más plataformas de orquestación de agentes. Al elegir una plataforma, el 29% de las empresas valoró más la flexibilidad del modelo y las herramientas, mientras que solo el 10% priorizó la adaptación nativa con algún modelo líder. Aunque la muestra está sesgada hacia grandes empresas tecnológicas, ya refleja una tendencia de compra: los clientes desean conservar la libertad de cambiar de modelo.
Esto proporciona exactamente otra lógica comercial para la competencia de Harness. Si las empresas están dispuestas a utilizar a largo plazo un sistema operativo, el proveedor puede obtener ingresos continuos de servicios de alojamiento, mantenimiento y desarrollo empresarial, incluso sin monopolizar las llamadas al modelo, y establecer relaciones más estables con los clientes.
De esta manera, Harness puede acceder al proceso real de ejecución del trabajo empresarial. En comparación con una API de modelo simple, Harness puede registrar la trayectoria de una tarea desde su inicio hasta su finalización, incluyendo llamadas al modelo, ejecución de herramientas, reintentos en caso de fallo y el resultado final. Estos registros ayudan a las empresas a diagnosticar problemas y proporcionan retroalimentación valiosa para el desarrollo del modelo.

Gráfico: Datos de ejecución de tareas empresariales registrados por Harness
Si se puede obtener de manera continua retroalimentación verificada y real sobre tareas, las empresas de modelos tienen la oportunidad de identificar más rápidamente los problemas de los modelos en entornos de producción. Sin embargo, esta ventaja también estará claramente limitada por los derechos de datos.
Esto plantea una nueva pregunta para las empresas de modelos: si las empresas pueden cambiar libremente el modelo subyacente y mantener el control de sus propios datos, ¿qué ventaja a largo plazo puede construir Harness?
Para las empresas de modelos, Harness podría generar un valor a largo plazo mayor que los cargos directos. Cuando las empresas transfieran cada vez más tareas a los Agentes, quien ofrezca un sistema de operación confiable tendrá la oportunidad de influir en la selección de modelos y en cómo participa la IA en los negocios reales.
Una palabra familiar y anticuada: entrada.
Pero esta palabra, profundamente arraigada en la era de internet, siempre toca los nervios sensibles de la competencia en la era de la IA. Ahora, Harness asume, en cierta medida, estas expectativas y esta imaginación.

