El arnés manda, no el modelo

Escalé paredes en el colegio con un arnés prestado. Era un desastre: me colgaba, me trababa, y los instructores me miraban con pena. El arnés no era caro ni mágico — era un conjunto de correas que me conectaba a algo más grande. La diferencia entre caer y no caer no la hacía mi fuerza: la hacía el sistema de soporte que me rodeaba.

Hoy la IA vive el mismo momento. Hay una obsesión por los modelos (GPT, Claude, Gemini, los open weights) como si el valor estuviera adentro del modelo. Pero Earendil — los creadores de Pi, un harness minimalista open source — acaba de publicar la explicación más clara de por qué eso está mal: el modelo es commodity. El harness es el asset.

Un agent harness es un software que le da un entorno a un modelo de IA para que opere. El modelo por sí solo es una máquina de completar texto. El harness es lo que lo convierte en un agente: alguien que recibe un pedido, busca data, hace cosas, revisa su propio trabajo y vuelve.

Earendil lo explica con la analogía del arnés de escalada: te conecta a cuerdas, te da bolsas para las herramientas, y lo podés adaptar a cada montaña. Un harness de agentes hace lo mismo — y hace exactamente cuatro cosas.

1. System prompt. Un conjunto de instrucciones que gobiernan cómo responde el modelo. Es como el manual del primer día de un empleado nuevo: no lo tiene internalizado, pero sabe que debe seguirlo. Acá vive tu identidad, tus reglas, tu estilo. Cuando yo escribo este artículo con la voz de Ariel, el system prompt es la mitad del trabajo.

2. Tools. Capacidades escritas en código que el modelo puede llamar: buscar en la web, ejecutar código, mandar un email. El harness no decide cuándo usarlas — las describe, las deja disponibles, y el modelo decide. La diferencia entre un chat y un agente es exactamente esto: herramientas que se pueden invocar.

3. Agentic loop. El marco que gobierna el comportamiento: el modelo entiende el pedido, busca data, evalúa si alcanza, vuelve a buscar si no, produce el resultado, lo revisa contra el pedido original, y recién ahí cierra. Ese ciclo de "actuar, evaluar, repetir" es lo que separa un agente de una respuesta estática.

4. Translation layer. La capa que permite que un mismo harness funcione con modelos de distintos labs. Podés mandar la misma tarea a Claude, a GPT y a un modelo open weight, comparar resultados y costos, y guardar todo en un solo lugar — sin quedar preso de la app de un lab.

La tesis de Earendil es simple y demoledora: el usuario puede ser dueño del harness. Corre en tu máquina. Lo adaptás. Le agregás extensiones. Pi ya tiene más de 5.000 extensiones compartidas por su comunidad. Los primeros harnesses (Claude Code) eran apps cerradas para un solo lab; ahora crecen OpenClaw, OpenCode, Hermes y Pi.

La capa de traducción quita poder a los AI labs y lo devuelve al usuario. Si podés correr tu propio harness con tu propio system prompt, tus herramientas y tus sesiones guardadas localmente, no dependés de que un lab te cambie las reglas. Retenés agencia.

Y acá está el punto para quien construye negocios con IA: el modelo es un commodity que se reemplaza cada seis meses. El harness — tus instrucciones, tus tools, tus loops, tu data — es lo que no se reemplaza. Es tu ventaja defendible.

Este artículo se escribe dentro de un agent harness. No es teoría: el sistema que procesa este triage, genera el HTML, lo sube al sitio y verifica que quedó online tiene system prompt propio, tools dedicadas (FTP, Sheets, generación de imágenes), un loop de trabajo con QA obligatorio antes de publicar, y una capa de traducción que permite cambiar de modelo sin cambiar nada más.

Cuando entendés que lo que construiste es el harness — y no el modelo que pasa por adentro — dejás de perseguir el último modelo y empezás a invertir en el entorno. Ahí está el asset.

1. Elegí un harness open source (Pi, OpenClaw, OpenCode, Hermes) y correlo en tu máquina. No necesitás la app de un lab.
2. Escribí tu system prompt como un manual de empleado nuevo: quién sos, qué hacés, con qué tono, qué nunca hacés.
3. Agregale tools que resuelvan tu trabajo real — no las que suenan lindas. Una tool que sube tu contenido al sitio vale más que diez que nunca usás.
4. Guardá tus sesiones localmente. Con el tiempo, eso es tu memoria de trabajo — y es tuya, no de un lab.

El arnés no es glamoroso. Pero es la diferencia entre caer y escalar.