Carrusel
Más allá del LLM: Agent Harness Engineering y gobernanza de IA
El mayor desafío no era el modelo. Era el arnés del agente.
Durante el último año participé en el desarrollo de agentes de IA para entornos industriales. Y la experiencia me dejó una conclusión que no esperaba.
El comienzo
La idea inicial parecía sencilla. Construir un asistente conectado en tiempo real a:
- Señales de planta (OT)
- Reportes operacionales e incidentes (IT)
- Documentación técnica y múltiples fuentes de datos
Al principio, con pocos procesos y documentos acotados, todo funcionaba increíble. El agente respondía bien y el equipo estaba entusiasmado.
Entonces llegó la pregunta inevitable: ¿y si escalamos?
El giro
Pasamos de decenas a miles de señales. De unos pocos PDF a repositorios completos. Incorporamos RAG, sistemas multiagente y MCP.
Y ahí la realidad nos golpeó: a más escala, menos consistencia.
Lo que un día respondía bien, al siguiente fallaba. Las instrucciones se "perdían". El comportamiento se volvía impredecible.
¿Nuestra primera intuición? Culpar al modelo. Pensamos que el prompt estaba mal. Pensamos que las herramientas fallaban. Pensamos que necesitábamos un LLM más avanzado.
Estábamos mirando en la dirección equivocada.
El diagnóstico
El problema no era el modelo. Era el diseño del sistema completo a su alrededor.
Eso que hoy la academia ya investiga bajo el nombre de Agent Harness Engineering describe exactamente lo que vivimos. Elementos que terminan siendo tan o más importantes que el propio LLM:
- Arquitectura: memoria, gestión de contexto, orquestación y observabilidad.
- Gobernanza: permisos, reglas de negocio y entendimiento real del proceso.
Un agente no es software tradicional
A esto se suma el choque de expectativas. Muchos líderes esperan que un agente actúe de forma determinística, como el software tradicional. Pero los agentes no funcionan así. Tienen incertidumbre y variabilidad.
Quienes venimos del mundo de los modelos probabilísticos, y trabajo con machine learning desde hace más de 15 años, reconocemos este comportamiento de inmediato: no es una falla, es la naturaleza del sistema.
La lección
¿Puede una organización escalar agentes sin una estrategia y un modelo de gobernanza para IA? Mi experiencia dice que no.
La conversación siempre empieza por los modelos, pero debería comenzar por la arquitectura, el modelo operativo y el proceso. Los agentes exitosos no son solo una colección de prompts; son sistemas complejos. Sin ese contexto, incluso el mejor modelo llegará a conclusiones incorrectas.
La mayoría de los problemas no provienen de la IA. Provienen de cómo diseñamos el sistema que la rodea.
¿Tu organización ya está pensando en el arnés, o sigue buscando el modelo perfecto?
Para profundizar
Anthropic, Effective Context Engineering for AI Agents (2025) · Chroma, Context Rot: How Input Tokens Impact LLM Performance · Agent Harness for LLM Agents: A Survey (2026).
Más sobre este tema