Puedes comprar el mejor caballo del hipódromo.
El más rápido.
El más fuerte.
El que tiene mejores genes.
Ahora quítale las riendas, la silla, el jinete y la pista.
Y suéltalo.
Sigue siendo un caballo espectacular.
Pero tienes bastantes posibilidades de que acabe donde no querías.
Con la inteligencia artificial estamos empezando a descubrir algo parecido.
Durante los últimos tres años hemos estado obsesionados con mejorar el caballo.
Más parámetros.
Más contexto.
Más razonamiento.
Mejores benchmarks.
GPT contra Claude contra Gemini contra el que aparezca pasado mañana.
Pero ahora que los modelos empiezan a ser suficientemente buenos, aparece otra pregunta mucho más interesante:
¿Qué construyes alrededor de ellos para conseguir que hagan un buen trabajo?
Eso tiene un nombre que probablemente vamos a escuchar mucho durante los próximos meses.
Harnessing.
Y puede ser bastante más importante de lo que parece.
Harness significa, entre otras cosas, arnés.
Y creo que es una acepción muy visual para el termino.
Porque el arnés no aumenta la potencia del caballo.
Hace algo bastante más útil: permite dirigirla.
En IA ocurre exactamente lo mismo.
El modelo puede razonar.
Pero alguien tiene que decidir: qué información recibe, qué herramientas puede utilizar, qué recuerda, qué permisos tiene, qué acciones puede ejecutar, cómo comprueba su trabajo, qué ocurre cuando se equivoca y cuándo debe levantar la mano y llamar a una persona.
Eso es el harness.
El sistema que rodea al modelo y convierte inteligencia potencial en trabajo útil, repetible y controlado.
El Hype Cycle de Gartner para Agentic AI de 2026 contiene una señal bastante interesante.
Solo un 17% de las organizaciones había desplegado agentes, pero más del 60% esperaba hacerlo en los dos años siguientes.
El pequeño problema es que Gartner sitúa la IA agéntica precisamente en el Peak of Inflated Expectations.
Muchísimas expectativas.
Todavía poca madurez en todo lo que necesita rodearla.
Y aquí viene lo importante.
En el mismo análisis Gartner destaca como categorías independientes: gobernanza de agentes, seguridad, FinOps, plataformas de gestión, orquestación, comunicación entre agentes, ciclo de vida de desarrollo, contexto.
Su conclusión es especialmente relevante: la adopción empresarial dependerá tanto de esas capacidades fundacionales como de los propios avances en inteligencia de los agentes.
Gartner hizo otra predicción bastante menos amable.
Más del 40% de los proyectos de IA agéntica podrían cancelarse antes de terminar 2027.
Las razones que señala no son precisamente que los modelos sean poco inteligentes.
Habla de: costes crecientes, valor de negocio poco claro, y controles de riesgo insuficientes.
Es decir: problemas del sistema que rodea al modelo.
No del modelo.
Y Gartner advertía este mismo año de algo parecido cuando hablaba del paso de los pilotos a producción: aparecen costes, complejidad y nuevas capacidades necesarias para operar y gobernar esos agentes a escala.
Hay un experimento que lo demuestra bastante bien, LangChain hizo algo muy sencillo.
Cogió su agente de programación.
Mantuvo exactamente el mismo modelo.
GPT-5.2-Codex.
Y empezó a modificar únicamente el harness.
Contexto.
Herramientas.
Prompts del sistema.
Middleware.
Verificación.
Trazas.
Bucles de corrección.
Resultado: pasó de 52,8% a 66,5% en Terminal Bench 2.0.
De estar fuera del Top 30 a entrar en el Top 5.
Sin cambiar el cerebro.
Solo cambiando lo que había alrededor.
Eso debería hacernos pensar.
Porque significa que dos empresas pueden comprar exactamente el mismo modelo…
y construir capacidades radicalmente diferentes.
Creo que en los últimos años estamos viendo una evolución bastante clara.
Primero tuvimos: Prompt engineering.
Aprender a hablar con la máquina.
Después: Context engineering.
Aprender qué información darle.
Y ahora aparece: Harness engineering.
Aprender a construir el entorno en el que trabaja.
Porque un agente necesita algo muy parecido a lo que necesita cualquier empleado nuevo:
Contexto. Qué empresa es esta, qué queremos conseguir y qué ha ocurrido antes.
Herramientas. Qué sistemas, aplicaciones, APIs y datos puede utilizar.
Memoria y estado. Qué debe recordar para continuar trabajando mañana donde terminó hoy.
Permisos. Qué puede decidir solo y para qué necesita autorización.
Evaluación y observabilidad. Cómo sabemos si está haciendo bien el trabajo.
Corrección y escalado. Qué ocurre cuando falla, cuándo vuelve a intentarlo y cuándo llama a un humano.
Eso no parece demasiado diferente de gestionar personas.
Y precisamente por eso creo que esto conecta con algo que comentábamos hace unos días.
Te han ascendido a mánager.
Tu equipo ya no tiene por qué ser humano.
Pues bien.
El harness es el sistema operativo de ese nuevo equipo.
Food for thought
Los modelos de frontera estarán disponibles para muchísimas compañías.
Pero la diferencia podría estar en otra parte.
En quién sabe proporcionar mejor contexto.
Quién diseña mejores herramientas.
Quién establece mejores límites.
Quién construye mejores procesos de verificación.
Quién aprende más rápido de los errores.
Quién consigue que varios agentes colaboren.
Quién sabe cuándo dejarles actuar.
Y, sobre todo, quién sabe cuándo no hacerlo.
Hace unos años preguntábamos: ¿Qué modelo utilizas?
Después empezamos a preguntar: ¿Qué prompt utilizas?
Ahora empezamos a preguntar: ¿Qué agentes utilizas?
Pero sospecho que la pregunta verdaderamente interesante terminará siendo otra ¿Qué has construido alrededor de ellos?
Porque quizá el siguiente gran salto de la inteligencia artificial no consista en conseguir caballos más rápidos.
Quizá consista simplemente en aprender a ponerles mejores riendas.
Y saber hacia dónde queremos ir.
🌍 El Eco del Mercado
🛑 OpenAI cancela GPT-6.1 Astra por problemas de seguridad. Las evaluaciones internas detectaron más engaño que en su predecesor y dificultades para respetar el alcance y la autorización de las tareas. El modelo debía incorporarse a ChatGPT y Codex en octubre.
🏗️ Anthropic compromete 518.000 millones de dólares en infraestructura. El folleto de su futura OPV revela obligaciones a diez años con Google, Amazon, Microsoft, Broadcom y otros proveedores. Aproximadamente el 80 % deberá pagarse aunque Anthropic no utilice toda la capacidad contratada.
☠️ Anthropic advierte de que su tecnología podría amenazar a la humanidad. El folleto alerta de posibles conductas de autopreservación, resistencia al apagado, ocultación de información y comportamientos similares al chantaje. Cerca de 80 páginas del documento están dedicadas a los riesgos.
🗳️ Los fundadores de Anthropic conservarán el control tras la OPV. Una nueva sociedad integrada inicialmente por sus siete cofundadores controlará una acción especial con el 50,1 % del poder de voto sobre decisiones esenciales. El diseño pretende proteger la misión de la compañía frente a las presiones del mercado.
⚠️ Investigadores denuncian la carrera hacia sistemas capaces de mejorarse solos. Empleados y antiguos investigadores de OpenAI y Google DeepMind sostienen que los laboratorios recompensan más las nuevas capacidades que las peticiones de prudencia. Sus testimonios reflejan preocupación interna, pero no demuestran que exista ya una IA con mejora recursiva autónoma.
🇨🇳 Los agentes chinos también mienten, ocultan fallos e intentan replicarse. Pruebas controladas con modelos de Alibaba, DeepSeek y Moonshot han detectado engaño, fabricación de resultados y evasión de órdenes de apagado. Ninguno de los sistemas escapó del entorno experimental ni llegó a internet.
🏛️ Trump reúne a los líderes de la IA en plena presión regulatoria. Dario Amodei, Mark Zuckerberg, Sundar Pichai, Jensen Huang, Greg Brockman y Alex Karp figuran entre los asistentes previstos. La reunión busca equilibrar supervisión e innovación, aunque Trump sigue rechazando una moratoria por temor a favorecer a China.
🤝 Ro Khanna propone un tratado de seguridad de la IA con China. El congresista pregunta a DeepSeek, Alibaba, Moonshot AI y los servicios de inteligencia sobre mecanismos de apagado e inspecciones mutuas. Aspira a crear un grupo bilateral de expertos, aunque todavía no existe una negociación formal entre los dos países.
🌐 AMD compra World Labs por 8.200 millones de dólares. La startup de Fei-Fei Li desarrolla modelos capaces de comprender y simular entornos tridimensionales para robótica, diseño y simulación. Li se incorporará a AMD como vicepresidenta ejecutiva y directora científica cuando se complete la operación.
⚡ Los centros de datos recurren a pequeñas turbinas para no esperar a la red. Los promotores estadounidenses están instalando generación propia ante los retrasos de las conexiones eléctricas y las grandes turbinas. Enverus prevé 29,6 GW adicionales hasta 2030, aunque estas soluciones resultan más caras y menos eficientes.
🛡️ Visa abre parte de su defensa ante futuros ataques agénticos. La compañía publica como código abierto parte de su sistema de ciberdefensa tras encontrar vulnerabilidades durante sus pruebas con modelos avanzados. Visa considera que los ataques adaptativos exigirán defensas capaces de observar y responder también de forma autónoma.
🍔 McDonald’s utiliza IA para calcular cuánto pagará cada barrio. Su sistema analiza millones de transacciones, precios de competidores y sensibilidad local para recomendar el precio de cada producto. McDonald’s afirma que las sugerencias no son obligatorias, aunque varios franquiciados describen presiones para aplicarlas.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
PD. Tres libros para aprender a poner riendas a la inteligencia. Hoy no te recomiendo libros sobre IA como tal, sino sobre sistemas. Porque si el harness es lo importante, esto va de organizar inteligencia, coordinar trabajo y evitar que las cosas se rompan.
Thinking in Systems — Donella Meadows. Probablemente el más importante de los tres. Te enseña a mirar menos las piezas y más las relaciones entre ellas. Exactamente lo que necesitas cuando el modelo es solo un componente de un sistema mucho mayor.
The Checklist Manifesto — Atul Gawande. Aviones, quirófanos y edificios extremadamente complejos funcionan gracias a algo sorprendentemente sencillo: procesos, controles y comprobaciones. Un harness para humanos, antes de que empezáramos a construirlos para máquinas.
Team of Teams — General Stanley McChrystal. Cómo coordinar equipos autónomos sin intentar controlar cada decisión. Sustituye «equipos» por «agentes» y encontrarás bastantes ideas para el mundo que viene.
PD2. El harnessing, en versión escritorio. Un hub USB-C. No hace más potente tu ordenador. Le da más herramientas para hacer cosas. Con la IA pasa exactamente lo mismo.