Agente = modelo + harness: la fórmula que explica por qué tu chatbot no escala
Agente = modelo + harness: entiende qué aporta cada mitad, por qué tu chatbot no escala y qué necesitas para pasar de conversar a resolver trabajo real.
El problemaTu chatbot conversa bien, pero no resuelve nada y cada mes genera más trabajo para tu equipo.
Viernes, 6:15 de la tarde. El director de operaciones de una distribuidora revisa el tablero del chatbot de WhatsApp que lanzaron hace tres meses. Atendió cientos de conversaciones esta semana. Suena bien, hasta que abre la bandeja de su equipo de soporte: decenas de casos escalados con la nota "el bot no pudo ver el pedido", y dos clientes molestos porque el bot les prometió un reembolso que nadie autorizó.
El chatbot no es tonto. Conversa con fluidez, entiende el tono y responde rápido. Lo que le falta no es inteligencia. Le falta la otra mitad de la fórmula que se volvió estándar en 2026: Agente = Modelo + Harness.
De dónde viene la fórmula agente = modelo + harness
Mitchell Hashimoto acuñó el término "agent harness" en febrero de 2026 y LangChain formalizó la definición en marzo de ese año. La idea es simple y por eso se popularizó tan rápido: un agente útil no es solo un modelo de lenguaje, sino un modelo más el sistema que lo rodea.
El modelo es el motor que razona: lee, interpreta, redacta y decide el siguiente paso. El harness es todo lo demás: qué información le llega, qué herramientas puede usar, qué reglas no puede romper, quién revisa lo que produce y cómo se registra cada acción. Si quieres la definición completa de la disciplina, empieza por qué es el harness engineering.
Por qué tu chatbot no escala
La mayoría de los chatbots empresariales se construyen así: un modelo, unas instrucciones largas y, con suerte, un documento de preguntas frecuentes. Es decir, casi todo modelo y casi nada de harness. Funciona para responder "¿cuál es su horario?", pero se rompe en cuanto el cliente pide algo que requiere trabajo real.
Estas son las cuatro paredes con las que choca un chatbot sin harness:
- No ve tus sistemas. No puede consultar el estado de un pedido, el saldo de una cuenta o el historial del cliente.
- No tiene límites claros. Si nadie le dijo que no puede ofrecer reembolsos, a veces los ofrece.
- No sabe cuándo parar. No distingue un caso rutinario de uno que debe ver una persona.
- No deja rastro útil. Cuando algo sale mal, no hay forma de reconstruir qué datos usó ni por qué respondió así.
Cada pared se intenta resolver agregando más texto a las instrucciones. Y cada vez el chatbot se vuelve más frágil, porque se le pide al modelo que haga el trabajo del harness.
Qué aporta cada mitad
La forma más clara de entender la fórmula es separar responsabilidades. El modelo y el harness hacen cosas distintas, y confundirlas es el origen de casi todos los pilotos que no escalan.
| Necesidad del negocio | Lo resuelve el modelo | Lo resuelve el harness |
|---|---|---|
| Entender lo que pide el cliente | Sí | No |
| Redactar una respuesta clara | Sí | No |
| Saber quién es el cliente y qué compró | No | Sí, con la memoria del negocio |
| Consultar o actualizar un pedido | No | Sí, con herramientas y permisos |
| Respetar la política de reembolsos | Parcialmente | Sí, con reglas que se verifican |
| Escalar a una persona a tiempo | Parcialmente | Sí, con criterios y aprobación por rol |
| Explicar qué pasó en un caso | No | Sí, con trazabilidad |
| Seguir funcionando si un proveedor falla | No | Sí, con reintentos y alternativas |
La columna del modelo es importante, pero corta. La del harness es donde vive el valor operativo.
La señal de que te falta harness
Hay una pregunta que funciona como termómetro: cuando el sistema se equivoca, ¿la solución que propone tu equipo es "cambiar el prompt" o "cambiar el modelo"? Si siempre es una de esas dos, te falta harness.
Los errores de producción rara vez son de inteligencia. El reporte State of AI Engineering 2026 de Datadog encontró que 5% de las llamadas a modelos en producción devolvieron error, y que límites de capacidad, rate limits y timeouts explicaban 60% de esos errores. Ningún prompt arregla un timeout. Lo arregla un harness que reintenta, cambia de proveedor o avisa a tiempo.
Lo mismo pasa con la escala. Una encuesta de marzo de 2026 a 650 líderes tecnológicos encontró que 78% tiene al menos un piloto de agentes, pero solo 14% lo ha escalado a toda la organización. Lo exploramos a fondo en por qué tu piloto de IA nunca llegó a producción.
Ejemplo ilustrativo: el mismo cliente, dos sistemas
Imagina que una clienta escribe por WhatsApp a las 10 de la noche: "Mi pedido llegó incompleto, faltan dos cajas".
Chatbot (solo modelo): responde con empatía, pide el número de pedido, no puede consultarlo y le dice que un asesor la contactará "lo antes posible". El caso entra a una bandeja sin contexto. Al día siguiente, una persona tiene que empezar desde cero: pedir otra vez el número, buscar la guía de envío, revisar el inventario.
Agente (modelo + harness): reconoce a la clienta por su número, consulta el pedido y ve que el despacho salió en dos envíos. Revisa la guía y confirma que la segunda caja llega mañana. Le responde con la fecha concreta. Si el sistema hubiera detectado un faltante real, habría preparado una propuesta de reposición y la habría dejado lista para la firma del responsable de operaciones, porque las reposiciones requieren aprobación humana. Todo queda registrado en la ficha de la clienta.
El modelo de lenguaje puede ser idéntico en ambos casos. La diferencia es el harness. Para ver cómo se diseña ese escalamiento en servicio al cliente, revisa atención al cliente 24/7 que resuelve.
Errores comunes al aplicar la fórmula
- Pensar que el harness es "integrar una API". Conectar un sistema es una pieza; el harness también incluye reglas, aprobaciones, memoria y medición.
- Comprar el modelo y esperar el harness gratis. Las licencias de IA te dan el motor, no el arnés adaptado a tus procesos.
- Construir un harness por cada chatbot. Si cada agente tiene su propia memoria y sus propias reglas, en un año tendrás islas que se contradicen.
- Atarse a un solo proveedor. Si cambiar de modelo implica rehacer el sistema, el harness quedó mal diseñado.
Qué hacer el lunes
Toma tu chatbot o piloto actual y llena la tabla de este artículo con tu equipo: para cada necesidad del negocio, ¿quién la resuelve hoy? Si la columna del harness está vacía, ya sabes por qué no escala. Prioriza las dos filas que más casos escalados te generan.
En Addabra construimos la mitad que normalmente falta. Diseñamos el harness alrededor de tus procesos reales y elegimos el mejor modelo para cada tarea, sea de OpenAI, Gemini, Claude u open source. Así, cuando aparezca un modelo mejor, lo cambias sin perder nada de lo que tu empresa ya construyó.
Preguntas frecuentes
¿Cuál es la diferencia entre un chatbot y un agente de IA?
Un chatbot conversa: responde preguntas con lo que sabe el modelo o con un documento cargado. Un agente trabaja: consulta tus sistemas, ejecuta acciones con permisos definidos, respeta reglas y deja registro. La diferencia no está en el modelo, sino en el harness que lo rodea.
¿Puedo convertir mi chatbot actual en un agente?
Muchas veces sí, si se le construye el harness: conexión a la memoria del negocio, herramientas con permisos, reglas, escalamiento a personas y trazabilidad. Lo que normalmente no funciona es seguir mejorando las instrucciones del chatbot esperando que eso sustituya al harness.
¿Qué pasa con el harness si mañana sale un modelo mejor?
Un buen harness permite cambiar de modelo sin rehacer el sistema. Las reglas, la memoria, los permisos y las aprobaciones se quedan; solo cambias la pieza que razona. Por eso el harness es el activo que conviene construir y conservar.
