En febrero de 2026, un pequeño equipo de OpenAI envió 1 millón de líneas de código de producción.
No escribieron ni una sola línea a mano.
Los agentes de IA lo escribieron.
Los humanos diseñaron el sistema que hizo confiables a los agentes.
Ese sistema ya tiene nombre.
<strong>Ingeniería de Arneses.</strong>
En cuestión de semanas, Anthropic publicó 3 artículos al respecto.
ThoughtWorks formalizó un marco de trabajo.
Philipp Schmid de Hugging Face lo llamó "la disciplina más importante de 2026".
Una nueva disciplina de ingeniería se materializó en 90 días.
Y casi nadie fuera de los equipos de infraestructura de IA lo entiende todavía.
Este artículo lo explica todo.
Sin rodeos. Sin jerga académica. Solo los modelos mentales que necesitas para usar esto de verdad.
Guárdalo. Lo leerás dos veces.
PARTE 1: QUÉ ES REALMENTE UN ARNÉS (El concepto que cambia tu forma de pensar sobre la IA)
1. La Definición de Arnés
La definición más simple viene de ThoughtWorks:
→ Agente = Modelo + Arnés
El arnés es todo lo que no es el modelo.
Las restricciones que mantienen al agente en el camino. Los bucles de retroalimentación que detectan errores. La documentación que le dice al agente dónde está. Las herramientas que tiene permiso de usar.
Quita el arnés → modelo de lenguaje puro adivinando a través de tu código.
Agrega el arnés correcto → sistema que envía código de producción.
El nombre viene del arreo de caballos.
Un arnés son las riendas, la silla y el bocado que canalizan a un animal poderoso pero impredecible en una dirección útil.
No haces al caballo más inteligente. Diseñas el equipo que hace útil su fuerza.
2. La Analogía del SO
Philipp Schmid dio el mejor marco técnico:
Piénsalo como una computadora.
→ Modelo = CPU (potencia de procesamiento bruta)
→ Ventana de contexto = RAM (memoria de trabajo limitada y volátil)
→ Arnés = Sistema Operativo (gestiona qué ve la CPU y cuándo)
→ Agente = La Aplicación que se ejecuta encima
Tu modelo es poderoso.
Pero sin un SO que gestione la memoria, programe tareas y aplique reglas, es solo silicio.
La mayoría de la gente ejecuta aplicaciones sin sistema operativo.
Por eso sus agentes fallan en producción.
3. Lo que Cambió en 2026
LangChain ejecutó el mismo modelo en Terminal Bench 2.0 dos veces.
Mismo modelo. Diferente arnés.
→ Arnés anterior: 52.8% de puntuación
→ Nuevo arnés: 66.5% de puntuación
Vercel fue en la dirección opuesta.
Eliminaron el 80% de las herramientas de su agente.
¿Resultado? Mejor rendimiento.
No peor.
La verdad incómoda de 2026:
→ El agente nunca fue la parte difícil.
→ El arnés lo es.
Si 2025 fue el año en que los agentes de IA demostraron que podían escribir código…
2026 es el año en que descubrimos que el entorno importa más que el modelo.
PARTE 2: LOS 5 ARTEFACTOS DEL ARNÉS (Cómo se ve realmente un arnés en la práctica)
4. Archivos AGENT.md / CLAUDE.md
El artefacto de arnés más universal.
Archivos Markdown distribuidos por todo tu código.
El agente los lee al inicio de cada sesión, como documentos de incorporación para un nuevo ingeniero que se une al equipo.
¿Qué contienen?
→ Contexto del proyecto
→ Convenciones de código
→ Decisiones de arquitectura
→ Guía de "cómo hacemos las cosas aquí"
→ Lo que está en progreso actualmente
OpenAI los llama AGENT.md.
Anthropic los llama CLAUDE.md.
Cursor usa .cursorrules.
Diferentes nombres. Mismo principio.
Un archivo por módulo principal. Actualizado a medida que el proyecto evoluciona.
Sin ellos: el agente comienza cada sesión a ciegas. Con ellos: el agente comienza cada sesión informado.
5. Listas de Funcionalidades en JSON (El Rastreador de Progreso)
Cuando un agente construye una aplicación completa en múltiples sesiones, comienza cada sesión con una ventana de contexto en blanco.
¿Cómo sabe qué ya está hecho?
Un archivo JSON.
Cada entrada define:
→ Una funcionalidad
→ Cómo verificar que funciona
→ Estado: Aprobado / Fallido
El agente lo lee al inicio de la sesión. Toma la funcionalidad fallida de mayor prioridad. La implementa. La marca como aprobada. Confirma. Repite.
¿Por qué JSON y no Markdown?
Anthropic descubrió que los agentes son menos propensos a sobrescribir JSON accidentalmente que Markdown.
Pequeño detalle. Importa mucho en ejecuciones autónomas de 6 horas.
6. Rutinas de Inicialización de Sesión
Cada sesión comienza de la misma manera.
Siempre. Sin excepción.
Secuencia de arranque de 7 pasos de Anthropic:
- Confirmar directorio de trabajo
- Leer registros de git y archivos de progreso
- Revisar la lista de funcionalidades para el elemento incompleto de mayor prioridad
- Iniciar el servidor de desarrollo
- Ejecutar verificación básica de extremo a extremo
- Implementar una funcionalidad
- Confirmar con mensaje descriptivo + actualizar progreso
Sin esto:
El agente pierde sus primeros 20 minutos averiguando qué existe ya.
Cada sesión es reinventar la rueda.
Con esto:
El agente comienza instantáneamente informado y pasa directamente al trabajo.
7. Contratos de Sprint
Antes de que el agente escriba una sola línea de código:
Dos agentes negocian.
El agente Generador propone:
→ Qué va a construir
→ Cómo se verificará el éxito
El agente Evaluador revisa:
→ ¿Está completa la propuesta?
→ ¿Son claros los criterios de éxito?
Solo después de que ambos estén de acuerdo comienza la implementación.
Es una revisión de diseño.
Excepto que ambos participantes son IA.
¿Por qué es importante?
Los agentes que planifican y ejecutan en el mismo pase producen resultados poco fiables.
El paso de planificación, incluso cuando lo hace la IA, mejora drásticamente la calidad del resultado.
8. Plantillas de Tareas Estructuradas
Antes de cualquier codificación:
El arnés analiza el código real.
Produce un mapa de impacto fundamentado:
→ Rutas de archivo reales (no alucinadas)
→ Nombres de símbolos reales que realmente existen
→ Patrones existentes a seguir
→ Criterios de aceptación concretos
Luego comienza la implementación.
Esto suena obvio.
Pero la mayoría de los equipos lo omiten.
El agente adivina las estructuras de archivos. Inventa puntos finales de API que no existen. Construye algo que no encaja en el código.
Contexto fundamentado antes de la ejecución → resultado masivamente mejor.
PARTE 3: LOS TRES CAMPAMENTOS (Tres equipos chocaron contra la misma pared y construyeron tres escaleras diferentes)
9. OpenAI: Primero el Entorno
El equipo de Codex de OpenAI tenía un problema absurdo.
1 millón de líneas de código de producción. Cero escritas a mano.
A esa escala, no puedes revisar cada línea de código.
Así que no lo hicieron.
En su lugar:
Diseñaron el entorno tan a fondo que los agentes producían resultados revisables desde el principio.
Su enfoque:
→ Flujos de dependencia estrictos (Tipos → Config → Repo → Servicio → Tiempo de ejecución → UI)
→ Archivos AGENT.md en todo el código
→ Agentes conectados directamente a los pipelines de CI/CD
La filosofía: Diseña el entorno. Luego suelta al agente.
La prueba: App Android de Sora. 4 ingenieros. 28 días. #1 en Play Store. 99.9% libre de fallos.
Codex manejaba el 70% de las solicitudes de extracción internas semanalmente.
10. Anthropic: Separa al Hacedor del Juez
Anthropic tenía un problema diferente.
Cuando le pedían al agente que evaluara su propio resultado:
Elogiaba el trabajo con confianza.
Incluso cuando, para un observador humano, la calidad era obviamente mediocre.
La autoevaluación no funciona.
El agente era tanto el estudiante como el profesor.
Y se estaba poniendo sobresalientes.
Su solución: Tres agentes especializados.
→ Planificador — convierte una indicación de 2 frases en una especificación completa del producto
→ Generador — implementa funcionalidades un sprint a la vez
→ Evaluador — usa automatización del navegador para probar la aplicación en ejecución como un usuario real
La idea: hacer que un evaluador independiente sea escéptico es mucho más fácil que hacer que un generador sea crítico de su propio trabajo.
Resultado: Agente solo (sin arnés): $9, 20 min → app rota. Arnés completo: $200, 6 horas → software funcional con UI pulida.
11. ThoughtWorks: El Marco 2×2
ThoughtWorks llegó desde un ángulo diferente.
No estaban construyendo un producto.
Estaban viendo a más de 50 equipos de ingeniería fallar en las mismas cosas.
Su idea: clasificar cada control del arnés a lo largo de dos ejes.
Eje 1: ¿Cuándo se ejecuta?
→ Feedforward = antes de que el agente actúe (guías)
→ Feedback = después de que el agente actúe (sensores)
Eje 2: ¿Cómo funciona?
→ Computacional = determinista, milisegundos (linters, verificadores de tipos, suites de pruebas)
→ Inferencial = usa un LLM, segundos (agente de revisión de código, análisis semántico)
El 2×2:
→ Feedforward Computacional: sistemas de tipos, linters, reglas arquitectónicas
→ Feedback Computacional: suites de pruebas, análisis de cobertura, pruebas de mutación
→ Feedforward Inferencial: documentos de especificación, descripciones de restricciones
→ Feedback Inferencial: revisores de código LLM, validadores de comportamiento
Ni el feedforward ni el feedback funcionan solos.
Necesitas ambos.
PARTE 4: LOS 5 PRINCIPIOS EN LOS QUE TODOS LOS CAMPAMENTOS COINCIDEN (Tres equipos nunca se coordinaron. Llegaron aquí de forma independiente.)
12. Principio 1: El Contexto Vence a las Instrucciones
OpenAI: "Da un mapa, no un manual de 1000 páginas."
Anthropic: listas de funcionalidades JSON y archivos de progreso para que los agentes siempre sepan dónde están.
Red Hat: Analiza el código real antes de generar cualquier tarea.
ThoughtWorks: "Feedforward."
Palabras diferentes. Mismo descubrimiento.
Mostrar al agente el estado actual del mundo consistentemente supera a decirle qué hacer de forma abstracta.
→ Fundamentado en rutas de archivo reales → código que encaja en el código base
→ Trabajando a partir de una descripción vaga → rutas de archivo alucinadas y APIs inventadas
La lección: Antes de que el agente escriba algo, asegúrate de que sepa exactamente dónde está.
13. Principio 2: La Planificación y la Ejecución Deben Estar Separadas
OpenAI: los humanos diseñan el entorno, los agentes ejecutan.
Anthropic: un agente Planificador dedicado se ejecuta antes de que el Generador toque cualquier código.
ThoughtWorks: punto de control de revisión humana obligatorio entre la planificación y la implementación.
Red Hat: Fase 1 (mapa de impacto) y Fase 2 (implementación) con una puerta estricta entre ellas.
Cada campamento descubrió esto de forma independiente:
Dejar que un agente planifique y ejecute en el mismo pase produce resultados poco fiables.
El paso de planificación no tiene que ser hecho por un humano.
Pero tiene que ser un paso separado, con su resultado revisado antes de que comience la implementación.
14. Principio 3: Los Bucles de Retroalimentación Son Innegociables
OpenAI: agentes conectados a sistemas de CI/CD y observabilidad.
Anthropic: agente Evaluador dedicado que usa automatización del navegador.
ThoughtWorks: formalizado como "sensores". Advirtió que los enfoques solo de feedforward nunca confirman si las guías realmente funcionan.
Tres enfoques para el mismo principio:
→ OpenAI usa pruebas automatizadas y CI
→ Anthropic usa otro LLM
→ ThoughtWorks dice que uses ambos, en capas
Discrepan sobre quién proporciona la retroalimentación.
No discrepan sobre si la necesitas.
Un arnés sin retroalimentación es solo un prompt con pasos extra.
15. Principio 4: Una Cosa a la Vez
OpenAI: divide los objetivos en bloques de construcción más pequeños, trabaja en profundidad primero.
Anthropic: impone una funcionalidad por sprint con un commit después de cada uno.
ThoughtWorks: ciclo de vida por fases (preintegración → postintegración → monitoreo continuo).
Los agentes que intentan hacer demasiado a la vez:
→ Se quedan sin contexto
→ Pierden coherencia
→ Silenciosamente omiten requisitos
La rutina de Anthropic:
Leer progreso → Elegir UNA funcionalidad → Implementar → Confirmar → Repetir
El incrementalismo forzado es universal en todos los arneses exitosos.
16. Principio 5: El Código ES la Documentación
OpenAI: incrusta archivos AGENT.md en el repositorio.
Anthropic: almacena listas de funcionalidades, archivos de progreso e historial de git como el mecanismo de continuidad del agente.
ThoughtWorks: mide la "arnesabilidad" — cuán legible es el código para los agentes.
Nadie mantiene una base de conocimiento separada para el agente.
El repositorio es la única fuente de verdad.
Si una convención, restricción o decisión arquitectónica no está en el código, el agente no lo sabrá.
Implicación práctica:
→ Los equipos que invierten en organización del código obtienen un mejor rendimiento del agente gratis.
→ Repositorios desordenados + agentes de IA = caos, pero a escala.
PARTE 5: LA PARADOJA — CONSTRUIR PARA ELIMINAR (La verdad más contraintuitiva en la ingeniería de arneses)
17. La Degradación del Arnés es Real
Cuando Anthropic actualizó de Opus 4.5 a Opus 4.6:
La descomposición de sprints, que había sido esencial, se volvió peso muerto.
La mejora en la planificación del modelo la hizo redundante.
Un componente del arnés que era crucial en marzo era sobrecarga en abril.
Luego llegó Opus 4.7.
El modelo comenzó a verificar sus propios resultados.
La descripción del trabajo del agente Evaluador comenzó a reducirse.
Esto es degradación del arnés.
Cada componente en un arnés codifica una suposición sobre lo que el modelo no puede hacer.
A medida que los modelos mejoran, esas suposiciones caducan y el componente se vuelve sobrecarga.
Opus 4.5: descomposición de sprints + evaluación por sprint
Opus 4.6: sin descomposición de sprints + evaluación de un solo pase (ahorra 38% de costo)
Opus 4.7: el modelo comienza a autoverificarse → el rol del evaluador se reduce aún más
18. Construir para Eliminar
El consejo de Philipp Schmid:
"Construye para eliminar."
Diseña cada componente del arnés para que sea removible.
Prueba cada componente periódicamente apagándolo y midiendo si la calidad del resultado cambia.
Si no cambia: elimínalo.
Manus reestructuró su arnés 5 veces en 6 meses. LangChain lo reestructuró 3 veces en 1 año. Vercel eliminó el 80% de las herramientas → obtuvo mejor rendimiento.
Estas no son señales de mala ingeniería.
Son la consecuencia natural de construir sobre modelos que mejoran rápidamente.
Cargar componentes de arnés muertos cuesta tokens en cada ejecución. Cero calidad extra. Puro desperdicio.
19. La Realidad de los Costos
Las cifras honestas de la prueba A/B de Anthropic:
→ Agente solo (sin arnés): $9, 20 minutos → UI funcional, funcionalidad principal rota
→ Arnés completo (Opus 4.5): $200, 6 horas → software funcional, UI pulida, física correcta
Eso es un aumento de costo de 22x.
Por un producto funcional versus un demo que solo se ve bien en capturas de pantalla.
Si eso es caro o barato depende completamente de lo que le cueste a tu equipo un lanzamiento defectuoso.
Pero esto es lo que nadie menciona:
La combinación arnés + modelo evoluciona.
El arnés de $200 se convirtió en $124 con una actualización de modelo.
La línea de tendencia:
→ Mejor modelo = arnés más simple = ejecución más barata = resultado más rápido
Los ingenieros que ganan en 2026 no están escribiendo el mejor código.
Están diseñando las mejores restricciones.
Y luego están dispuestos a tirar esas restricciones en el momento en que dejen de ser rentables.
CIERRE
Todo lo que acabas de aprender:
Qué es un arnés:
→ 1. Agente = Modelo + Arnés
→ 2. Modelo = CPU. Arnés = Sistema Operativo.
→ 3. Mismo modelo, mejor arnés = +13% de rendimiento
Los 5 artefactos del arnés:
→ 4. CLAUDE.md / AGENT.md — documentos de incorporación para agentes
→ 5. Listas de funcionalidades JSON — rastreador de progreso + suite de pruebas en uno
→ 6. Rutinas de inicialización de sesión — el mismo arranque de 7 pasos cada vez
→ 7. Contratos de sprint — agentes negocian antes de codificar
→ 8. Plantillas de tareas estructuradas — rutas de archivo reales, patrones reales
Los tres campamentos:
→ 9. OpenAI: diseña el entorno, suelta al agente
→ 10. Anthropic: separa al hacedor del juez
→ 11. ThoughtWorks: marco 2×2 de feedforward/feedback
Los 5 principios universales:
→ 12. El contexto vence a las instrucciones
→ 13. La planificación y la ejecución deben estar separadas
→ 14. Los bucles de retroalimentación son innegociables
→ 15. Una cosa a la vez
→ 16. El código es la documentación
La paradoja:
→ 17. Degradación del arnés — lo que funcionó el mes pasado perjudica este mes
→ 18. Construir para eliminar — prueba y elimina componentes muertos
→ 19. La realidad de los costos — mejor modelo = arnés más simple = ejecución más barata
Los ingenieros que ganan en 2026 no están escribiendo el mejor código.
Están diseñando las mejores restricciones.
Y están dispuestos a tirar esas restricciones en el momento en que dejen de ser rentables.
Si esto fue útil:
→ Comparte para llegar a más constructores en tu red
→ Sigue a @sairahul1 para más contenido como este cada semana
→ Marca esto como favorito — lo consultarás cuando tus agentes empiecen a comportarse mal
Escribo sobre IA, construcción de productos y lo que realmente funciona en 2026.
