Explicación
Qué es un agent harness y por qué el soporte por WhatsApp necesita uno
La mayor parte de la IA en la mensajería con clientes es una pregunta, una respuesta. Un agent harness convierte un modelo de lenguaje en algo capaz de trabajar un caso: planificar, usar herramientas, comprobar su trabajo y recordar. Esto es lo que significa, qué harnesses existen hoy y cómo ejecutar uno en MonoChat ahora mismo.
O empiece con 150 $ de crédito, suficiente para un primer mes de Growth
Publicado:
Durante el último año, la conversación sobre la IA se ha desplazado discretamente de los modelos a lo que los rodea. Un mismo modelo puede ser un chatbot que responde a un mensaje, o un agente que resuelve un problema de entrega en tres sistemas y dos días. La diferencia no es el modelo. Es el harness.
Este artículo explica la idea en términos sencillos, compara los harnesses que puede usar hoy y muestra cómo MonoChat permite ahora a las empresas ejecutar uno en WhatsApp, Instagram, chat web y todos los demás canales de su bandeja de entrada.
¿Qué es un agent harness?
Un agent harness es la capa de software que envuelve a un modelo de lenguaje de gran tamaño y le permite actuar, no solo responder. El modelo razona y decide qué hacer a continuación. El harness ejecuta esa decisión, devuelve el resultado al modelo y repite hasta terminar el trabajo. Dicho en breve: agente = modelo + harness.
El término se popularizó cuando los equipos comprobaron que agentes de programación como Claude Code y Codex debían buena parte de su fiabilidad a esta capa que los rodea y no solo al modelo. Anthropic, OpenAI, Google y Microsoft ofrecen hoy sus harnesses como productos sobre los que los desarrolladores pueden construir.
De qué se compone un harness
- El bucle: Razonar, actuar, observar, repetir. El harness continúa hasta terminar la tarea o hasta que necesita a una persona.
- Herramientas: Funciones a las que el modelo puede llamar: consultar un pedido, buscar una reserva, emitir un reembolso, buscar en una base de conocimiento. A menudo conectadas mediante MCP.
- Memoria y estado: Lo ocurrido antes en este caso, lo que prefiere el cliente y lo que ya se ha intentado, conservado entre mensajes y sesiones.
- Gestión del contexto: Decidir qué ve el modelo en cada paso y resumir (compactar) los historiales largos para que las partes importantes sigan a la vista.
- Salvaguardas y aprobaciones: Permisos, políticas y puntos de control humanos para las acciones que cuestan dinero o no se pueden deshacer.
- Sandbox y archivos: Un espacio de trabajo aislado donde el agente puede ejecutar código, preparar un documento o calcular un presupuesto sin tocar los sistemas en producción.
- Trazabilidad y evaluación: Un registro de cada paso y de cada llamada a herramientas, para que los equipos vean por qué el agente hizo lo que hizo y lo midan a lo largo de muchas ejecuciones.
Inferencia frente a harness: ¿cuál es la diferencia?
La inferencia es una única llamada a un modelo: usted envía un prompt, el modelo devuelve texto y el intercambio termina. Es rápida, barata y predecible, y es exactamente lo adecuado para muchas tareas, como clasificar un mensaje, redactar una respuesta o resumir una conversación.
Un harness ejecuta muchas llamadas de inferencia en bucle y añade todo lo que las rodea: herramientas, memoria, comprobaciones y límites. Es más lento y consume más tokens por tarea, pero puede terminar trabajos que requieren varios pasos, datos externos o una decisión por el camino.
| Inferencia de IA | Agent harness | |
|---|---|---|
| Qué es | Una solicitud a un modelo, una respuesta | Un bucle alrededor del modelo que planifica, actúa y comprueba |
| Pasos por tarea | Uno | Tantos como necesite la tarea, dentro de los límites que usted fije |
| Herramientas y sistemas | Opcional, normalmente una sola llamada a una función | Muchas herramientas, llamadas y encadenadas según lo requiera el caso |
| Memoria | Solo lo que está en el prompt | Historial del caso y estado conservados entre pasos y sesiones |
| Cuando algo falla | Devuelve lo que haya producido | Detecta el error, reintenta o consulta a una persona |
| Ideal para | Clasificar, redactar, resumir, respuestas únicas | Resolver casos, solicitudes de varios pasos, seguimientos a lo largo de días |
| Costo y velocidad | Costo mínimo, casi instantáneo | Mayor consumo de tokens, de segundos a minutos por tarea |
En la práctica, los buenos equipos usan ambos: inferencia para pasos rápidos y bien definidos, y un harness cuando el trabajo requiere realmente varios pasos.
Qué cambia un harness en el soporte al cliente por WhatsApp
La mensajería con clientes es donde más se nota la diferencia entre responder y resolver. Un cliente escribe «mi pedido no ha llegado» y espera que se lo solucionen, no que se lo expliquen.
Los casos se resuelven, no solo se responden
El agente puede consultar el pedido, comprobar con el transportista, ver que el paquete está retenido, abrir una reclamación y ofrecer un reemplazo en la misma conversación.
Comprueba antes de prometer
El stock, los precios, los huecos de citas y las políticas se verifican en sus sistemas en el momento de responder, en lugar de suponerlos a partir de los datos de entrenamiento.
Recuerda el caso
Si el cliente vuelve mañana, el agente sabe qué se intentó y qué se prometió, incluso después de que se haya cerrado la ventana de 24 horas de WhatsApp.
Hace seguimiento a lo largo del tiempo
Las tareas de larga duración, como esperar a que se acredite un reembolso o a que llegue una pieza, pueden continuar y escribir al cliente cuando algo cambie, usando plantillas aprobadas donde WhatsApp lo exige.
Las personas mantienen el control
Los reembolsos por encima de un límite, las cancelaciones o cualquier asunto delicado esperan la aprobación de un miembro del equipo, y el traspaso a una persona conserva todo el historial.
Cada paso es visible
Las llamadas a herramientas y las decisiones quedan registradas, de modo que los supervisores pueden revisar por qué actuó el agente y mejorar las instrucciones.
Un ejemplo: una devolución por WhatsApp
- El cliente envía una foto de un artículo dañado y solicita una devolución.
- El agente encuentra el pedido, comprueba que está dentro del plazo de devolución y analiza la foto.
- Crea la devolución en su sistema de comercio electrónico y programa la recogida por un mensajero para el día siguiente.
- El reembolso supera el límite automático, así que pide a un miembro del equipo que lo apruebe dentro de la bandeja de entrada.
- Tras la aprobación, se lo confirma al cliente y, dos días después, cuando el mensajero escanea el paquete, envía la confirmación del reembolso.
Solo con inferencia, esto es un chatbot que explica la política de devoluciones. Con un harness, es la devolución.
Los agent harnesses que puede usar hoy
Varias empresas y proyectos de código abierto ofrecen ya un harness sobre el que puede construir. Se diferencian en quién los aloja, qué modelos ejecutan y cuánto incluyen de serie.
| Harness | De | Alojamiento y licencia | Modelos | Aspectos destacados |
|---|---|---|---|---|
| Claude Agent SDK | Anthropic | Biblioteca (Python, TypeScript) | Claude | El harness que hay detrás de Claude Code: herramientas, MCP, subagentes, skills, compactación de contexto, permisos |
| Claude Managed Agents | Anthropic | API alojada (beta pública desde abril de 2026) | Claude | Anthropic ejecuta el bucle: ejecución en sandbox, sesiones de larga duración, trabajo multiagente, trazabilidad |
| OpenAI Agents SDK | OpenAI | Código abierto, MIT (primero Python) | Modelos de OpenAI, otros mediante adaptadores | Sandboxes de varios proveedores, memoria, MCP, skills, AGENTS.md, ejecuciones reanudables |
| Codex | OpenAI | CLI de código abierto (Apache 2.0) más nube | Modelos de OpenAI | Harness de agente de programación con un SDK para ejecutarlo desde sus propios servicios |
| Agent Development Kit (ADK) | Código abierto, Apache 2.0 (Python, Java, Go, TypeScript) | Gemini por defecto, independiente del modelo | Árboles multiagente, MCP, protocolo Agent2Agent (A2A), evaluación integrada | |
| Agent Framework | Microsoft | Código abierto, MIT (Python, .NET) | Azure OpenAI, OpenAI, Anthropic y otros | Harness estable desde julio de 2026: bucle de herramientas, historial, compactación, skills, aprobaciones, OpenTelemetry |
| Deep Agents | LangChain | Código abierto, MIT | Independiente del modelo | Planificación, subagentes, sistema de archivos e ingeniería de contexto sobre LangGraph |
| Pi | Earendil Works | Código abierto, MIT | Cualquier proveedor, traiga su propia clave | Núcleo deliberadamente mínimo (leer, escribir, editar, shell) ampliado con skills que se pueden compartir |
| Mastra | Mastra | Código abierto (TypeScript) | Independiente del modelo | Agentes con hilos persistentes, aprobaciones de herramientas y un estudio local |
| OpenCode | OpenCode | Código abierto, MIT | Independiente del modelo | Planifique y cree agentes, SDK, terminal y escritorio |
Los detalles cambian rápido; consulte la documentación de cada proyecto para conocer su estado actual. Los nombres de producto y los logotipos pertenecen a sus propietarios.
Harnesses comparados en este artículo
¿Y el Business Agent de la propia Meta?
En 2026 Meta lanzó Meta Business Agent, su propio agente de IA para WhatsApp, Instagram y Messenger. Es, en la práctica, un harness que Meta crea y ejecuta: responde a partir de su contenido, llama a los sistemas conectados y traspasa a su equipo.
Es una buena opción para muchas pequeñas empresas. Pero es también un sistema cerrado: no se puede elegir el modelo, los datos de las conversaciones permanecen dentro de Meta, se excluyen algunos sectores como el financiero y el sanitario y, desde agosto de 2026, se factura por token, aproximadamente entre 4 y 5 céntimos de dólar por mensaje según la propia estimación de Meta.
Comparación de los enfoques
| Agente de IA integrado de una plataforma de mensajería | Meta Business Agent | Agent Harness en MonoChat | |
|---|---|---|---|
| Elegir el modelo | Normalmente fijo o una lista corta | No | Sí, cualquier modelo que conecte |
| Traer su propio harness | No | No | Sí: Claude Agent SDK, OpenAI Agents SDK, Pi, agentes alojados de Claude y OpenAI, o el suyo propio (ADK, LangGraph y otros mediante un endpoint personalizado) |
| Opción alojada, sin código | Sí | Sí | Sí |
| Sus propias herramientas y API | Integraciones limitadas | Conectores | Herramientas de función de IA, MCP, base de conocimiento y funciones personalizadas |
| Dentro de sus flujos y apps | Editor de bots independiente | Separado de sus flujos | Un nodo AI Agent en los flujos y una API de ejecución de agentes, junto a la inferencia de IA |
| Traspaso a su equipo | Sí | Sí, con control del hilo | Bandeja de entrada del equipo con historial completo y aprobaciones |
| Dónde residen los datos | Plataforma del proveedor | Meta | MonoChat más los proveedores que usted elija |
Basado en información pública de los productos en octubre de 2026. La mayoría de las plataformas de mensajería que revisamos ofrecen un agente de IA integrado; no encontramos ninguna que permita a una empresa ejecutar un harness alojado o conectar su propio harness dentro de la misma bandeja de entrada y de los mismos flujos.
Agent harnesses en MonoChat, ya disponibles
MonoChat ya le permite elegir su modelo de lenguaje y su base de datos vectorial: use los que ofrecemos o conecte los suyos. Los harnesses ahora funcionan igual.
Junto a la inferencia de IA que usa hoy, MonoChat cuenta ahora con el AI Harness: una definición de servicio que usted añade una vez y usa desde el nodo AI Agent de cualquier flujo o desde la API de ejecución de agentes. Añada el nodo a un flujo y la conversación pasa a un agente que puede planificar, usar sus herramientas y traspasar a su equipo.
- Use el harness integrado de MonoChat, sin código, con los modelos de IA que ya tiene en MonoChat
- O elija Claude Agent SDK, OpenAI Agents SDK o Pi, que MonoChat ejecuta con sus modelos de IA sin nada adicional que configurar
- Use un agente alojado, OpenAI Agents API o Claude Managed Agents, con su propia clave de OpenAI o Anthropic
- O conecte su propio harness, creado con Google ADK, Microsoft Agent Framework, Deep Agents, LangGraph, CrewAI o su propio código, con una URL de endpoint y un secreto compartido
- Dele sus herramientas: herramientas de función de IA, servidores MCP, la base de conocimiento y funciones personalizadas
- Ejecútelo en flujos en WhatsApp, Instagram, Messenger, Telegram, TikTok, chat web, SMS y voz
- Elija un modelo principal, uno de respaldo y uno rápido, defina un presupuesto por ejecución y traspase a su equipo en la bandeja de entrada del equipo con todo el historial
- Combínelo con la inferencia: pasos rápidos con una sola llamada y casos complejos con el harness
Cuándo usar inferencia y cuándo un harness
- Use inferencia para tareas de un solo paso: etiquetar, enrutar, traducir, redactar una respuesta, resumir un chat.
- Use un harness cuando la solicitud del cliente requiera varios pasos, datos de sus sistemas o una decisión por el camino.
- Empiece con poco: dé al harness dos o tres herramientas y una regla de aprobación, mida los resultados y amplíe después lo que puede hacer.
Ya disponible en MonoChat
Agent Harness ya está disponible en MonoChat. Cree una cuenta gratuita, conecte sus canales, añada un AI Harness e incorpore un nodo AI Agent a un flujo para poner a trabajar a su primer agente.
Ejecute un agent harness en WhatsApp
Fuentes y lecturas adicionales
- Databricks: What is an AI agent harness?
- Anthropic: Claude Agent SDK overview
- Anthropic: Claude Managed Agents overview
- OpenAI: The next evolution of the Agents SDK
- Google: Agent Development Kit
- Microsoft: Agent Framework documentation
- LangChain: Deep Agents
- WhatsApp Business: Introducing Meta Business Agent
- Meta: WhatsApp Business Platform pricing