Si tu empresa está evaluando IA, seguro pasaste por esta conversación: ¿cuál modelo usamos? ¿El caro o el barato? ¿Nos conviene cambiar al que salió la semana pasada? Es la pregunta que domina las reuniones de tecnología en 2026, y es la que más presupuesto mueve.

El viernes 21 de agosto, Nvidia publicó una investigación que sugiere que esa es, en buena medida, la pregunta equivocada.

El resultado central se cuenta en una línea: tomaron Claude Opus 5, lo pusieron a resolver el benchmark ARC-AGI-3 y sacó 30%. Después le construyeron alrededor un software distinto —sin cambiar el modelo, sin reentrenarlo, sin tocar un solo peso— y el mismo modelo sacó 100%.

Mismo modelo. Mismo cerebro. Treinta y cien.

El experimento: el mismo modelo, dos resultados incomparables

ARC-AGI-3 no es un examen de conocimientos ni un test de trivia. Es un conjunto de juegos 2D interactivos que se le presentan al modelo sin instrucciones: nadie le explica las reglas, ni el objetivo, ni los controles. El modelo tiene que descubrir cómo se juega y después ganar.

Es una prueba de razonamiento de horizonte largo, o sea, de la capacidad de sostener un plan durante muchísimos pasos, corregir el rumbo cuando algo no funciona y no perderse en el camino. Es exactamente el tipo de tarea donde los modelos de frontera se rompen. Claude Opus 5, uno de los modelos más capaces disponibles hoy, resolvió el 30% operando de la manera en que se lo suele operar.

Los investigadores de Nvidia construyeron entonces un harness propio: una plataforma que llamaron Agentic Variation Operators (AVO). Conviene aclararlo antes de que alguien salga a buscar el precio: AVO no es un producto comercial nuevo, es infraestructura de investigación. Con ese harness —mejor manejo de memoria y una pieza extra que vamos a ver en un minuto— el mismo Claude Opus 5 llegó a 100%. En ARC-AGI-3, llegar a 100% significa superar el desempeño humano en la prueba.

Lo repito porque es fácil pasarlo por alto: el modelo es idéntico. Lo que cambió es todo lo que lo rodea.

Entonces, ¿qué es exactamente un “harness”?

Harness se traduce literalmente como “arnés”: la estructura que se le pone a un animal o a una persona para poder dirigir su fuerza hacia algún lado. La metáfora es buena, porque el caballo no cambia. Lo que cambia es cuánto de esa fuerza termina sirviendo para algo.

Adel El Hallak, vicepresidente de producto en la unidad de IA de Nvidia, describió el malentendido de fondo: “generalmente hablando, el mundo interpreta a un agente casi como una API del modelo”. Y no. Según El Hallak, un agente “es el modelo. Es el andamiaje alrededor del modelo, que llamamos el harness, es decir, el conjunto de herramientas que utiliza. Es el runtime y las skills y librerías asociadas a las que le damos acceso” (traducción nuestra).

En criollo: el harness es todo el software que convierte a un modelo —que en el fondo solo predice texto— en un agente que hace cosas. Qué herramientas puede llamar. Cómo se le guarda, se le resume y se le recuerda el contexto. Qué puede leer y qué puede escribir. Cuándo se le corta un camino. Qué reglas lo gobiernan. Cómo se recupera cuando se equivoca.

Es, básicamente, ingeniería de software. Y hasta ahora se la trató como plomería invisible, la parte aburrida que va después de la decisión importante.

La pieza más interesante: un agente que hace de CEO

De todo lo que probó Nvidia, El Hallak señaló una cosa por encima del resto: “la parte más interesante fue introducir un agente supervisor además del agente principal que está haciendo el trabajo”.

Ese supervisor, explicó, “casi actúa como un CEO para empujar al agente cuando se va de dirección o empieza a explorar un camino que podría llevar a un callejón sin salida, o a re-explorar un camino que ya había recorrido”.

Cualquiera que haya puesto un agente a trabajar en algo real reconoce el cuadro al instante. El agente entra en loop. Reintenta lo mismo tres veces. Se convence de una hipótesis equivocada y sigue construyendo sobre ella. Se va por las ramas media hora y vuelve con algo que no era lo que pediste.

La solución de Nvidia a ese problema no fue un modelo más inteligente. Fue una segunda instancia mirando por encima del hombro. Arquitectura, no capacidad bruta.

No es solo precisión: también es plata

Acá está la parte que le va a interesar a cualquiera que firme facturas.

En julio, Databricks publicó una investigación que apunta en la misma dirección, pero midiendo costos en lugar de exactitud. Su CEO, Ali Ghodsi, lo resumió sin vueltas: “podés elegir el mismo modelo pero distintos harnesses, y terminás con un costo significativamente mayor si usás el harness equivocado”.

Y agregó algo que desarma la discusión típica de proveedores: “Entonces pensás: ah, este modelo es caro, este modelo es barato. Pero esperá, ¿qué harness estás usando? Eso solo puede duplicarte el costo” (traducciones nuestras).

O sea: la tabla comparativa de precios por millón de tokens que estás mirando para decidir puede estar midiendo la variable menos determinante. El mismo modelo, mal orquestado, te sale el doble. Y esa diferencia no aparece en ningún pricing page.

Y no es un hallazgo aislado

Esto viene acumulándose hace meses.

En abril, Microsoft publicó una investigación donde probó 19 modelos de lenguaje en tareas de horizonte largo que involucraban edición de documentos. El resultado fue incómodo: todos los modelos, incluidos los de frontera, terminaron llenando los documentos de errores.

En julio, OpenAI mostró que ajustando apenas dos configuraciones del harness logró triplicar los puntajes en ARC-AGI-3. Ningún modelo llegó a 100% en ese intento —eso recién lo alcanzó Nvidia con AVO—, pero el patrón ya estaba: mover las perillas de afuera del modelo produce saltos enormes.

Nvidia, por su parte, está empujando una tesis con nombre y apellido: harnesses abiertos. “Creemos, y lo estamos demostrando con el ecosistema, que los harnesses abiertos te permiten girar muchas más perillas para subir esa precisión”, dijo El Hallak. Y fue más lejos: “creemos que tener un stack de agentes abierto —donde tenés control sobre el harness, sobre la infraestructura, sobre el runtime— es lo que se necesita para hacer avanzar al ecosistema de forma segura”.

Vale decirlo con honestidad: Nvidia tiene un interés comercial evidente en que el mundo arme sus propios stacks abiertos sobre su hardware, en lugar de consumir agentes cerrados llave en mano. Eso no invalida el resultado —los números del benchmark son los números—, pero es contexto que corresponde tener en la cabeza al leer la conclusión.

Qué significa esto para un negocio en Bolivia o en la región

Acá es donde el titular deja de ser noticia de Silicon Valley y se vuelve decisión concreta.

Dejá de esperar el próximo modelo. La postura de “esperemos a la siguiente versión, ahí sí va a funcionar” es cómoda y cara. Si el mismo modelo triplica su desempeño según cómo lo envuelvas, el techo que estás golpeando probablemente no sea el del modelo.

Tu ventaja competitiva vive en el harness, no en la elección del modelo. Cualquier competidor puede copiarte el modelo que usás en diez minutos: está en un dropdown. Lo que no puede copiar es el conocimiento de tu rubro codificado en herramientas, reglas, validaciones y flujos de recuperación de errores. Cómo se factura en tu país, qué campos son obligatorios, qué le pasa al agente cuando el cliente escribe mal el NIT. Eso es el harness, y eso sí es defendible.

El harness es una palanca de costo, no solo de calidad. Para presupuestos de la región, donde la diferencia entre un piloto viable y uno inviable son unos cientos de dólares al mes, esto pesa más que en San Francisco. Antes de migrar a un modelo más barato y perder calidad, revisá cuánto contexto estás mandando de más en cada llamada.

Si tu piloto de IA fracasó, revisá el diagnóstico. La conclusión más común después de una prueba fallida es “la IA todavía no está”. La evidencia acumulada sugiere que en muchos casos el problema fue la orquestación: sin memoria, sin supervisión, sin herramientas bien definidas, sin manejo de errores.

Y si estás contratando o comprando, preguntá por el harness. Cuando un proveedor te vende “agentes de IA”, la pregunta útil ya no es qué modelo usa. Es: ¿cómo maneja la memoria? ¿qué pasa cuando el agente se equivoca? ¿hay supervisión? ¿puedo cambiar de modelo sin rehacer todo?

Lo que el estudio no dice

Para no exagerar: esto es un benchmark, y los benchmarks son juegos, no tu sistema de inventario ni tu cobranza. Nvidia construyó un harness a medida para esa tarea específica, con un equipo de investigación detrás. Nadie debería leer esto como “si armás bien tu orquestación, tu caso de uso pasa de 30% a 100%”.

Lo que sí queda demostrado, y con un margen difícil de discutir, es que el rango entre un modelo mal envuelto y el mismo modelo bien envuelto es gigantesco. Suficientemente gigantesco como para que la ingeniería alrededor del modelo deje de ser el detalle de implementación y pase a ser la decisión.

Durante tres años, la industria le puso todos los reflectores al modelo. La investigación de esta semana los mueve hacia el andamiaje. Es una noticia buena para cualquier equipo que sepa construir software: significa que la ventaja se gana con oficio, no con cheque.

Fuente: TechCrunch