Durante los últimos años hemos medido el avance de la inteligencia artificial mirando casi siempre al mismo sitio: el modelo. GPT frente a Claude, Gemini frente a Llama, más parámetros, más contexto, mejores benchmarks y una nueva versión cada pocos meses. Pero cada vez está más claro que esa comparación se está quedando corta.
Nvidia acaba de publicar nuevos resultados con sus sistemas de agentes que apuntan precisamente en esa dirección: el modelo puede ser solo una parte del rendimiento real de una IA. La memoria, las herramientas, la forma de organizar el contexto, los bucles de trabajo y las reglas que rodean al modelo pueden marcar una diferencia enorme. A todo ese conjunto se le suele llamar harness.
Un buen agente puede sacar mucho más del mismo modelo
El ejemplo más llamativo llega con AVO, la arquitectura de agentes desarrollada por Nvidia para tareas largas y complejas. La compañía utilizó Claude Opus 5 como modelo base y lo enfrentó al benchmark ARC-AGI-3.
El modelo por sí solo partía de aproximadamente un 30% de rendimiento. Integrado dentro del sistema AVO de Nvidia consiguió completar los 183 niveles públicos del benchmark y alcanzar un resultado del 100%. Nvidia explica los resultados y la arquitectura de AVO.
No estamos hablando de sustituir Claude Opus por un modelo tres generaciones más avanzado. El cerebro seguía siendo el mismo; lo que cambió fue todo lo que había alrededor. AVO añade memoria persistente, supervisión, herramientas, mecanismos para comprobar resultados y mantener el estado del trabajo durante procesos que pueden requerir muchos pasos. El modelo deja de limitarse a responder una pregunta y empieza a formar parte de un sistema capaz de trabajar, equivocarse, revisar lo ocurrido y volver a intentarlo.
El harness es lo que convierte un chatbot en un agente
Un modelo de lenguaje aislado recibe contexto, genera una respuesta y termina su trabajo. Un agente necesita hacer bastante más: decidir qué herramienta utilizar, recordar lo que ha ocurrido antes, consultar archivos, ejecutar acciones, interpretar resultados y saber cuándo ha terminado realmente una tarea. El harness es la capa que organiza todo eso.
Nvidia lleva tiempo investigando este terreno. Su proyecto NOOA, por ejemplo, permite mantener memoria estructurada, ejecutar acciones mediante código, gestionar estados persistentes y controlar cómo llega la información al modelo. La propia compañía asegura que solo cambiar el diseño del harness puede provocar diferencias de dos dígitos en benchmarks utilizando exactamente el mismo modelo. Nvidia detalla seis capacidades clave que mejoran el rendimiento de los agentes.
No es un detalle menor. Significa que dos aplicaciones utilizando la misma IA pueden comportarse de forma radicalmente diferente dependiendo de cómo estén construidas.
Tener el modelo más potente puede dejar de ser suficiente
Esto también explica algo que estamos empezando a ver en herramientas como Claude Code, Codex y otros agentes de desarrollo. Dos sistemas pueden utilizar modelos de capacidades similares y, sin embargo, uno ser mucho más útil porque entiende mejor el proyecto, sabe qué archivos consultar, conserva correctamente el contexto y tiene herramientas adecuadas para ejecutar lo que necesita.
Nvidia publicó esta misma semana otro experimento con más de 300 habilidades verificadas para agentes. Al proporcionarles conocimiento y herramientas específicas, la puntuación media de corrección pasó de 46 a 87 puntos, mientras que la efectividad pasó de 39 a 78. Los resultados aparecen en el análisis de SkillEvaluator de Nvidia.
El modelo no había aprendido repentinamente algo nuevo. Simplemente tenía una mejor forma de acceder al conocimiento que necesitaba y utilizarlo. Ahí está probablemente una de las claves de la siguiente etapa de la IA: no necesitamos que todo esté almacenado dentro del propio modelo.
Los modelos pequeños también pueden beneficiarse muchísimo
Esta idea resulta especialmente interesante cuando pensamos en inteligencia artificial local. La carrera actual empuja hacia modelos gigantes que requieren centros de datos, enormes cantidades de memoria y GPUs cada vez más caras, pero para muchas tareas cotidianas quizá no necesitemos que el modelo conozca absolutamente todo.
Un modelo más pequeño puede tener acceso a tus documentos, herramientas de búsqueda, calendario, correo, aplicaciones o bases de datos y utilizarlas cuando las necesita. No va a convertirse mágicamente en un modelo de frontera, y habrá tareas complejas donde la capacidad pura siga siendo fundamental. Pero para escribir documentos, organizar información, buscar datos, automatizar tareas administrativas o trabajar con archivos, una buena arquitectura alrededor de un modelo razonablemente capaz puede importar más que subir unos cuantos puntos en un benchmark.
Esto encaja con algo que ya hemos contado en Hefestec sobre qué hardware necesitas realmente para usar IA en local y también con la dirección que está tomando Windows con agentes y modelos ejecutándose cada vez más cerca del usuario.
Si puedes conseguir resultados útiles con modelos más pequeños, necesitas menos memoria, menos potencia y menos dinero para ejecutarlos. La posibilidad de tener asistentes locales realmente útiles en un portátil o un pequeño ordenador dedicado empieza entonces a ser bastante más realista.
La memoria importa, pero tampoco vale guardar todo
Construir un buen agente tampoco consiste simplemente en darle memoria infinita. Una investigación reciente sobre distintos sistemas de memoria para agentes muestra que recuperar demasiada información también puede perjudicar el rendimiento: para algunas tareas funciona mejor disponer de mucho contexto, mientras que en procesos largos de toma de decisiones introducir demasiados recuerdos puede distraer al modelo de lo que necesita hacer en ese momento. El estudio analiza cómo distintas estrategias de memoria afectan al rendimiento de los agentes.
El reto no es solo recordar, sino recordar lo adecuado en el momento adecuado. Por eso el diseño de estos sistemas se está convirtiendo en una disciplina propia: hay que decidir qué información guardar, cuándo recuperarla, qué herramientas mostrar al modelo y qué partes del contexto deben permanecer fuera hasta que sean necesarias.
Esto no significa que los modelos dejen de importar
Sería fácil llevar la idea demasiado lejos. Un harness espectacular no va a convertir un modelo mediocre en el mejor modelo del mundo. La capacidad de razonamiento, comprensión y generación del modelo sigue poniendo el techo máximo del sistema.
Lo que estos resultados demuestran es otra cosa: estábamos prestando demasiada atención al techo y no suficiente al edificio que había debajo. Durante años, cada nueva generación de IA se ha presentado prácticamente como una carrera entre modelos. Ahora empieza otra competición paralela: quién construye el mejor sistema alrededor de ellos.
Probablemente sea ahí donde aparezcan algunas de las diferencias más importantes para los usuarios. Dentro de poco puede que deje de ser tan importante preguntar qué modelo utiliza una aplicación. La pregunta realmente interesante será qué sabe hacer con él.
