Google: Deja de Obsesionarte con los Modelos de IA

La reciente MasterClass de 50 páginas de Google sobre codificación de IA ilumina un cambio crítico en el desarrollo de software. Postula que el modelo de IA en sí mismo representa solo alrededor del 10% de los resultados; el 90% restante reside en el "harness" —el contexto, las herramientas y la verificación construidos a su alrededor. Esta perspectiva subraya que la codificación de IA es un espectro, no un interruptor binario.

En un extremo se encuentra el Vibe Coding: prompting rápido y de bajo esfuerzo con planificación mínima, validado por una verificación rápida de "¿parece funcionar?". Este enfoque es excelente para pruebas de concepto o exploración inicial, permitiendo una iteración rápida. Sin embargo, su inherente falta de fiabilidad y verificación lo hacen inadecuado para software escalable de grado de producción debido a un riesgo significativo.

Avanzando en el espectro, la codificación Structured AI-Assisted implica prompts más detallados y verificaciones puntuales. El pináculo es la Agentic Engineering, que emplea un sistema diseñado de recursos, flujos de trabajo, especificaciones, evaluaciones automatizadas y compuertas de integración continua (CI). Esta metodología prioriza la repetibilidad y la fiabilidad, asegurando resultados robustos y verificables para sistemas complejos.

Esta aceleración en la implementación, de semanas a meros minutos u horas, redefine el Software Development Life Cycle (SDLC) impulsado por IA. Los principales cuellos de botella residen ahora en los extremos: la recopilación inicial de requisitos y la validación final. Si bien la IA acelera drásticamente la generación de código, la calidad de las especificaciones impulsada por humanos y la verificación rigurosa se convierten en las nuevas limitaciones críticas para la producción empresarial.

Centrarse en el propio Large Language Model (LLM) pierde de vista el panorama general. El reciente manual de 50 páginas de Google, destacado en la MasterClass de Cole Medin, revela una fórmula crítica para construir agentes de IA fiables: Agente = Modelo + Harness. El LLM elegido representa aproximadamente el 10% del rendimiento de un agente.

El noventa por ciento de la efectividad de un agente proviene de su harness. Esto no es abstracto; es la capa meticulosamente diseñada que construyes alrededor del modelo. Define: - Contexto: Información y restricciones relevantes. - Herramientas: Funciones externas que el agente puede llamar. - Guardrails: Mecanismos de seguridad y límites de comportamiento. - Flujos de trabajo de verificación: Pruebas y evaluaciones automatizadas que permiten la autocorrección.

Este concepto representa una convergencia a nivel industrial en las mejores prácticas de Agentic Engineering. Empresas como Anthropic articulan arquitecturas similares, enfatizando el sistema circundante sobre el modelo fundacional. El harness es la capa que una organización realmente controla e itera.

El rendimiento del agente depende fundamentalmente del harness. Obsesionarse con mejoras marginales del LLM mientras se descuida la ingeniería de contexto robusta, la integración de herramientas y la verificación rigurosa es una dirección equivocada. El harness es donde se forjan la fiabilidad real y los resultados repetibles.

El rol del desarrollador está cambiando fundamentalmente, pasando de ser un conductor manual de código a un orquestador de sistemas inteligentes y autónomos. Esto no se trata de escribir cada línea de lógica de aplicación; se trata de diseñar toda la "fábrica" impulsada por IA que genera, prueba y refina código de forma independiente. Ya no estás simplemente codificando; estás construyendo el entorno y la lógica operativa para los agentes de IA.

La tarea principal de un orquestador es diseñar el propio harness, creando el andamiaje robusto alrededor del LLM que representa el 90% del rendimiento de un agente. Esto implica definir meticulosamente especificaciones formales, implementar pruebas automatizadas exhaustivas y establecer rigurosas puertas de integración continua (CI). Estas barreras programáticas permiten al agente autocorregirse rigurosamente, validar su propia salida y aprender de sus errores sin la constante intervención humana.

Este profundo cambio impacta drásticamente el Software Development Life Cycle (SDLC). Un sistema bien orquestado permite al agente de IA iterar de forma independiente, acelerando la generación y el refinamiento del código de semanas a meros minutos u horas. Este enfoque proactivo mitiga significativamente el tradicional cuello de botella de la validación humana, liberando a los ingenieros para que se centren en la definición de problemas de alto nivel y la arquitectura del sistema, en lugar de la depuración manual. Para obtener más información, consulte el whitepaper fundamental de Google, The New SDLC With Vibe Coding - Kaggle.

Construir un sistema de IA eficaz exige una reestructuración económica fundamental. Considere la inversión inicial en un harness robusto como un Capital Expenditure (CapEx). Esto abarca el tiempo de ingeniería para diseñar un contexto integral, integrar herramientas especializadas, definir guardrails e implementar una verificación automatizada rigurosa. Contraste esto con los costos continuos y variables del consumo de tokens en bruto, la depuración manual continua y la reelaboración iterativa, todo lo cual se incluye en Operational Expenditure (OpEx).

Un CapEx más alto en el harness reduce drásticamente el OpEx a largo plazo. Al diseñar un sistema agéntico fiable y repetible, las organizaciones reducen el gasto futuro en tokens, a menudo por un margen significativo a medida que los agentes iteran por sí mismos. Más importante aún, minimizan los sustanciales costos laborales asociados con la intervención humana continua, la resolución de problemas de prompts ad-hoc y la validación de resultados poco fiables. Esta inversión estratégica en un harness integral evita el ciclo interminable de "vibe coding" que escala mal y agota los recursos de ingeniería.

Para cualquier proyecto de software serio, la lógica económica resulta innegable. Las ideas de Google subrayan que la construcción de un proceso sistemático de ingeniería agéntica ofrece una rentabilidad y escalabilidad superiores en comparación con la dependencia de la incitación manual. Esto no es simplemente una preferencia técnica; es un imperativo estratégico para un desarrollo impulsado por IA sostenible y de alta calidad, asegurando que la inversión inicial genere rendimientos compuestos a lo largo del ciclo de vida del sistema.

¿Cuál es la diferencia entre vibe coding e ingeniería agéntica?

Vibe coding es el uso de prompts casuales con una planificación mínima, adecuado para código desechable o MVPs. La ingeniería agéntica es un enfoque sistemático que utiliza especificaciones diseñadas, herramientas y verificación automatizada para crear código fiable y listo para producción.

¿Qué es un 'harness' de IA?

El harness es todo el sistema que se construye alrededor de un modelo de IA. Incluye el contexto específico, las herramientas, los guardrails, los flujos de trabajo de verificación y la orquestación que guían al modelo para producir un resultado deseado.

¿Por qué Google dice que el modelo de IA es solo el 10% del sistema?

Si bien el modelo proporciona el razonamiento central, su rendimiento está abrumadoramente determinado por la calidad del 'harness' (el otro 90%). Un harness bien diseñado puede hacer que un buen modelo funcione excepcionalmente, mientras que un harness deficiente limitará incluso al mejor modelo.

¿Cómo cambia la ingeniería agéntica el rol de un desarrollador de software?

Cambia el rol del desarrollador de un 'director de orquesta' que escribe cada línea de código a un 'orquestador' que diseña, construye y mantiene el sistema automatizado (el harness) que empodera a un agente de IA para escribir el código.