A evolução do agent harness: por que agentes de IA finalmente começaram a funcionar

Por volta do Natal de 2025, engenheiros de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → notaram algo estranho: os agentes começaram a funcionar de verdade. É desse ponto de partida que Dan McAteer sai em ensaio publicado no Latent Space, com uma tese que interessa a qualquer dev que esteja tentando colocar agentes em produção: o salto de capacidade não veio só dos pesos do modelo, veio da coevolução entre o modelo e aquilo que o cerca, o agent harness.

Lukasz Kaiser, um dos inventores do Transformer, resume o incômodo em entrevista citada no texto: "a mudança do inverno passado, do último Natal, é meio difícil de cravar (...) pareceu um grande salto, mas não é fácil apontar o que causou". A resposta de McAteer é que a mudança aconteceu no espaço entre o modelo e o harness trabalhando juntos, um lugar que nenhum model card documenta.

O que é um harness, afinal

Harness é tudo que faz o agente funcionar além dos pesos do modelo: o ambiente, as ferramentas, o contexto e as guardrails que envolvem o modelo. Sem isso, o modelo é um "cérebro num pote", capaz de tomar uma decisão mas incapaz de atuar no espaço digital real.

A analogia que o autor usa é a de dar um corpo à mente do modelo. Com o harness, o modelo consegue perceber (contexto), agir (ferramentas), persistir informação (memória e compactação) e impor limites (permissões e guardrails). Para quem constrói RAG, sistemas com MCP ou agentes de código, isso não é abstração filosófica: é literalmente a camada que você escreve à mão hoje.

Harness 1.0: a era do improviso

McAteer organiza a evolução como duas curvas correndo em paralelo: o que o harness pede do modelo e o que o modelo entrega na prática. A distância entre as duas é a efetividade do agente, e fechar essa distância é o que explica o salto.

A linha do tempo é reveladora:

• ReAct↳React37 conteúdos7 erros com React moderno que só aparecem em produção; e como evitarDev (Back & Front) · abr 2026React Native 0.76: o futuro do desenvolvimento mobileDev (Back & Front) · out 2024Simplificando componentes com React HooksDev (Back & Front) · mar 2019Ver tudo em Dev (Back & Front) → (out/2022): o loop agêntico no papel, raciocina -> age -> observa -> repete, existindo só como técnica de prompting. Ninguém chamava aquilo de harness. Curiosamente, precede o ChatGPT em um mês.
• Toolformer (Meta, fev/2023): a ideia de que o uso de ferramentas poderia ser treinado no modelo em vez de promptado. Uma semente que só germina anos depois.
• AutoGPT/BabyAGI (2023): a curva do harness dispara na frente da do modelo. Deram autonomia total a modelos que ainda eram "previsores de próximo token frágeis". Aqui está o ponto mais didático do ensaio: um loop não adiciona capacidade, ele amplifica a capacidade existente, inclusive os erros. A conta é implacável: 95% de confiabilidade por passo em uma tarefa de 20 passos dá cerca de 36% de sucesso. O harness entregou uma missão impossível.
• Cursor/Copilot (2023-2024): o recuo inteligente. Em vez de dar o loop ao modelo, dá-se o loop ao humano, com o modelo acelerando quem está no comando. A primeira versão do Devin tentou devolver a autonomia ao modelo cedo demais, e um teste da Answer.AI mostrou ~15% de sucesso. Prova de que o "human in the loop" não era covardia, era a jogada correta para o momento.
• Claude Code (fev/2025): o cruzamento das curvas. Com o o1 e os primeiros modelos de raciocínio, pela primeira vez o modelo ficou à frente do harness. O Claude Code abandonou a IDE pelo terminal, deu ao modelo acesso a bash e leitura/escrita de arquivos, e trocou a aprovação humana a cada mudança por regras de permissão. Segundo McAteer, o time de Boris Cherny construiu pensando na capacidade do próximo modelo, não do atual. Resultado: cerca de US$ 1 bilhão de ARR em seis meses.

A lição para o dev brasileiro aqui é de timing, não de tecnologia. A mesma arquitetura que fracassou em 2023 virou negócio bilionário em 2025 porque o modelo por baixo finalmente aguentava a autonomia.

Harness 2.0: a era do cotreinamento

A parte mais concreta do ensaio é a que traz números. O harness importa, e dá para medir: o Harness-Bench rodou o mesmo modelo nas mesmas 106 tarefas em harnesses diferentes, e as notas variaram de 52,4 a 76,2, um intervalo de 23,8 pontos sem tocar no modelo. Metade do agente é o harness.

A OpenAI mostrou efeito parecido no ARC-AGI-3: só adicionando raciocínio retido e compactação, o score do GPT-5.6 Sol triplicou, de 13,3% para 38,3%.

O que mudou por baixo é que o reinforcement learning entrou dentro do harness. Como diz o anúncio do codex-1 da OpenAI (mai/2025), o modelo foi "treinado usando RL em tarefas reais de código em uma variedade de ambientes". A semente do Toolformer, enfim, brotou: o tool calling passou a ser treinado a partir de dentro do ambiente do modelo, não promptado de fora.

O efeito colateral é elegante. Ao treinar o modelo no ambiente do harness, ele começa a absorver as capacidades do harness nos próprios pesos, aprendendo a fazer auto-compactação com consciência da própria janela de contexto, por exemplo. O GPT-5.1-Codex-Max foi anunciado como "o primeiro modelo nativamente treinado para operar em múltiplas janelas de contexto via compactação".

Quando o modelo absorve, o harness pode jogar fora o andaime. McAteer cita Thariq Shihipar, da Anthropic, dizendo que o time recentemente deletou 80% do system prompt do Claude Code. A métrica de progresso vira contraintuitiva: quanto mais do harness você consegue apagar mantendo a mesma capacidade, mais o sistema evoluiu. O loop é treina -> absorve -> descarta -> repete.

Harness 3.0: quando o gargalo vira a atenção humana

Se toda capacidade do harness acaba absorvida pelo modelo, o que sobra? A resposta de McAteer é a parte especulativa, mas vale a provocação. O que resta são as capacidades centradas no humano: permissões, identidade, confiança e legibilidade. Um modelo que absorve as permissões em si mesmo dissolveu as permissões. A absorção não acaba com o harness, ela o inverte.

O harness nasceu como interface do humano para o modelo (chatbox, depois IDE, depois terminal). Quando o modelo engole as capacidades voltadas para a máquina, o harness sobe uma camada de abstração e passa a ser a interface do modelo para a atenção humana. Como resume Ryan Lopopolo em outro episódio do Latent Space citado no texto: "a única coisa fundamentalmente escassa é a atenção síncrona da minha equipe". Tokens ficaram abundantes e confiáveis; o gargalo migrou para a atenção humana.

A aposta prática de McAteer: em até um ano, toda empresa que constrói IA agêntica vai enviar uma "superfície de política de atenção humana", assim como todas passaram a enviar um AGENTS.md. Se o AGENTS.md diz ao agente como trabalhar com seu código, essa nova camada diria como trabalhar com você: quando pode interromper, quando deve seguir sozinho, quais decisões toma sem pedir e quais precisam de aprovação. E, como tudo no sistema agêntico, seria um componente aprendível: cada correção vira dado.

O que fica em aberto

O ensaio é forte no diagnóstico histórico e generoso nos números do presente, mas a parte 3.0 é predição, não observação. Vale ler com o mesmo ceticismo que o próprio texto recomenda: as curvas descritas são um modelo mental útil, não uma medição.

Para quem constrói no Brasil, a leitura prática é direta. Se metade do resultado de um agente vem do harness, investir em contexto, compactação e regras de permissão rende tanto quanto trocar de modelo, e custa menos. E a tendência de "produção por redução" sugere não superengenheirar o andaime hoje, porque boa parte dele vai ser absorvida pelo próximo modelo. Construir a camada de orquestração da atenção humana, quando decidir e quando pedir, pode ser o investimento que sobrevive às próximas gerações de pesos.

Fonte: Latent Space