27/08/2026
A mesma IA funciona numa empresa e decepciona na outra.
E o modelo costuma ser exatamente o mesmo.
Existe um nome para o que muda, e quase ninguém usa: harness.
Harness é tudo que f**a em volta do modelo. Quais ferramentas ele enxerga. Como cada uma é descrita para ele. O que ele vê depois de agir. E onde ele precisa parar.
Repare que nada disso é o modelo. É o posto de trabalho dele.
F**a concreto assim. Uma IA que responde cliente sem enxergar o histórico de pedidos vai errar. Não porque é burra. Porque ninguém deu a ela a ferramenta certa. Trocar de modelo não resolve isso, e nunca resolveu.
E é aí que a conta f**a cara. Cada ferramenta nova recomeça do zero: outro teste, outra curva de aprendizado, outra frustração da equipe. Enquanto isso, o problema original continua exatamente onde estava.
Um estudo publicado em 2026 mediu o outro caminho. Mantendo o modelo e a tarefa, e mexendo só no harness, a taxa de acerto foi de 61,2% para 68,2%. O custo médio caiu de 213,8 para 85,1. Mais acerto gastando menos, sem trocar nada do que costuma ser trocado.
Um cuidado com esse número: ele vem de ambiente de teste de agente, não de operação de empresa. A direção transfere. A magnitude, não.
Se você está decidindo qual IA contratar, provavelmente está fazendo a pergunta errada. A pergunta que resolve é mais chata e bem mais barata: o que ela precisa enxergar para acertar?
Sua IA tem acesso a isso hoje?
Fontes: Kim et al., The Interplay of Harness Design and Post-Training in LLM Agents (arXiv 2606.25447). Zhang et al., Scaling Laws for Agent Harnesses via Effective Feedback Compute (arXiv 2605.29682). Yang et al., SWE-agent (arXiv 2405.15793, NeurIPS 2024).
