La evolución de Copilot Studio muestra que el valor de un agente no depende únicamente del modelo que utiliza, sino del entorno que organiza su contexto, sus herramientas, su autonomía y su gobierno.
Hasta ahora, crear agentes en Copilot Studio implicaba trabajar principalmente con temas, disparadores y flujos preestablecidos. La lógica del recorrido debía definirse de antemano: qué debía responder el agente, qué información debía solicitar y qué acción debía ejecutar frente a cada escenario.
La nueva experiencia de desarrollo propone un enfoque diferente. En lugar de describir cada paso del proceso, el creador define el objetivo del agente, el conocimiento que puede utilizar, las herramientas a las que tiene acceso, sus límites y los criterios que deben orientar sus decisiones.
Esto cambia la naturaleza misma del desarrollo. El desafío deja de ser únicamente programar cómo debe responder un sistema y pasa a ser diseñar bajo qué condiciones puede actuar con autonomía.
La evolución de Copilot Studio muestra que el valor de un agente no depende únicamente del modelo que utiliza, sino del entorno que organiza su contexto, sus herramientas, su autonomía y su gobierno. Por eso, la arquitectura de agentes de IA empieza a importar tanto como el modelo.
De flujos preestablecidos a capacidades combinables
La nueva experiencia reúne en una misma superficie los componentes que la arquitectura de agentes de IA necesita para operar: instrucciones en lenguaje natural, fuentes de conocimiento, memoria, herramientas, skills reutilizables y agentes especializados a los que puede delegar tareas. También integra un ciclo de vida más completo para construir, probar, evaluar y monitorear.
No se trata de reemplazar las capacidades que Copilot Studio ya ofrecía para conectarse con datos y sistemas. La evolución está en hacerlas más fáciles de combinar dentro de una experiencia más versátil y orientada a la autonomía. El agente puede interpretar mejor el contexto disponible, combinar conocimiento y herramientas, utilizar archivos, coordinar capacidades especializadas y ajustar su recorrido según lo requiera la tarea.
El resultado es un agente que no parte de una secuencia rígida para cada interacción. Parte de un objetivo y de un conjunto de capacidades disponibles, y decide cómo utilizarlas dentro de los límites definidos.
Esta lógica también acerca a Copilot Studio a Microsoft Foundry. No porque ambas plataformas tengan el mismo propósito ni ofrezcan el mismo nivel de control, sino porque comparten una forma de entender a los agentes: como sistemas compuestos por un modelo, instrucciones, contexto, herramientas y mecanismos de operación.
Pero esta evolución abre una pregunta importante: ¿qué es lo que permite que un modelo interprete un objetivo, reúna contexto, use herramientas, mantenga límites y avance de manera consistente a lo largo de una tarea?
El harness: la capa que convierte un modelo en un agente
La respuesta es el harness.
Un modelo de inteligencia artificial puede razonar, generar contenido y responder preguntas. Pero, por sí solo, no sabe qué información consultar, cuándo utilizar una herramienta, cómo encadenar tareas ni qué hacer cuando una acción falla. El harness es la capa de ejecución que organiza ese trabajo.
Administra el contexto disponible, interpreta las instrucciones, selecciona herramientas, coordina acciones, conserva memoria cuando corresponde y devuelve un resultado al usuario. En otras palabras, transforma la capacidad general de un modelo en una capacidad concreta para llevar a cabo una tarea específica.
Por eso, el harness no debería entenderse como un detalle técnico invisible dentro de la arquitectura de agentes de IA. Determina hasta dónde puede llegar un agente, cómo toma decisiones y qué nivel de confianza puede generar dentro de una organización.
Dos equipos pueden utilizar el mismo modelo y obtener resultados muy diferentes. La diferencia aparece cuando uno de ellos cuenta con un entorno capaz de conectarlo de forma segura con datos, sistemas y reglas operativas. El valor no está únicamente en la calidad de una respuesta, sino en la capacidad de completar una tarea de manera consistente, trazable y dentro de los límites definidos.
Esto no elimina el valor de los flujos explícitos. Los escenarios simples, repetitivos o altamente regulados continúan beneficiándose de comportamientos predecibles. Sin embargo, dentro de arquitecturas más agénticas, esos flujos pasan a funcionar como una capa de control: delimitan acciones sensibles, establecen aprobaciones y ordenan los puntos en los que la autonomía debe detenerse o escalar hacia una persona.
La convergencia: el harness como base de la arquitectura de agentes de IA
La evolución de Copilot Studio no ocurre en aislamiento. Los agentes empiezan a construirse sobre una arquitectura similar: un modelo que razona, instrucciones que orientan su comportamiento, conocimiento que aporta contexto, herramientas que permiten actuar, memoria para sostener continuidad y mecanismos de evaluación y observabilidad para operar con confianza.
El reciente lanzamiento del harness abierto de Codex por parte de OpenAI es una señal clara de esta tendencia. Codex presenta esa capa como el sistema que permite a un modelo reunir contexto, razonar sobre una tarea, utilizar herramientas, operar dentro de límites configurados, solicitar aprobaciones y sostener el trabajo a lo largo del tiempo.
No se trata sólo de un asistente de programación. Es una arquitectura reutilizable para incorporar agentes en productos y flujos de trabajo específicos. Anthropic también utiliza el concepto de harness para describir la capa que procesa entradas, coordina el uso de herramientas y devuelve resultados. Las implementaciones y los modelos de despliegue son diferentes, pero la dirección es la misma.
El modelo deja de ser la única unidad de valor. Su capacidad se vuelve relevante cuando se integra en un entorno que le permite comprender el contexto, planificar, utilizar recursos, mantener límites y ser evaluado.
A medida que los agentes asumen tareas de mayor alcance, la elección del harness deja de ser un detalle técnico. Define qué grado de autonomía tendrá el agente, cómo accede al contexto, qué herramientas puede utilizar, cómo se evalúa su desempeño y qué mecanismos de supervisión requiere.
La discusión ya no gira solamente alrededor de qué modelo elegir. Empieza a girar alrededor de cómo transformar esa inteligencia en una capacidad concreta, confiable y sostenible.
Desde ENTA: hacia una nueva arquitectura de agentes de IA
En Enta entendemos que el mercado está convergiendo en esta visión de las soluciones agenticas: elegir la plataforma de desarrollo adecuada, con un harness versátil y capaz de aprovechar las posibilidades de los LLMs, facilita la implementación y amplía el horizonte de posibilidades a la hora de adoptar la IA a nivel empresarial.
