A evolução dos agentes depende tanto do harness quanto do modelo

Tese central

A evolução dos agentes não pode ser explicada apenas pelo avanço dos pesos do modelo. Ela resulta da combinação entre o modelo e o harness: o conjunto de ambiente, ferramentas, contexto, memória, permissões e salvaguardas que permite ao modelo perceber informações, agir no espaço digital e manter limites. Segundo o texto, a melhora perceptível dos agentes no fim de 2025 ocorreu quando as curvas de capacidade do modelo e de maturidade do harness se aproximaram e passaram a evoluir juntas.

Da autonomia prematura ao cruzamento das curvas

Em 2022, o ChatGPT era limitado à previsão do próximo token, ao treinamento com feedback humano e ao conteúdo de seus dados de treinamento e do prompt recebido. Técnicas como ReAct formalizaram o ciclo de raciocinar, agir, observar e repetir, mas inicialmente apenas como uma estrutura de instruções externa aos pesos. AutoGPT e BabyAGI ampliaram a autonomia antes que os modelos fossem confiáveis o suficiente: um ciclo não cria capacidade, apenas amplifica a capacidade existente - inclusive os erros. Com 95% de confiabilidade por etapa, uma tarefa de 20 etapas teria cerca de 36% de chance média de sucesso.

Entre 2023 e 2024, ferramentas como Cursor e Copilot recuaram para um modelo com humano no circuito, permitindo que a pessoa orquestrasse o ciclo enquanto o modelo acelerava seu trabalho. Um teste citado no texto encontrou aproximadamente 15% de sucesso para uma versão inicial do Devin, reforçando que a autonomia plena ainda era prematura. A introdução do o1, no fim de 2024, teria invertido as curvas pela primeira vez: a capacidade do modelo passou a superar o que o harness oferecia.

Em fevereiro de 2025, o Claude Code explorou esse descompasso ao abandonar a IDE, conceder acesso ao terminal, ao Bash e à leitura e gravação de arquivos, e substituir aprovações a cada alteração por regras de permissão. A tese é que seu êxito veio menos de ser o primeiro agente autônomo e mais de ter surgido quando os modelos já eram confiáveis o bastante para operar com autonomia.

Coevolução e absorção

O texto afirma que o efeito do harness pode ser medido sem mudar o modelo. No Harness-Bench, o mesmo modelo executando 106 tarefas em diferentes harnesses obteve resultados entre 52,4 e 76,2, uma diferença de 23,8 pontos. Em outro exemplo, mudanças como raciocínio retido e compactação triplicaram a pontuação do GPT-5.6 Sol no ARC-AGI-3, de 13,3% para 38,3%.

O treinamento por reforço passou a ocorrer dentro dos ambientes de uso, aproximando modelo e harness como um sistema único. Com isso, os modelos começam a absorver nos pesos capacidades antes fornecidas externamente, como uso de ferramentas e compactação entre janelas de contexto. A evolução passa a seguir o ciclo “treinar, absorver, reduzir e repetir”: o harness elimina o que o modelo aprendeu a fazer sozinho. Um exemplo citado é a remoção de 80% do prompt de sistema do Claude Code.

A era da atenção humana

Quando capacidades voltadas ao computador forem absorvidas, o que permanecerá no harness serão funções centradas nas pessoas: permissões, identidade, confiança e legibilidade. O harness deixará de ser principalmente a interface humana para o modelo e se tornará a interface do modelo para a atenção humana.

O texto prevê que empresas de IA agentiva criarão políticas de atenção para definir quando o agente pode interromper alguém, quando deve continuar trabalhando e quais decisões exigem aprovação. Esse componente também poderá aprender com os dados gerados por cada correção. A nova lacuna não será apenas entre o que o modelo consegue fazer e o que o harness oferece, mas entre o que o agente solicita ao humano e o que o humano consegue responder.