El debate sobre cómo lograr que la inteligencia artificial escriba código útil pasó de discutir qué modelo es más potente a discutir algo menos visible: el harness, es decir, la capa de software que rodea al modelo y decide qué información recibe antes de responder. En una entrevista con Ars Technica, Vinay Perneti, de la empresa Augment Code, defendió que un asistente de programación rinde mejor cuando se le entrega contexto rico y bien seleccionado, en lugar de dejarlo hurgar en el proyecto con herramientas básicas de búsqueda de texto.
La discusión gira en torno a una comparación concreta. Muchas herramientas actuales resuelven las consultas del modelo usando el equivalente a grep, el clásico comando que busca coincidencias de texto dentro de archivos. Sirve para encontrar dónde aparece una palabra, pero no entiende cómo se relacionan las partes de una base de código grande. Perneti sostiene que ese enfoque se queda corto cuando un proyecto tiene miles de archivos y dependencias cruzadas.
Qué es un harness y por qué importa
Un modelo de lenguaje, por sí solo, solo genera texto a partir de lo que se le muestra en su ventana de contexto (la cantidad limitada de información que puede leer de una vez). El harness es la maquinaria que decide qué fragmentos del proyecto vale la pena mostrarle: qué archivos, qué funciones, qué documentación y en qué orden. Dos herramientas pueden usar el mismo modelo y dar resultados muy distintos según cómo arme ese contexto.
La tesis de Augment Code es que la calidad de las respuestas depende tanto del harness como del modelo subyacente. Recuperar el contexto adecuado —entender la estructura del repositorio, las relaciones entre módulos y el historial del código— permite que el asistente proponga cambios que encajan con el resto del proyecto, y no parches aislados que rompen otra cosa.
Del modelo estrella al contexto bien armado
El planteamiento refleja un giro en la industria de las herramientas de programación asistida. Durante meses, la carrera se centró en qué modelo razonaba mejor. Ahora, buena parte de la diferencia entre productos está en la ingeniería que los envuelve: cómo indexan el código, cómo eligen qué mostrar y cómo mantienen coherencia en tareas largas.
Esa idea conecta con técnicas cada vez más comunes, como la recuperación aumentada por generación (conocida por sus siglas en inglés, RAG), que consiste en buscar información relevante en una fuente externa y pasársela al modelo antes de que responda. Aplicado a la programación, significa construir una representación del proyecto que vaya más allá de la coincidencia literal de palabras y capture el significado de cada componente.
Para quien evalúa qué asistente adoptar, el mensaje práctico es que conviene mirar cómo maneja el contexto y no solo qué modelo dice usar. Quien quiera comparar opciones puede revisar nuestra guía de herramientas de IA para programar, donde el desempeño en proyectos reales suele importar más que las cifras de laboratorio.
Un límite conocido
El argumento tiene un contrapeso evidente: armar contexto rico cuesta cómputo y tiempo, y no siempre garantiza mejores respuestas si la selección falla. Un harness mal calibrado puede saturar la ventana de contexto con información irrelevante y confundir al modelo. El equilibrio entre precisión y costo sigue siendo el terreno donde se juega la competencia entre estas plataformas.
La conversación con Perneti apunta a una idea que gana peso entre desarrolladores: el próximo salto en la programación asistida no vendrá solo de modelos más grandes, sino de sistemas que sepan mejor qué mostrarles.
