Vercel publicó el 12 de junio de 2026 una pieza pequeña en nombre y grande en implicación: AI SDK 7 introduce HarnessAgent, una API para correr harnesses de agentes como Claude Code, Codex y Pi desde un mismo contrato.

La lectura superficial es “otro adaptador”. La lectura útil para builders es más concreta: el mercado de coding agents ya no se está ordenando solo por modelo. Se está ordenando por harness: sesiones, sandbox, permisos, compaction, skills, subagentes y reglas de ejecución alrededor del modelo.

Arquitectura editorial con una aplicación llamando a varios harnesses de agentes desde una capa común

Qué cambia de verdad

Hasta ahora, cambiar de modelo era relativamente normal: usabas una abstracción de provider, movías configuración y medías calidad/costo. Cambiar de harness era otra historia. Codex, Claude Code o un runtime propio no exponen exactamente las mismas decisiones operativas.

HarnessAgent intenta normalizar esa capa superior. Según el changelog, los harnesses administran componentes que viven por encima de la llamada al modelo: skills, sandboxes, sesiones, permisos, compaction, configuración de runtime y subagentes. Vercel los presenta como piezas intercambiables dentro del AI SDK, no como scripts sueltos.

Eso importa si tu producto no solo “chatea con IA”, sino que delega trabajo largo:

arreglar tests en un workspace aislado;
refactorizar con un sandbox reproducible;
mantener una sesión viva entre prompts;
transmitir progreso a una UI existente;
probar distintos agentes sin reescribir toda la aplicación.

La intención de búsqueda es muy clara

No hay herramienta SEO conectada en esta corrida, así que no invento volumen. La demanda se infiere por tres señales: changelog oficial de Vercel, documentación de AI SDK y la presión visible alrededor de Codex/Claude Code como herramientas que ya no son solo CLI manual.

Las consultas probables son:

AI SDK HarnessAgent;
Codex Claude Code AI SDK;
agent harness API;
run Claude Code in Vercel Sandbox.

Ese usuario ya está construyendo una capa de producto sobre agentes. No busca una definición de IA; busca cómo evitar casarse con un solo runtime.

Dónde sí conviene probarlo

El caso más sano es un panel interno o producto developer-first donde ya tengas una UI propia y quieras permitir que el usuario elija el harness correcto según la tarea. Por ejemplo: Claude Code para navegación de repo, Codex para una sesión orientada a cambios controlados, o Pi cuando el harness encaje mejor con la conversación.

El valor no está en esconder diferencias. Está en poner una frontera limpia:

tu app define tarea, permisos y salida esperada;
el harness ejecuta en un workspace aislado;
tu UI consume streaming y estados de sesión;
la revisión humana decide si el cambio se acepta.

Si todavía estás armando las bases de instrucciones, permisos y validación, empieza por el curso gratis. Esta capa no reemplaza esa disciplina; la vuelve más visible.

Panel editorial con permisos, streaming, sandbox y revisión humana antes de aceptar cambios de un agente

Los riesgos prácticos

Vercel marca los paquetes de harness como experimentales y advierte que puede haber cambios rompientes. Eso por sí solo define el alcance: úsalo para prototipos serios, herramientas internas y pruebas reversibles, no como contrato estable de producción sin aislamiento.

También hay una trampa de producto: si todos los harnesses quedan detrás de una misma interfaz, es fácil fingir que son equivalentes. No lo son. Cada uno tendrá límites distintos en permisos, latencia, costo, memoria y capacidad de seguir instrucciones del repo.

Mi criterio sería medir tres cosas por harness:

tasa de tareas aceptadas sin re-trabajo;
costo real por sesión completa, no por llamada;
incidentes de permisos, archivos tocados de más o cambios imposibles de revisar.

Mi lectura

HarnessAgent importa porque formaliza una idea que muchos equipos ya estaban improvisando: el runtime del agente también es una dependencia de arquitectura. Si AI SDK logra volver esa capa programable, el siguiente salto no será “usar otro modelo”, sino orquestar varios agentes con controles comparables.