¿Por qué «qué LLM usáis?» es la pregunta equivocada?

Cuando una empresa evalúa una herramienta de IA, la conversación casi siempre empieza por el modelo. «¿Es GPT o Claude?» «¿Qué versión?» «El modelo nuevo es más inteligente, así que el producto será mejor, ¿no?» La pregunta es comprensible — y más o menos tan útil como elegir a un proveedor por la marca de su portátil.

Tomemos el mismo modelo — digamos, el modelo estrella de Anthropic — y observémoslo dentro de dos productos distintos. El primero es Cursor, un agente de desarrollo. Menciónalo en Slack con una tarea: levanta una máquina virtual, clona tu repositorio, escribe código, ejecuta los tests y entrega una pull request. Un ingeniero brillante.

El segundo es Claude Tag, un «compañero generalista» en ese mismo Slack. Lee el historial del canal, recuerda el contexto del proyecto, se conecta a tus documentos y calendarios. También sabe programar — pero con la misma soltura analizará una conversación con un cliente y te sugerirá cómo responder a la tercera petición de descuento.

Dentro, el mismo modelo. Fuera, dos especialistas completamente distintos. Pregúntale al agente de código por una estrategia de comunicación con clientes: algo responderá, el modelo es inteligente. Pero será la opinión de un fontanero sobre el diseño del salón — una persona capaz que simplemente llegó con otras herramientas y en otro papel.

El harness es todo lo que rodea al modelo y lo convierte de un cerebro en un frasco en una herramienta que trabaja.

Cambia el harness, y el mismo modelo se convierte en otro producto. Deja el harness débil, y actualizar el modelo no cambiará casi nada.

Todo esto aplica no solo a las herramientas que compras, sino también a cómo la IA ve tu negocio. Cuando un cliente potencial pregunta a ChatGPT, Claude o Perplexity «qué servicio elegir para X», el modelo no responde de memoria. Trabaja dentro de su propio harness: una herramienta de búsqueda encuentra páginas, un parser extrae el texto, y solo entonces el modelo redacta la respuesta. En cada paso, tu sitio pasa el filtro — o no.

Un sitio bonito con JavaScript pesado, donde el contenido se dibuja en el cliente, puede ser invisible para el parser. Una página sin estructura clara — títulos, datos, detalles concretos — se leerá pero nunca se citará: el modelo no tiene nada que tomar. La ausencia de menciones en fuentes externas significa que el paso de búsqueda simplemente no te encontrará.

De esto trata exactamente el GEO (Generative Engine Optimization): optimizar no para un algoritmo de ranking, sino para el harness de los sistemas generativos — para cómo los agentes de IA descubren, leen y relatan tu contenido. El SEO clásico preguntaba: «¿cómo entrar en el top 10 de enlaces?» El GEO pregunta: «¿cómo entrar en la respuesta misma?»

Si estás eligiendo una herramienta de IA — mira más allá del modelo y comprueba si el harness encaja con tu tarea. Una herramienta con un modelo «más modesto» pero con los instrumentos adecuados y acceso a tus datos vencerá a un modelo estrella en un chat genérico.

Si estás construyendo IA dentro de tu empresa — empieza no por la elección del modelo, sino por el diseño del harness: qué rol juega el agente, qué ve, qué sabe hacer, dónde están sus límites. El modelo se acopla después, y podrá cambiarse casi sin dolor.

Y si quieres que los sistemas de IA recomienden tu negocio — piensa en tu sitio web como parte del harness de otro. Tus páginas se convertirán en el contexto de alguien. La única pregunta es si estarán a la altura.