No primeiro texto da série eu contei o incômodo que me fez começar a reconstruir tech na Prolog. No fim, prometi abrir cada parte. Começo pela que demorei mais pra entender: o harness.
Aviso de cara, não existe fórmula mágica aqui. É o que eu li, o que vi outras empresas fazendo e o que a gente tá tentando fazer, com acerto e com erro.
Passei meses atrás de um nome pra uma coisa que eu sentia e não sabia dizer.
A palavra que faltava
Eu via empresa de três pessoas entregando o que antes pedia trinta. E via que o ganho não estava no modelo, porque modelo todo mundo usa parecido. Estava em outro lugar, e eu não tinha a palavra.
Em fevereiro de 2026 a OpenAI publicou um texto chamado Harness Engineering e me deu a palavra.
A definição deles abre com duas linhas curtas: “Humanos dirigem. Agentes executam.” E o que vem em seguida muda o jeito de pensar: o trabalho principal de um time de engenharia deixa de ser escrever código, e passa a ser desenhar ambientes, especificar intenção e construir loops de feedback que deixam os agentes fazer trabalho confiável.
Cada pedaço ali é trabalho de verdade. Desenhar o ambiente onde o agente roda. Deixar claro o que é pra fazer, a intenção, em vez do passo a passo. E montar os loops que dizem pra IA se ela acertou, pra ela se corrigir sozinha.
Repare no que sumiu da frase: escrever o código. Não é a OpenAI dizendo que código não importa. É a OpenAI dizendo que, quando a IA escreve a maior parte, o trabalho humano sobe uma camada. E quando algo quebra, a pergunta muda junto. Deixa de ser “tenta de novo, capricha mais” e vira “que capacidade faltou no ambiente pra IA acertar”. O bug deixa de ser culpa da IA (“ela é burra”) e vira uma pergunta sobre o que faltou em volta dela.
Harness, então, é organizar código, processo e trabalho pra que a IA enxergue, entenda e execute. Não é uma ferramenta que você compra. É um jeito novo de pensar o que o time entrega.
Modelo é uma coisa, harness é outra
A frase mais econômica que achei pra fixar isso veio do Vivek Trivedy, engenheiro da LangChain: “se não é um modelo, então é o harness”.
O modelo é o LLM cru. Opus, GPT, o que for. Entra texto, sai texto, fim. E o modelo praticamente todo mundo tem. É commodity. A diferença entre quem ganha 10% e quem ganha 5x não está no modelo.
Está no harness. O harness é todo o resto: o código, as ferramentas que a IA pode chamar, o contexto que ela enxerga, os hooks, a orquestração, o sandbox onde ela roda, a memória, as regras de negócio. Tudo que envolve o modelo no fluxo, antes do trabalho chegar até você pronto.
Harness não tem tradução boa pro português. Arnês, amarração, perde o sentido. Eu chamo de “a infraestrutura do agente” e pronto.
Você talvez já tenha ouvido “engenharia de contexto”. É parte disso, a parte de organizar o que a IA enxerga. O harness é maior: inclui o contexto, mas também as ferramentas, os hooks, o sandbox, a persistência, a orquestração. Contexto é um pedaço; harness é o todo.
Harness é tornar tudo legível pra IA
Se eu tivesse que resumir o harness num princípio só, seria esse: tornar tudo legível pra IA.
No texto anterior eu contei o diagnóstico que me pegou. O contexto da Prolog vivia espalhado. Um pedaço no Notion, outro no Drive, outro no Jira, no Figma. Não tinha fonte única. Cada conversa nova com a IA começava do zero, porque a informação que ela precisava estava em cinco lugares e curada em nenhum.
Quando você relê isso pela lente do harness, o problema fica óbvio. A IA não enxergava. E o que ela não enxerga, ela não usa.
O Peter Pang, CTO da CREAO, contou uma decisão que parece radical e faz todo sentido: ele juntou o código todo num único monorepo. O motivo não foi organização. Foi pra IA conseguir ver tudo de uma vez.
É esse o trabalho. Não é prompt esperto, não é truque. É pegar o que está espalhado, implícito, vivo só na cabeça das pessoas, e deixar legível num lugar, escrito, acessível pro agente. Chato às vezes. Mas é exatamente isso que separa o ganho de 10% do ganho de 5x.
A prova: 3 engenheiros, 1 milhão de linhas
Eu desconfio de hype por natureza. Então o que me convenceu de que isso não era modismo foi um caso com número.
O time da OpenAI que construiu o Codex CLI, a ferramenta de linha de comando deles, era de três engenheiros. Em questão de semanas, entregaram cerca de um milhão de linhas de código: aplicação, infra, tooling, documentação. E zero linha escrita à mão. A filosofia do time, dita por eles, era “nenhum código escrito manualmente”. Foram cerca de mil e quinhentos pull requests, todos integrados, nenhum digitado por uma pessoa. Os três dirigiam, a IA construía.
Pra não confundir: a OpenAI tem o Codex, que é o modelo treinado pra código, e o Codex CLI, que é a ferramenta. Os três usaram o modelo, pela ferramenta, pra construir a própria ferramenta. A coisa se construindo com ela mesma.
E não para aí. Dentro da OpenAI inteira, o Codex revisa 100% dos pull requests da empresa.
O que fechou pra mim não foi o número da OpenAI sozinho. Foi que o Peter Pang, na CREAO, chegou na mesma conclusão por um caminho separado, sem combinar com ninguém. Dois lugares diferentes descrevendo a mesma coisa. Quando isso acontece, em geral não é moda. É padrão.
AI-assisted não é a mesma coisa que AI-first
Aqui eu preciso ser honesto sobre onde a Prolog está.
Tem uma diferença que quase ninguém percebe entre usar IA pra assistir o trabalho e colocar a IA no centro dele.
AI-assisted é o humano no centro e a IA plugada nas pontas. Mesmo sprint, mesmo board, mesma reunião, mesmo fluxo. A IA ajuda dentro do processo que já existia. O ganho é real e é pequeno: 10, 20%. É onde está a maioria das empresas. É onde a Prolog está hoje, e eu não vou fingir o contrário.
AI-first é a IA no centro e o humano dirigindo. Você assume que o agente é o construtor primário e refaz o processo, a arquitetura e até a organização em volta disso. O humano critica, valida, julga. O ganho é de outra ordem: 5x, 10x. É o que o Codex, a CREAO e a Anthropic estão fazendo.
A diferença, como o Peter Pang resume, é multiplicativa, não incremental. E é por isso que harness importa tanto. Você não chega no AI-first plugando IA no que já existe. Chega reconstruindo pra IA enxergar, entender e executar. Ou seja, fazendo harness.
E isso não é só problema de engenharia
A frase da OpenAI, “o trabalho principal não é mais escrever código”, foi escrita pensando em engenharia. Mas quando reli trocando o sujeito, ela coube em todo cargo de tech.
Produto não escreve mais só o documento; capacita o agente a propor solução. Design não desenha mais só a tela; capacita o agente a gerar interface dentro do sistema. QA não roda mais só o teste na mão; capacita o agente a validar. Dados não roda mais só a query; capacita o agente a responder a pergunta de negócio.
Em todos eles a pergunta vira a mesma: que capacidade falta pro agente fazer isso, e como eu torno visível e controlável pra ele.
O que eu levo disso
Harness não é uma ferramenta que se compra nem um modelo melhor que se assina. É trabalho. O trabalho de pegar o que está na cabeça das pessoas e espalhado em dez sistemas e deixar legível, num lugar só, pra uma máquina conseguir usar.
A parte chata é que não tem atalho. A parte boa é que, sendo trabalho, dá pra fazer. A gente está no meio dele: longe do AI-first, mais perto do que estava há dois meses. Vou continuar contando como for indo.
Fontes
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (fevereiro de 2026). De onde vêm a frase “humanos dirigem, agentes executam” e o caso do time do Codex CLI.
- Vivek Trivedy, LangChain, The Anatomy of an Agent Harness. A definição “se não é um modelo, então é o harness”.
- Peter Pang, CREAO, sobre colocar a IA no centro. O monorepo pra IA ver tudo e a diferença multiplicativa.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Os números do time do Codex.