Agent = IA + Harness


Què és un agent

Un model de llenguatge, tot sol, rep text i en retorna. Res més. Un agent és un sistema que, davant d'un objectiu, decideix quins passos ha de fer, utilitza eines (llegir fitxers, consultar una base de dades, navegar, enviar un correu), mira el resultat i continua fins que acaba la feina. Objectiu, raonament, acció, observació, i tornem a començar.

Aquest bucle no el fa el model. El fa el que l'envolta.

La IA: el cervell

El model és la part que "pensa". Avui hi ha dos grans blocs:

Els americans (Claude d'Anthropic, GPT d'OpenAI, Gemini de Google) són models tancats que s'utilitzen via API. Continuen liderant en les tasques més difícils: arquitectura de codi, revisions crítiques, raonament llarg. A canvi són més cars i les dades surten cap al proveïdor.

Els xinesos (DeepSeek, Qwen d'Alibaba, Kimi de Moonshot, GLM de Z.ai, MiniMax) han fet un salt enorme. Publiquen els pesos del model, sovint amb llicències molt permissives, i són molt més barats. Les classificacions d'aquest octubre situen GLM-5.3 com el millor model obert que es pot descarregar i executar, i DeepSeek V4 com el millor en relació qualitat-preu. En codificació i tasques d'agent ja competeixen de tu a tu amb els tancats. Geotoolbox

Hi ha dos matisos importants:

  • Pesos oberts no vol dir codi obert. Tenim el model, però no les dades ni el codi d'entrenament.
  • No és el mateix usar l'API d'un proveïdor xinès que executar-ne els pesos al teu servidor. En el segon cas, les teves dades no surten de casa. I aquí és on es connecta amb la IA privada.

Tampoc cal oblidar Europa, amb Mistral, ni els oberts americans, com els gpt-oss d'OpenAI o Gemma de Google. I una advertència: els noms i els rànquings canvien cada mes. No t'enamoris d'un model.

El harness: tot el que no és el model

Harness vol dir arnès. És la capa que converteix un model en un agent:

  • El bucle que decideix el següent pas;
  • Les eines i connectors (MCP);
  • La gestió del context, és a dir, què veu el model en cada moment;
  • La memòria;
  • Els permisos i el sandbox;
  • Les instruccions i habilitats (skills);
  • Els registres i l'auditoria.

El mateix model dins de dos harness diferents dona resultats molt diferents. I el mateix harness amb dos models diferents també. Però el model el pots canviar amb una línia de configuració. El harness, no. És on viu el coneixement del teu negoci, on es decideix què pot fer l'agent i què no, i on s'acumula el risc.

Per això triar un harness tancat és lligar-te a un proveïdor. Triar-ne un d'obert et deixa canviar de model quan convingui.

Harness de programari lliure

  • Goose: agent general i extensible, amb CLI i app d'escriptori, llicència Apache 2.0. Va passar de Block a l'Agentic AI Foundation, dins de la Linux Foundation. Munderdiffl
  • LibreChat: plataforma tipus ChatGPT que t'instal·les tu. Admet més de 30 proveïdors de models, entre tancats i locals. Amb agents i MCP, és la porta d'entrada ideal per donar IA a tota una organització, amb usuaris i permisos. GitHub
  • OpenCode: agent de codificació al terminal, multi-proveïdor i compatible amb models locals.
  • OpenClaw i Hermes Agent: assistents personals que viuen als missatgers. Hermes posa l'accent en la memòria que aprèn amb l'ús.

Es poden combinar amb models xinesos oberts en un servidor propi i tenir un agent privat, sense enviar res a ningú.

De l'agent al sistema de bots

Hem arribat aquí en pocs anys:

  1. El xat (2022-2023): preguntes i respostes.
  2. El xat amb eines i dades pròpies: consultar documents, cridar funcions.
  3. Els agents de codi al terminal: el bucle autònom, amb permisos i proves.
  4. Els estàndards (MCP, skills): les eines ja es connecten de manera comuna.
  5. Els bots: un harness que viu 24/7, a Telegram, WhatsApp o Slack, amb memòria persistent, tasques programades, i diversos bots que es coordinen entre ells.

OpenClaw va néixer a finals del 2025 com un projecte de cap de setmana, amb el nom de Clawdbot, i va acabar sent el repositori amb més estrelles de la història de GitHub. Això demostra que la gent no volia més models: volia un agent que visqués allà on ja parla cada dia. Composio

Però aquí hi ha el preu. El març del 2026, OpenClaw va haver de divulgar 9 vulnerabilitats en només quatre dies, una de gravetat crítica. Un bot amb accés al teu correu i al teu servidor és molt potent, i també molt perillós si el harness no controla bé què pot fer.

Conclusions

  1. Un model sol no és un agent. L'agent és model més harness.
  2. El model és intercanviable. No te'n casis.
  3. Els models xinesos oberts, en un servidor propi, permeten tenir IA privada i competitiva.
  4. El harness és on hi ha el valor i també el risc. Cal triar-lo amb criteri.
  5. Sempre que puguis, harness obert.
  6. Els bots són el següent pas, però comença amb permisos mínims i amplia'ls a mesura que guanyis confiança.

Si la teva empresa està valorant incorporar agents i no sap per on començar, parlem-ne.

#IA #Agents #Harness #SoftwareLliure #IAPrivada



Ubicació: 17600 Figueres, Girona, Espanya

Comentaris

Publica un comentari a l'entrada

Molt agarït pel teu comentari

Entrades populars d'aquest blog

La mobilitat elèctrica: un viatge d’anada i tornada

Imatge
  Quan pensem en la transició cap als cotxes elèctrics, sovint ho fem com si fos una gran revolució del segle XXI. Però la realitat és que la història de l’automòbil és, en gran part, circular: fa més de cent anys, els primers cotxes que circulaven pels carrers no eren de gasolina... sinó elèctrics. Els primers passos: el triomf inicial del cotxe elèctric El primer cotxe elèctric data de l'any 1834 on es buscaba un mètode de mobilitat net, eficient i silenciosa, mentre que el motor de combustió interna, més complex que un motor elèctric, no va arribar fins al 1861. La comercialització de cotxes elèctrics va començar el 1852, però aquells primers vehicles elèctrics no utilitzaven bateries recarregables. Aquestes no arribarien fins a finals del segle XIX gràcies a les invencions dels francesos Gaston Planté i Camille Faure. A finals del segle XIX i principis del XX, l'electricitat ja s'utilitzava en el transport. Cap al 1900, aproximadament el 30% dels vehicles als Estats U...
Més informació

De Avantiam a Clockio.net: una decisió de focus i futur

Imatge
Hi ha decisions empresarials que no neixen d’un únic moment, sinó d’un procés. Aquest canvi de nom i de marca —de Avantiam a Clockio.net — és exactament això: el resultat natural de dos anys d’evolució, aprenentatges i, sobretot, de focus. D’on venim: unir per créixer Avantiam va néixer amb una voluntat clara: crear una empresa més gran, més sòlida i amb més capacitat de generar valor . La unió d’ Alterego Web i Sixtemia no era només una suma de facturació, sinó una suma de coneixement. Alterego aportava una trajectòria sòlida en desenvolupament web; Sixtemia, l’expertesa en apps. Junts, vam construir un equip molt complet, capaç d’oferir serveis integrals i, sobretot, de crear productes més potents . Des del primer moment, la idea no era quedar-nos només en serveis, sinó que aquests ens ajudessin a fer créixer productes propis. El que ens ha ensenyat el camí En aquests dos anys, el més sorprenent ha estat veure fins on pot arribar un equip quan creix en dimensió i maduresa. Gestio...
Més informació

MicroAI: Redefining Artificial Intelligence for Localized and Lightweight Environments

Imatge
Artificial Intelligence (AI) has rapidly evolved from academic research into one of the most transformative technologies of our time. Over the past decade, the rise of deep learning architectures—particularly transformers—has defined the trajectory of modern AI systems. Models like BERT, GPT, and their successors have reshaped natural language processing, computer vision, and multimodal reasoning. However, these systems are typically massive, centralized, and resource-intensive, requiring powerful clusters of GPUs or TPUs to operate effectively. This article introduces a new concept: MicroAI . Unlike conventional AI that relies on distributed, high-power infrastructures, MicroAI focuses on applying generative and predictive intelligence within localized, lightweight, and resource-constrained environments . The aim is to explore how microservices principles, browser-based computation, and small data domains can converge to redefine how and where AI can operate. The Transformer Breakt...
Més informació