DeepSeek aposta em ‘AI harness’ para competir com agentes como o Claude Code

De acordo com relatos da indústria, a companhia organizou internamente um time de “Harness” voltado a agentes de programação, com o objetivo de desenvolver algo comparável ao Claude Code da Anthropic.

A lógica é simples: transformar modelos avançados em ferramentas autônomas capazes de executar tarefas reais, especialmente para desenvolvedores e empresas.

Essa iniciativa acompanha a evolução dos próprios modelos da DeepSeek. Atualizações recentes da família V4 destacam melhorias em raciocínio e em capacidades chamadas de “agentic”, ou seja, a habilidade de realizar tarefas e fluxos de trabalho complexos de forma relativamente autônoma.

O que é exatamente um “AI harness”

Um AI harness é a camada de software que envolve um modelo de linguagem e permite que ele interaja com um ambiente real de trabalho.

Sem essa camada, um modelo gera apenas texto. Com um harness, ele passa a ter acesso a ferramentas e a um ciclo de execução que permite agir como um agente.

Na prática, essa infraestrutura pode permitir que o modelo:

• leia arquivos e analise bases de código
• execute comandos de terminal
• escreva e edite código
• consulte a web ou sistemas externos
• mantenha contexto de tarefas
• planeje e execute fluxos de trabalho com múltiplas etapas

Esse conjunto cria um loop operacional de agente, no qual o sistema observa uma tarefa, usa ferramentas, analisa os resultados e continua iterando até completar o objetivo.

Ferramentas modernas de programação com IA seguem exatamente essa arquitetura. A própria Anthropic descreve o Claude Code como um sistema capaz de entender todo um repositório, editar arquivos, executar comandos e automatizar tarefas de desenvolvimento em diferentes ferramentas.

Sem a camada de harness, mesmo modelos muito avançados têm dificuldade para executar esse tipo de trabalho complexo de forma confiável.

Por que essa camada virou o novo campo de batalha

O interesse em harnesses cresceu rapidamente com a popularização dos agentes de IA.

Produtos como o Claude Code mostram como essa camada pode transformar a experiência do usuário. Em vez de apenas sugerir código, o agente pode receber uma tarefa — por exemplo, corrigir um bug — e então:

• examinar o repositório
• modificar arquivos
• executar testes
• iterar até que o problema seja resolvido

Isso muda o papel da IA: de assistente de sugestões para colaborador ativo no desenvolvimento de software.

Os números também chamaram a atenção do mercado. Em 2026, a Anthropic afirmou ter atingido cerca de US$ 30 bilhões em receita anualizada, impulsionada por um crescimento extremamente rápido de uso e demanda por suas ferramentas de IA.

Algumas análises do setor estimam que o Claude Code sozinho pode gerar cerca de US$ 2,5 bilhões em receita anualizada, embora esses valores venham de relatórios externos e devam ser interpretados com cautela.

Mesmo com incertezas sobre valores exatos, o recado para o mercado é claro: produtos baseados em agentes estão virando motores de receita importantes.

A mudança estrutural na corrida da IA

O avanço da DeepSeek rumo à infraestrutura de agentes reflete uma transformação maior no setor.

No início da corrida da IA generativa, o diferencial era treinar o melhor modelo base. Agora, com modelos cada vez mais próximos em capacidade, a vantagem competitiva começa a migrar para a camada de produto construída sobre eles.

No ecossistema emergente de agentes, a empresa vencedora pode ser aquela que oferecer:

• melhores ferramentas para desenvolvedores
• loops de agentes mais confiáveis
• integrações profundas com ambientes de desenvolvimento
• automação de fluxos de trabalho complexos

Por isso, empresas de tecnologia tanto nos Estados Unidos quanto na China estão investindo pesado nessa infraestrutura.

Para a DeepSeek, montar uma equipe de harness e atrair engenheiros experientes é parte de uma estratégia maior: transformar modelos poderosos em produtos autônomos que as pessoas realmente usam todos os dias.

Em outras palavras, a corrida da IA está evoluindo de treinar modelos para construir agentes — e quem dominar a camada de harness pode definir a próxima geração de software de inteligência artificial.