¿Qué herramientas eligen Claude, Codex y Cursor? Medimos 17k ejecuciones para averiguarlo
Una startup analizó unas 17.000 ejecuciones de agentes de programación como Claude Code, las herramientas de Codex impulsadas por OpenAI y Cursor para ver qué herramientas para desarrolladores instalan y cómo las eligen, y descubrió que los agentes a menudo discrepan, en algunos casos rara vez usan búsqueda web y tienden a favorecer a los incumbentes conocidos. Los comentaristas se muestran intrigados por la idea de que las preferencias de la IA puedan moldear qué frameworks, bases de datos y servicios se vuelven dominantes, pero muchos advierten que esto podría reproducir las distorsiones del SEO y de los anuncios que ya afectan a la búsqueda web. Varios piden salvaguardas, transparencia y alternativas de código abierto sólidas antes de que la “optimización para agentes” se convierta en una nueva versión, menos visible, del growth hacking y la colocación pagada.
Hallazgos del estudio y comportamiento de las herramientas
- El estudio ejecutó ~17k sesiones de agentes de codificación en repositorios, personas y tamaños de organización variados para medir las elecciones de herramientas.
- Patrones reportados: Claude Code rara vez usa búsqueda web; Codex casi siempre lo hace; Cursor queda en un punto intermedio. Algunos observan el mismo comportamiento en la práctica, otros dicen que Claude solo busca cuando se le pide explícitamente.
- Ciertas herramientas (p. ej., LangChain, Supabase, Netlify, procesadores de pagos) se mencionan con frecuencia, pero rara vez se eligen.
- El contexto del repositorio y las instrucciones pueden alterar significativamente qué herramienta selecciona un agente.
Influir en las elecciones de los agentes y “SEO para agentes”
- Idea central de negocio: analizar qué eligen los agentes y luego ayudar a los proveedores a empujar a los agentes hacia sus herramientas, en analogía con el SEO/marketing para humanos.
- Un comentarista dice haber construido de forma independiente un sistema similar y confirma que “vender a agentes” se siente como el marketing tradicional.
- Otro señala que los modelos futuros podrían incluir ingresos al estilo afiliados para las recomendaciones, aunque otros argumentan que ya existe una oportunidad inmediata incluso antes de eso.
Ética, anuncios y confianza
- Fuerte rechazo a “hackear el crecimiento” de los agentes, visto como repetir la degradación de la web estilo SEO y potencialmente empujar herramientas subóptimas.
- Algunos sostienen que esto podría contrarrestar a los incumbentes incorporados en los priors del modelo y ayudar a que herramientas nuevas y mejores aparezcan.
- Muchos temen la “publicidad en motores de agentes” y las elecciones patrocinadas de herramientas, comparándolo con la invasión de los anuncios en la búsqueda; varios afirman que esto ya está empezando con los grandes laboratorios.
Comportamiento técnico y robustez
- Los agentes parecen resistirse a intentos ingenuos de sesgo al estilo prompt injection: experimentos con un índice de búsqueda personalizado mostraron que un sesgo demasiado fuerte o inconsistente activaba mecanismos de seguridad y sospecha.
- Las diferencias en la selección de herramientas se atribuyen a instrucciones del modelo, prompts del sistema y consideraciones de coste/eficiencia (p. ej., preferir shell/Python para ediciones en múltiples archivos para ahorrar tokens).
UX, precios y ecosistema
- Varios comentaristas critican el sitio de Armature por ventanas emergentes intrusivas y una mala disposición en móviles; el equipo responde que se están implementando correcciones.
- El precio (que parte en torno a $5k/mes) se considera alto, pero se presenta como un servicio gestionado de “agencia” más que como simple acceso a una herramienta.
- La discusión más amplia conecta esto con preocupaciones sobre la centralización de la IA, el fin de la “edad de oro” y la importancia de alternativas de código abierto y pesos abiertos.