Quais ferramentas o Claude, o Codex e o Cursor escolhem? Medimos 17 mil execuções para descobrir
Uma startup analisou cerca de 17.000 execuções de agentes de codificação como Claude Code, ferramentas do Codex com tecnologia da OpenAI e Cursor para ver quais ferramentas de desenvolvedor eles instalam e como as escolhem, descobrindo que os agentes frequentemente discordam, raramente usam busca na web em alguns casos e tendem a favorecer incumbentes familiares. Os comentaristas se mostram intrigados com a ideia de que preferências de IA possam moldar quais frameworks, bancos de dados e serviços se tornam mainstream, mas muitos alertam que isso pode recriar as distorções de SEO e de publicidade que já afetam a busca na web. Vários defendem salvaguardas, transparência e fortes alternativas de código aberto antes que a “otimização para agentes” se transforme em uma nova versão, menos visível, de growth hacking e posicionamento pago.
Resultados do estudo & comportamento das ferramentas
- O estudo executou ~17 mil sessões de agentes de codificação em repositórios, personas e tamanhos de organizações variados para medir as escolhas de ferramentas.
- Padrões relatados: o Claude Code raramente usa busca na web; o Codex quase sempre usa; o Cursor fica no meio-termo. Alguns veem o mesmo comportamento na prática, outros dizem que o Claude só busca quando isso é solicitado explicitamente.
- Certas ferramentas (por exemplo, LangChain, Supabase, Netlify, processadores de pagamento) são frequentemente mencionadas mas raramente escolhidas.
- O contexto do repositório e as instruções podem alterar significativamente qual ferramenta um agente seleciona.
Influenciando as escolhas dos agentes & “SEO para agentes”
- Ideia central do negócio: analisar o que os agentes escolhem e, então, ajudar fornecedores a direcionar agentes para suas ferramentas, de forma análoga ao SEO/marketing para humanos.
- Um comentarista relata ter construído independentemente um sistema semelhante e confirma que “vender para agentes” parece marketing tradicional.
- Outro observa que modelos futuros podem incluir receita no estilo de afiliados para recomendações, embora outros argumentem que já existe uma oportunidade imediata antes disso.
Ética, anúncios e confiança
- Há forte reação contra “growth hacking” de agentes, visto como uma repetição da degradação da web causada pelo SEO e como algo potencialmente empurrando ferramentas subótimas.
- Alguns argumentam que isso poderia contrabalançar incumbentes embutidos nos priors dos modelos e ajudar ferramentas novas e melhores a ganhar visibilidade.
- Muitos temem “Agent Engine Advertising” e escolhas de ferramentas patrocinadas, comparando isso à expansão dos anúncios em mecanismos de busca; vários afirmam que isso já está começando com grandes laboratórios.
Comportamento técnico & robustez
- Os agentes parecem resistentes a tentativas ingênuas de prompt injection para enviesá-los: experimentos com um índice de busca personalizado mostraram que viés forte ou inconsistente acionava mecanismos de segurança e suspeita.
- As diferenças na seleção de ferramentas são atribuídas a instruções do modelo, prompts de sistema e considerações de custo/eficiência (por exemplo, preferir shell/Python para edições em múltiplos arquivos para economizar tokens).
UX, preços e ecossistema
- Vários comentaristas criticam o site Armature por pop-ups intrusivos e um layout ruim no celular; a equipe responde que correções estão sendo implementadas.
- O preço (a partir de cerca de $5k/mês) é visto como alto, mas é apresentado como um serviço gerenciado de “agência”, e não apenas como acesso à ferramenta.
- A discussão mais ampla conecta isso a preocupações com a centralização da IA, ao fim da “era de ouro” e à importância de alternativas de código aberto/weights abertos.