← Todos los artículos

Comparación

Claude Code vs Codex vs Cursor: la prueba de 10 minutos para tu propia factura

Toda comparativa que encuentras responde a la misma pregunta — cuál escribe mejor código — con la misma evidencia: una tarde, una tarea, un autor. La pregunta que decide tu factura es más estrecha y medible.

Escrito por Ted Mavera, Product Manager en HarnessUp, la empresa que hace la herramienta descrita aquí. Los textos de este blog se escriben con ayuda de inteligencia artificial y son revisados por el equipo antes de su publicación.

Tres monitores uno al lado del otro sobre escritorios pintados, cada uno con una marca — una estrella coral, un nudo blanco y un cubo negro —, con una hoja marcada, un recibo y pilas de monedas delante, y un cronómetro en primer plano.

Por qué otra comparativa

Las tres herramientas tienen formas genuinamente distintas. Claude Code es un agente nativo de terminal que también se ejecuta en una aplicación de escritorio y dentro de extensiones de IDE. Codex es el agente de código de OpenAI, disponible como CLI, en el IDE y como worker en la nube vinculado a un plan de ChatGPT. Cursor es el IDE que hizo que los agentes se sintieran nativos en el editor y los cobra desde un fondo de uso compartido. Esas diferencias son reales y vale la pena conocerlas.

Tampoco son aquello a lo que reacciona tu factura. Mueve la misma tarea entre dos de ellas y la cuenta puede cambiar por un factor de tres sin que cambie una sola línea de código — porque el costo vive en cuántos turnos consume la tarea, en cuánto contexto reenvía cada turno y en cuánto retrabajo ocurre antes de que la tarea esté realmente terminada. Así que, en lugar de clasificar a los agentes en una tarea que no ejecutaste, este artículo te da un protocolo que puedes ejecutar en una tarea que sí ejecutaste. Diez minutos, un repositorio, tres números.

Qué difiere realmente entre ellos

Tres diferencias estructurales importan para una comparativa, y el resto es preferencia.

Dónde vive el agente. Un agente de terminal ve el repositorio a través de los comandos que le dejas ejecutar. Un agente de IDE ve el estado del editor, los archivos abiertos y los diagnósticos. Un agente en la nube ve la rama que le entregas. Cada punto de vista cambia los primeros diez minutos de una tarea más de lo que cambia los últimos diez, y los primeros diez son donde se carga el contexto.

Cómo se mide el uso. Los planes de Claude Code se miden por ventanas, con un bloque de cinco horas y un techo semanal. El uso de código de ChatGPT viene con el nivel del plan. Cursor mide un fondo compartido de solicitudes y de uso de modelos. Tres medidores distintos, tres formas distintas de toparse con un límite a las 4 de la tarde de un jueves — y el límite es lo que la mayoría de la gente pregunta en realidad cuando pregunta cuál es más barato.

Cómo se maneja el contexto. Esta es la que nadie pone en la tabla comparativa, y mueve la factura más que la elección del modelo. Si un archivo grande se entrega entero, si se rechaza una lectura repetida, si se trunca un log: son decisiones del harness, y cada una de las tres las toma de forma distinta. También son las decisiones que puedes medir.

Una sola ficha de cartulina sobre una mesa de madera con un cronómetro, un lápiz y tres fichas pequeñas idénticas en fila, fotografiados desde arriba.
Misma tarea, mismo commit inicial, tres ejecuciones. La ficha es todo el protocolo.

La prueba

Elige una tarea que ya terminaste la semana pasada. No un rompecabezas de benchmark — algo de tu propio backlog, con el desorden intacto: un bug con descripción vaga, una funcionalidad pequeña con dos archivos que tocar, un refactor que rompió algo. Después haz esto.

1. Congela el punto de partida. Haz checkout del commit donde empezó la tarea, en un worktree limpio. Las tres ejecuciones tienen que partir del mismo árbol, o estarás comparando el estado de tu repositorio en lugar de la herramienta.

2. Escribe el mismo prompt. Un párrafo, el que habrías escrito de todos modos. No lo ajustes por herramienta — el ajuste es parte de lo que estás midiendo, y no es gratis.

3. Ejecútala una vez por herramienta, en el mismo orden en que trabajarías normalmente. No rescates una ejecución que se está atascando. El atasco es dato. Detente cuando la tarea esté hecha o cuando habrías abandonado en la vida real, y anota cuál de las dos fue.

4. Registra cuatro números por ejecución. Turnos (viajes de ida y vuelta al modelo), tokens de entrada, tokens de salida y si el resultado necesitó una segunda pasada. Si la herramienta muestra las lecturas de caché por separado, guárdalas también — es la línea que explica las sesiones largas.

5. Ponle precio a la ejecución como pagas. Si estás en una suscripción, el número a comparar es cuánto de la ventana consumió la ejecución, no dólares por token. Si estás en la API, multiplica los tokens por las bandas de tu modelo. No mezcles las dos cosas; una ejecución en suscripción y una ejecución en API no son la misma unidad.

Qué anotar

Cinco campos bastan, y caben en una ficha de cartulina: tarea, turnos, tokens de entrada, tokens de salida, retrabajo. Guarda la ficha. En un mes tendrás seis fichas y una imagen de tu propio trabajo que ninguna comparativa publicada puede darte, porque ninguna comparativa publicada tiene tu repositorio.

El campo que la gente olvida es el retrabajo. Una ejecución que termina en ocho turnos y entrega un bug no es más barata que una que termina en doce y entrega la corrección. Cuenta la segunda pasada, la corrección, el mensaje "en realidad, no". Ahí es donde se esconde la diferencia real de costo entre agentes, y por eso un precio por token es un mal sustituto del valor.

Cómo leer el resultado

Divide por tareas terminadas, no por prompts. El número que importa es el costo por tarea que quedó corregida, y suele ordenar las herramientas de forma distinta a como lo hace una tabla de posiciones. Dos patrones aparecen con suficiente frecuencia como para merecer nombre. El primero: la herramienta con la mejor primera respuesta gana en tareas simples y pierde en las desordenadas, porque relee más contexto por turno. El segundo: la herramienta con el precio por token más bajo pierde cuando se cuenta el retrabajo, porque la versión barata necesitó la corrección.

La única conclusión que la prueba no sostiene es "este modelo es mejor". Sostiene "este modelo, en este harness, en esta tarea, me costó esto". Esa frase es menos citable y mucho más útil.

La parte que las comparativas saltan: el harness alrededor del agente

Entre tu prompt y el modelo hay una capa de decisiones — qué archivo se lee entero, qué log se trunca, si se rechaza una lectura repetida, si el build se ejecuta antes del siguiente turno. Esas decisiones pertenecen al harness y explican buena parte de la varianza de la prueba de arriba. También son la única parte de la pila que puedes cambiar manteniendo el agente que ya te gusta.

Esa es la tesis de nuestro producto, así que trátala como una afirmación que hay que comprobar y no como un hecho. HarnessUp es una segunda capa local que actúa mediante los hooks oficiales de Claude Code y Codex, con 151 herramientas en diez frentes; no es un proxy, un servidor MCP ni un plugin, y nunca lee tu token ni tu clave. Dos herramientas del frente de Savings se relacionan directamente con este artículo: Renew Session, que marca el turno en que continuar cuesta más que reiniciar, y First Pass, que compila justo después de una edición para que un build roto viaje con el turno siguiente en lugar de comprar un turno propio. El panel también ejecuta HarnessUp Bench, una clasificación pública de modelos y esfuerzos por precisión, optimización y gasto, construida a partir de mediciones anónimas de instalaciones reales — incluidas las que te dirían que estamos equivocados sobre un modelo.

Y el límite honesto: hoy la capa integra Claude Code y Codex automáticamente. Cursor está en la hoja de ruta, no en la caja. Si tu prueba dice que Cursor gana para tu trabajo, el movimiento correcto es quedarte con Cursor y prescindir de nosotros.

Un veredicto que puedes defender

Ejecuta la prueba en tres tareas en lugar de una — un bug, una funcionalidad y un refactor — y tendrás un veredicto con una muestra de nueve ejecuciones, que es más de lo que tienen la mayoría de las comparativas publicadas. Anota los números, guarda las fichas y revísalas cuando cambie una versión de modelo. Esa última parte es la razón por la que este método envejece mejor que una tabla de posiciones: la herramienta que gana hoy no ganará para siempre, pero tu método para comprobarlo seguirá funcionando.

Ejecuta la prueba con tus propios números. HarnessUp mide tus sesiones de Claude Code y Codex localmente y gratis — los mismos cuatro campos, sin la ficha de cartulina.

Instalar gratis