← Tutti gli articoli

Confronto

Claude Code vs Codex vs Cursor: il test da 10 minuti per la tua bolletta

Ogni confronto che riesci a trovare risponde alla stessa domanda — quale scrive codice migliore — con la stessa prova: un pomeriggio, un compito, un autore. La domanda che decide la tua fattura è più stretta e misurabile.

Scritto da Ted Mavera, Product Manager di HarnessUp, l'azienda che realizza lo strumento descritto qui. I testi di questo blog sono scritti con l'aiuto dell'intelligenza artificiale e revisionati dal team prima della pubblicazione.

Tre monitor affiancati su scrivanie verniciate, ognuno con un marchio — una stella corallo, un nodo bianco e un cubo nero —, davanti a ciascuno un foglio spuntato, uno scontrino e pile di monete, con un cronometro in primo piano.

Perché un altro confronto

I tre strumenti hanno davvero forme diverse. Claude Code è un agente nativo del terminale che gira anche in un'app desktop e dentro le estensioni dell'IDE. Codex è l'agente di programmazione di OpenAI, disponibile come CLI, nell'IDE e come worker cloud legato a un piano ChatGPT. Cursor è l'IDE che ha reso gli agenti naturali nell'editor e li fattura da un pool di utilizzo condiviso. Quelle differenze sono reali e vale la pena conoscerle.

Ma non sono ciò a cui reagisce la tua fattura. Sposta lo stesso compito tra due di loro e la bolletta può cambiare di un fattore tre senza che cambi una sola riga di codice — perché il costo vive in quanti turni richiede il compito, in quanto contesto rimanda ogni turno e in quanto rework avviene prima che il compito sia davvero finito. Quindi, invece di classificare gli agenti su un compito che non hai eseguito, questo articolo ti dà un protocollo che puoi eseguire su un compito che hai eseguito. Dieci minuti, un repository, tre numeri.

Cosa cambia davvero tra loro

Tre differenze strutturali contano per un confronto, e il resto è preferenza.

Dove vive l'agente. Un agente da terminale vede il repository attraverso i comandi che gli lasci eseguire. Un agente da IDE vede lo stato dell'editor, i file aperti e la diagnostica. Un agente cloud vede il branch che gli consegni. Ogni punto di osservazione cambia i primi dieci minuti di un compito più di quanto cambi gli ultimi dieci, e nei primi dieci è dove si carica il contesto.

Come viene misurato l'utilizzo. I piani di Claude Code sono misurati a finestre, con un blocco di cinque ore e un tetto settimanale. L'utilizzo di programmazione di ChatGPT arriva insieme al livello del piano. Cursor misura un pool condiviso di richieste e di utilizzo dei modelli. Tre contatori diversi, tre modi diversi di sbattere contro un muro alle quattro di un giovedì — e il muro è ciò su cui la maggior parte delle persone chiede davvero quando chiede quale sia più economico.

Come viene gestito il contesto. Questa è quella che nessuno mette nella tabella di confronto, e muove la bolletta più della scelta del modello. Se un file grande viene consegnato intero, se una lettura ripetuta viene rifiutata, se un log viene troncato: sono decisioni dell'harness, e ciascuno dei tre le prende in modo diverso. Sono anche le decisioni che puoi misurare.

Un'unica scheda di cartoncino su un tavolo di legno con un cronometro, una matita e tre piccoli gettoni identici disposti in fila, fotografati dall'alto.
Stesso compito, stesso commit di partenza, tre esecuzioni. La scheda è tutto il protocollo.

Il test

Scegli un compito che hai già finito la settimana scorsa. Non un enigma da benchmark — qualcosa dal tuo backlog, con il disordine intatto: un bug con una descrizione vaga, una piccola feature con due file da toccare, un refactor che ha rotto qualcosa. Poi fai così.

1. Congela il punto di partenza. Fai il checkout del commit in cui il compito è iniziato, in un worktree pulito. Le tre esecuzioni devono partire dallo stesso albero, altrimenti stai confrontando lo stato del tuo repository invece dello strumento.

2. Scrivi lo stesso prompt. Un paragrafo, quello che avresti scritto comunque. Non ottimizzarlo per ogni strumento — l'ottimizzazione fa parte di ciò che stai misurando, e non è gratuita.

3. Eseguilo una volta per strumento, nello stesso ordine in cui lavoreresti normalmente. Non salvare un'esecuzione che sta annaspando. L'annaspare è un dato. Fermati quando il compito è finito o quando nella vita reale ti saresti arreso, e annota quale dei due è stato.

4. Registra quattro numeri per esecuzione. Turni (viaggi di andata e ritorno verso il modello), token di input, token di output e se il risultato ha richiesto un secondo passaggio. Se lo strumento mostra le letture della cache separatamente, conserva anche quella — è la riga che spiega le sessioni lunghe.

5. Prezza l'esecuzione come paghi. Se sei su un abbonamento, il numero da confrontare è quanto della finestra ha consumato l'esecuzione, non i dollari per token. Se sei sull'API, moltiplica i token per le fasce del tuo modello. Non mescolare le due cose; un'esecuzione in abbonamento e una via API non sono la stessa unità.

Cosa annotare

Cinque campi bastano, e stanno su una scheda di cartoncino: compito, turni, token in ingresso, token in uscita, rework. Tieni la scheda. Tra un mese avrai sei schede e un quadro del tuo lavoro che nessun confronto pubblicato può darti, perché nessun confronto pubblicato ha il tuo repository.

Il campo che le persone dimenticano è il rework. Un'esecuzione che finisce in otto turni e consegna un bug non costa meno di una che finisce in dodici e consegna la correzione. Conta il secondo passaggio, la correzione, il messaggio «in realtà, no». È lì che si nasconde la vera differenza di costo tra gli agenti, ed è il motivo per cui un prezzo per token è un cattivo sostituto del valore.

Come leggere il risultato

Dividi per compiti finiti, non per prompt. Il numero che conta è il costo per compito che è rimasto sistemato, e di solito ordina gli strumenti in modo diverso da una classifica. Due schemi compaiono abbastanza spesso da meritare un nome. Il primo: lo strumento con la risposta iniziale migliore vince sui compiti semplici e perde su quelli disordinati, perché rilegge più contesto a ogni turno. Il secondo: lo strumento con il prezzo per token più basso perde una volta contato il rework, perché la versione economica ha avuto bisogno della correzione.

L'unica conclusione che il test non sostiene è «questo modello è migliore». Sostiene «questo modello, in questo harness, su questo compito, mi è costato tanto». Quella frase si cita meno e serve molto di più.

La parte che i confronti saltano: l'harness attorno all'agente

Tra il tuo prompt e il modello c'è uno strato di decisioni — quale file viene letto intero, quale log viene troncato, se una lettura ripetuta viene rifiutata, se la build gira prima del turno successivo. Quelle decisioni appartengono all'harness, e spiegano una gran parte della varianza nel test qui sopra. Sono anche l'unica parte dello stack che puoi cambiare mantenendo l'agente che ti piace già.

Questa è la tesi del nostro prodotto, quindi trattala come un'affermazione da verificare e non come un fatto. HarnessUp è un secondo strato locale che agisce tramite gli hook ufficiali di Claude Code e Codex, con 151 strumenti su dieci fronti; non è un proxy, un server MCP o un plugin, e non legge mai il tuo token o la tua chiave. Due strumenti del fronte Risparmio si mappano direttamente su questo articolo: Renew Session, che segna il turno in cui continuare costa più che ricominciare, e First Pass, che compila subito dopo una modifica così una build rotta viaggia con il turno successivo invece di comprarne uno proprio. Il pannello esegue anche HarnessUp Bench, una classifica pubblica di modelli e livelli di effort per accuratezza, ottimizzazione e spesa, costruita su misurazioni anonime di installazioni reali — comprese quelle che ti direbbero che sbagliamo su un modello.

E il confine onesto: oggi lo strato integra Claude Code e Codex automaticamente. Cursor è nella roadmap, non nella confezione. Se il tuo test dice che Cursor vince per il tuo lavoro, la mossa corretta è tenere Cursor e saltare noi.

Un verdetto che puoi difendere

Esegui il test su tre compiti invece di uno — un bug, una feature e un refactor — e avrai un verdetto con una dimensione del campione di nove esecuzioni, che è più di quanto abbiano la maggior parte dei confronti pubblicati. Annota i numeri, tieni le schede e riprendile quando cambia la versione di un modello. Quest'ultima parte è il motivo per cui questo metodo invecchia meglio di una classifica: lo strumento che vince oggi non vincerà per sempre, ma il tuo metodo per verificare funzionerà ancora.

Esegui il test con i tuoi numeri. HarnessUp misura localmente e gratis le tue sessioni di Claude Code e Codex — gli stessi quattro campi, senza la scheda di cartoncino.

Installa gratis