AlphaEvolve vs Cursor Composer 2 vs Claude Code vs Codex CLI: la comparativa de agentes de programación con IA de 2026

He pasado las últimas dos semanas ejecutando las mismas cinco tareas de ingeniería en cada agente serio de programación con IA al que pude echar mano. Algunos los venía usando a diario desde hacía meses. Otros los instalé específicamente para esta comparación. Al final, terminé con una sesión de terminal de 9 pestañas, tres repositorios de prueba en GitHub y una respuesta mucho más clara a una pregunta que me hacen constantemente: ¿qué agente de programación con IA debería usar realmente en 2026?

Aquí está la versión corta. Google acaba de lanzar AlphaEvolve en laboratorios reales de ciencia de materiales y fábricas de litografía, donde está recuperando el 0,7 % del cómputo global de Google y ayudando a Schrödinger a entrenar campos de fuerza moleculares cuatro veces más rápido. Cursor lanzó Composer 2 en marzo y ahora supera a Claude Opus 4.6 en Terminal-Bench. Anthropic siguió refinando Claude Code a lo largo de la línea 2.x y agregó subagentes, plugins, skills, hooks y modos de permisos por directorio. La Codex CLI de OpenAI es la que nadie menciona y, silenciosamente, se está convirtiendo en la mejor opción para desarrolladores que viven en la terminal. Aider y Cline siguen siendo el destino al que vas cuando no quieres pagarle a nadie.

Ninguno es el mejor en todo. El que recomendaría depende de lo que estés intentando construir, y esa es la parte que se pasa por alto en la mayoría de las comparaciones. Déjame contarte lo que aprendí.

Si quieres probar tú mismo los prompts que usé para estas pruebas, salta a los cinco prompts gratuitos de programación con IA al final del artículo: están probados en batalla y funcionan en cualquiera de los agentes a continuación.

El panorama de la programación con IA en 2026: cinco contendientes reales

Voy a ignorar el ruido. Hay decenas de "herramientas de programación con IA" dando vueltas. Cinco de ellas están haciendo trabajo real en bases de código en producción ahora mismo:

1. Google AlphaEvolve — agente de programación evolutivo de DeepMind, emparejado con Gemini, desplegado en ciencia de materiales y diseño de chips.
2. Cursor Composer 2 — el modelo de programación interno de Cursor, arquitectura MoE, lanzado el 19 de marzo de 2026.
3. Claude Code 2.x — el agente CLI de Anthropic, actualmente en la versión 2.1.119 al momento de escribir esto.
4. OpenAI Codex CLI — Codex evolucionó hasta convertirse en un verdadero agente de terminal con sandboxing.
5. Cline + Aider — el bando de código abierto. Cline vive en VS Code, Aider en tu terminal.

Los he ordenado por nivel de capacidad en la matriz de veredicto cerca del final. Primero, en qué es realmente bueno cada uno y dónde flaquea cada uno.

AlphaEvolve: el especialista al que casi nadie tiene acceso

AlphaEvolve es la entrada más extraña de esta lista porque la mayoría de los lectores nunca lo tocará directamente. DeepMind lo lanzó el 14 de mayo de 2026, pero a diferencia de Cursor o Claude Code, no puedes simplemente hacer npm install. Funciona como un algoritmo evolutivo encima de Gemini Flash (para amplitud de ideas) y Gemini Pro (para profundidad de soluciones), con evaluadores automáticos formales que califican cada solución candidata contra la verdad fundamental.

Lo que lo hace interesante es lo que ha logrado. Substrate, la empresa de litografía por rayos X, integró AlphaEvolve en su pila de litografía computacional y obtuvo una aceleración del 680 % con una reducción del 97 % en el costo de cómputo. Schrödinger, la firma de descubrimiento de fármacos, obtuvo una aceleración de 4x en el entrenamiento e inferencia de Machine Learned Force Field, lo que significa investigación más rápida en catalizadores y proteínas. Dentro del propio Google, AlphaEvolve ha recuperado alrededor del 0,7 % del cómputo global, ha acelerado los kernels de entrenamiento de Gemini en un 23 % y ha optimizado los circuitos Verilog de las TPU.

El logro estelar que la gente cita es el resultado de la multiplicación de matrices. AlphaEvolve encontró una forma de multiplicar dos matrices complejas de 4x4 usando 48 multiplicaciones escalares, superando al algoritmo de Strassen de 1969, que había sido el estándar de oro durante medio siglo.

Voy a ser honesto: yo no escribo algoritmos de multiplicación de matrices para ganarme la vida. Tú probablemente tampoco. AlphaEvolve no está intentando ayudarte a entregar una funcionalidad de Next.js. Es una herramienta de grado investigación dirigida a problemas donde:

• Puedes escribir un evaluador formal que califique soluciones candidatas automáticamente.
• El espacio de búsqueda es enorme y las heurísticas existentes son débiles.
• Una mejora de un pequeño porcentaje vale millones de dólares o años de tiempo de investigación.

Si eres diseñador de chips, investigador de circuitos cuánticos o alguien que trabaja en optimización de redes eléctricas o ciencias de la tierra, AlphaEvolve podría ser genuinamente la herramienta más importante que jamás uses. Si eres como yo —construyendo apps de Next.js, escribiendo integraciones de API, depurando estado de React— ni siquiera está sobre la mesa.

Está disponible a través de Google Cloud ahora, pero los precios y los niveles de acceso no se han publicado de una manera que sugiera disponibilidad amplia. Esta es una herramienta para laboratorios. Trátala como tal.

Cursor Composer 2: pura velocidad

Cursor ha sido el favorito en productividad para desarrolladores serios de aplicaciones desde 2024. Composer 2, que se lanzó el 19 de marzo de 2026, es la versión que finalmente se siente a la altura del bombo.

La ficha técnica, para quien le interese: Composer 2 es una arquitectura de Mixture-of-Experts con una ventana de contexto de 200 000 tokens, construida sobre la base open-source Kimi K2.5 de Moonshot AI, con la primera ronda completa de preentrenamiento de Cursor más aprendizaje por refuerzo encima. El VP de Cursor, Lee Robinson, dijo que cerca del 75 % del rendimiento proviene de su propio entrenamiento. Es el tercer modelo de la serie: Composer 1 (octubre de 2025), Composer 1.5 (febrero de 2026) y ahora Composer 2.

El precio es la parte que me sorprendió: 0,50 USD por millón de tokens de entrada, 2,50 USD por millón de salida. La variante rápida (que es la predeterminada dentro de Cursor) cuesta 1,50/7,50 USD. Eso es aproximadamente 10 veces más barato que Claude Opus 4.6 y 5 veces más barato que GPT-5.4. Para programación agéntica donde quemas cientos de miles de tokens por sesión, la diferencia de costo es real.

Benchmarks (estos son los números del propio Cursor, así que tómalos con un grano de sal, pero la metodología está publicada en su informe técnico):

¿Cómo se siente esto en la práctica? Le di a Composer 2 una refactorización de 14 archivos de una app de Next.js 15: mover acciones de servidor fuera de los handlers de rutas hacia una capa RPC tipada. Terminó en aproximadamente cuatro minutos, con dos correcciones menores de seguimiento necesarias. Claude Code tomó alrededor de seis minutos en la misma tarea en un worktree separado. Composer fue más rápido, los diffs eran más ajustados y la integración con el IDE significó que no tuve que cambiar de contexto.

Donde Composer 2 falla: cualquier cosa que requiera razonamiento profundo antes de escribir código. Decisiones de arquitectura. Depuración de rendimiento donde el cuello de botella no es obvio. Bugs sutiles de concurrencia. Se apura. Composer es una herramienta de velocidad. Escribe con confianza y rapidez, y se equivoca con menos frecuencia que la versión anterior, pero cuando se equivoca, se equivoca rápido y tienes que atraparlo. Para trabajo de UI, funcionalidades CRUD y refactorizaciones rutinarias es lo mejor que he usado. Para trabajo de sistemas, cambio.

Si quieres una comparación más profunda cara a cara, mi comparativa Cursor vs Windsurf vs Claude Code de principios de este año cubre las concesiones a nivel de IDE con más detalle.

Claude Code 2.x: el que realmente uso todo el día

Voy a declarar mi sesgo de entrada. Claude Code es el agente que mantengo abierto en tres pestañas de terminal mientras trabajo. La versión actual es la 2.1.119 (sí, acabo de revisar) y la línea 2.x ha madurado hasta convertirse en la herramienta más flexible del grupo, a costa de ser la más quisquillosa de configurar.

Qué cambió desde 1.x:

• Subagentes. Puedes definir agentes especializados en .claude/agents/ con sus propios prompts de sistema, modelo y lista blanca de herramientas. Tengo un security-reviewer que solo lee archivos y ejecuta grep, y un db-expert que tiene acceso a la shell de mi Postgres local.
• Skills. Archivos Markdown en .claude/skills/ que Claude invoca automáticamente cuando una tarea coincide con la descripción de la skill. Distintos de los slash commands: estos se disparan con lenguaje natural, no con /skill-name.
• Plugins. Paquetes distribuibles de skills, agentes, hooks y servidores MCP. claude plugin install y has extendido Claude Code sin copiar y pegar.
• Hooks. Ocho tipos de eventos —PreToolUse, PostToolUse, SessionStart, Stop, etc.— que te permiten ejecutar comandos de shell automáticamente. Tengo un hook PostToolUse que ejecuta ruff --fix después de cada escritura de archivo Python. Ha transformado lo limpio que se mantiene mi código.
• Worktrees. claude -w feature-x crea un worktree de git aislado en .claude/worktrees/feature-x. Se acabó eso de que el agente pisotee mi rama principal.
• Modo print + esquema JSON. claude -p "tu tarea" --output-format json --json-schema '{...}' te da salida estructurada para pipelines de CI. Esto es enorme para automatización.
• Soporte MCP. Agrega servidores de bases de datos, Linear, GitHub, Puppeteer: cualquier cosa con un servidor MCP.

La razón técnica por la que prefiero Claude Code: cuando le lanzo un problema duro de razonamiento —una fuga de memoria, una condición de carrera, un fallo confuso en una prueba— pasa tiempo pensando antes de actuar. Composer se apura. Codex ejecuta. Claude pausa, lee más contexto y a menudo atrapa el bug real al primer intento en lugar de parchear el síntoma.

La desventaja: la configuración. El diálogo de confianza, el diálogo de permisos, el modo --dangerously-skip-permissions (que tiene el peor valor predeterminado del mundo: "No, salir"), la jerarquía de settings, la limpieza de variables de entorno. He visto a usuarios nuevos rebotar en la primera hora. Una vez que pasas eso, vale la pena. Antes de eso, no.

Un consejo profesional si vas a probarlo: deja un archivo CLAUDE.md en la raíz de cada proyecto con tus convenciones. Claude lo lee al inicio de cada sesión. El mío para este sitio tiene las reglas de lint, el comando de pruebas, el pipeline de despliegue y la regla de "nunca hacer commit en main". Me ahorra 20 correcciones por día.

Para una revisión más profunda de las capacidades de programación de Anthropic a nivel de modelo, mira mi opinión sobre Claude Opus 4.6 vs GPT-5.2.

OpenAI Codex CLI: el éxito silencioso

La reencarnación de Codex en 2025 no es el modelo de autocompletado de 2021. Este es un agente autónomo real, distribuido como npm install -g @openai/codex, con un sandbox limpio de tres modos: exec para tareas de un solo disparo, --full-auto para bucles agénticos en sandbox y --yolo cuando quieres que simplemente avance.

Codex es lo que uso cuando:

• Estoy trabajando por SSH en un servidor y el proyecto es pequeño.
• Quiero una experiencia limpia, scriptable, de "dale una tarea y aléjate".
• Estoy en el repositorio de otra persona y no quiero arrastrar la configuración completa de Claude Code.

El argumento es la simplicidad. Necesita un repositorio git (se niega a ejecutarse fuera de uno; puedes hacer mktemp -d && git init para trabajo de borrador), necesita autenticación de OpenAI, y eso es todo. El modo --full-auto corre en un sandbox que aprueba automáticamente cambios de archivos dentro del workspace pero bloquea el escape de la shell. --yolo apaga ambos, lo cual solo uso en VMs desechables.

Donde Codex brilla: tareas pequeñas y bien definidas. "Construye un juego de la serpiente en Python." "Escribe una CLI que convierta YAML a JSON con un flag para salida compacta." "Agrega un middleware de rate-limit a esta app de Express." Hace estas cosas en 30 segundos y la salida es limpia.

Donde se cae: cualquier cosa que requiera entender una base de código grande. Codex no tiene el mismo nivel de disciplina de gestión de contexto que te dan /compact y el sistema CLAUDE.md de Claude Code. Para una app de Next.js de 50 archivos, recurriría a Cursor o Claude antes que a Codex. Para un script Python de un solo archivo, Codex gana en tiempo hasta resultado.

Si te interesa la evolución de la app de Codex para macOS y cómo se conecta con el ecosistema de OpenAI, mi pieza anterior sobre la app de OpenAI Codex para macOS cubre la estrategia de producto más amplia.

Aider y Cline: los contendientes de código abierto

Si tu respuesta a "¿qué agente?" es "el que no tengo que pagar", tus dos opciones reales son Aider y Cline.

Aider es un agente basado en terminal que ha sido silenciosamente excelente desde 2023. Funciona con cualquier modelo: lo apuntas a OpenAI, Anthropic, OpenRouter, una instancia local de Ollama, cualquier cosa que hable el formato API de OpenAI. Es consciente de git: cada cambio que hace Aider es un commit, con un mensaje generado. Puedes usar aider --browser para una UI web, pero la mayoría de sus usuarios viven en aider en la línea de comandos. Es una sola instalación de Python (pip install aider-chat) y hace una cosa extremadamente bien: editar código en tu repositorio con el modelo de tu elección.

Cline (anteriormente conocido bajo varios nombres, a veces visto como Roo Code en forks) es una extensión de VS Code. Pone una barra lateral de chat en el editor que puede leer archivos, ejecutar comandos de terminal, editar código y usar un navegador. Como Aider, es BYOM: trae tu propio modelo. A diferencia de Aider, tiene una UI real y es más amigable para desarrolladores que no quieren vivir en una terminal.

El argumento honesto para ambos: si estás ejecutando un modelo local en una máquina potente y no quieres enviar tu código a un proveedor, esta es tu pila. Aider con Qwen3-Coder 30B corriendo en Ollama es una configuración de programación respetable a costo cero recurrente.

La pega honesta: en la frontera, los agentes de pago siguen siendo mejores. Composer 2, Claude Code con Opus 4.6 y Codex con GPT-5.4 superan a cualquier configuración de modelo local que haya probado en tareas duras. La brecha es más estrecha que hace dos años. Sigue siendo real. Si tu trabajo es lo suficientemente sensible como para que se requiera solo local, vale la pena la concesión. Si estás optimizando por costo y no te importa enviar peticiones a la nube, los agentes de pago siguen siendo la respuesta de mejor calidad.

Para la configuración específica de modelos locales, mi guía de Claude Cowork + modelos locales recorre la integración con Ollama paso a paso.

La matriz de veredicto: empareja el agente con la tarea

Deja de preguntar "¿cuál es el mejor?". Empieza a preguntar "¿cuál es el mejor para lo que estoy haciendo?". Así los empareja yo:

La combinación que personalmente uso: Cursor para trabajo rápido de funcionalidades, Claude Code para problemas difíciles e infraestructura, Codex para scripts puntuales. A AlphaEvolve no tengo acceso. A Aider lo mantengo instalado para días de viaje cuando estoy sin conexión.

5 prompts gratuitos de programación con IA (probados en batalla)

Estos son los prompts que realmente uso. Están escritos para funcionar en cualquiera de los agentes anteriores: cópialos, pégalos, reemplaza las partes entre corchetes y listo. Las versiones de PromptSpace de estos están en nuestra colección de prompts de programación si quieres más.

1. El prompt de "Refactoriza-sin-romperlo"

I want to refactor [FILE OR MODULE] to [GOAL].

Before you start, do these in order:
1. Read the file and list every function/component being changed.
2. Find every call site of those functions across the codebase.
3. List the test files that exercise this code.
4. Show me your refactor plan as a numbered list before writing any code.

Then wait for me to confirm. After I confirm, make the changes one function at a time, run the relevant tests after each change, and stop if any test fails.

Esto detiene el modo de fallo de "reescribe la mitad del archivo y rompe otros tres módulos" por el que los agentes de IA son infames. El patrón forzado de planear-y-luego-ejecutar me ha ahorrado innumerables rollbacks.

2. El prompt de triaje de bugs

I'm seeing this bug: [SYMPTOM]
Steps to reproduce: [STEPS]
What I've already tried: [LIST]

Don't propose a fix yet. First, give me your top 5 most likely root causes ranked by probability, with reasoning for each. Then tell me what you'd need to inspect to confirm the #1 candidate. Wait for me to share that data before suggesting code changes.

Fuerza la depuración basada en hipótesis primero, en lugar de "déjame intentar cambiar esto a ver qué pasa". Así es exactamente como los ingenieros senior abordan bugs desconocidos.

3. El prompt de revisión de código

Review this diff: [PASTE OR REFERENCE]

Score it on these dimensions, 1-5:
- Correctness (does it do what it claims?)
- Edge cases (what's missing?)
- Security (any new attack surface?)
- Performance (any new hot paths?)
- Readability (could a junior follow it?)
- Testing (is what's tested actually what could break?)

For any score below 4, give me a specific concrete fix. Don't just describe the problem.

El puntaje por dimensiones obliga al agente a mirar realmente cada aspecto en lugar de comentar solo las partes fáciles de comentar.

4. El prompt de revisión de cordura de arquitectura

I'm planning to [DESIGN GOAL]. My current plan is [PLAN].

Play devil's advocate. Steel-man two alternative approaches I haven't considered. For each one, tell me:
- The strongest argument for this approach
- The biggest risk
- A specific scenario where this approach is clearly better than my plan

Then give me your honest recommendation: stick with my plan, switch to alternative A, switch to alternative B, or hybrid.

Mejor usado al inicio de cualquier funcionalidad no trivial. El encuadre de "steel-man" obliga al agente a argumentar en tu contra, que es donde está el valor.

5. El prompt de perfil de rendimiento

This code [PASTE OR REFERENCE] feels slow. Profile it without running it.

Walk through the code line by line and flag:
- Any O(n²) or worse patterns
- Any database/network calls inside loops
- Any synchronous operations that should be async
- Any allocations inside hot paths
- Any obvious cache opportunities

For the top 3 issues, give me the actual replacement code, not just a description.

Esto es más rápido que ejecutar un profiler real para las victorias obvias. Lo uso como primera pasada antes de instrumentar nada.

FAQ rápida

¿AlphaEvolve está disponible para desarrolladores comunes?

En realidad, no. Es accesible a través de Google Cloud, pero está posicionado para laboratorios de investigación y grandes empresas con flujos de evaluadores formales. Si estás construyendo apps, no es la herramienta para ti. Los titulares (multiplicación de matrices, aceleraciones de litografía, entrenamiento de MLFF) provienen todos de laboratorios con experiencia profunda y especializada. Quédate con Claude Code, Cursor o Codex a menos que estés haciendo investigación genuina.

¿Cursor Composer 2 es realmente mejor que Claude Opus 4.6?

En Terminal-Bench 2.0 específicamente, sí: 61,7 contra puntajes más bajos para Opus 4.6 en los benchmarks propios de Cursor. En tareas más duras de razonamiento como depuración compleja, Claude sigue ganando para mí en uso lado a lado. Están optimizados para cosas distintas. Composer 2 está optimizado para velocidad rápida de funcionalidades dentro del IDE. Opus 4.6 dentro de Claude Code está optimizado para disciplina de contexto y razonamiento profundo. Usa ambos.

¿Puedo usar Claude Code sin una clave de API de Anthropic?

Sí. Dos caminos: inicia sesión con una suscripción Pro/Max (flujo OAuth en el navegador), o enruta Claude Code a través de un proxy local como LiteLLM que sirva como frente de un modelo distinto. El segundo camino te permite apuntar Claude Code a Kimi K2.5, GPT-5 o cualquier modelo que hable la API Anthropic Messages. A la CLI no le importa de dónde vienen los tokens.

¿Qué agente es mejor para principiantes?

Cursor, por un margen. La experiencia con IDE primero significa que no tienes que aprender una CLI, gestionar archivos de configuración ni lidiar con diálogos de permisos. Abre el editor, presiona Cmd-K, escribe una solicitud, míralo trabajar. Claude Code y Codex son más potentes pero te exigen más por adelantado.

¿El código abierto ya es suficientemente bueno?

Para trabajo rutinario, sí. Para trabajo de frontera, no: todavía hay una brecha real de calidad entre Qwen3-Coder 30B corriendo en tu máquina y Claude Opus 4.6 corriendo en los servidores de Anthropic. La brecha se reduce cada trimestre. Si tu trabajo no necesita razonamiento de nivel frontera, Aider con un modelo local es genuinamente usable en 2026. Si lo necesita, sentirás la brecha.

¿Los agentes de programación con IA están reemplazando a los desarrolladores?

Están reemplazando el 30 % aburrido del trabajo. El 70 % divertido —la parte que requiere juicio, gusto, diseño de sistemas, depurar fallos extraños en producción y discrepar con cortesía con los stakeholders— es, en todo caso, más valioso ahora porque las partes aburridas avanzan más rápido. Los desarrolladores que conozco que mejor les va en 2026 son los que tratan a los agentes como un multiplicador de fuerza, no como un reemplazo.

Lo que haría si estuviera empezando hoy

Elige uno. Úsalo durante dos semanas. No vayas de compras de agentes. Cada hora que pasas comparando agentes es una hora que no pasaste entregando código.

Si eres desarrollador frontend construyendo funcionalidades de producto, consigue Cursor y usa Composer 2. Si eres una persona de backend o sistemas que vive en la terminal, consigue Claude Code y aprende a usarlo bien. Si quieres costo cero de suscripción, consigue Aider y un modelo local. Después de dos semanas de uso real sabrás si quedarte o cambiar. Cualquiera que te diga que uses tres agentes a la vez probablemente está intentando venderte algo.

La verdad aburrida en 2026 es que los cinco agentes de esta lista son genuinamente usables. La verdad aburrida en 2025 era que solo dos lo eran. Hemos avanzado mucho rápidamente. Elige uno, entrega algo y vuelve el año que viene.

👉 Prueba los prompts de arriba en el playground gratuito de Claude de PromptSpace. La redacción exacta importa más que el modelo. Un buen prompt con un modelo de gama media le gana a un prompt descuidado con el mejor modelo del mercado.