Cuando asignas una tarea a un agente de código, hace mucho más que editar archivos. Instala paquetes, ejecuta comandos de shell e incorpora utilidades para completar el trabajo. Un estudio que abarcó aproximadamente 17.000 ejecuciones de agentes se planteó una pregunta concreta: cuando Claude, Codex y Cursor tienen libertad para decidir, ¿qué herramientas eligen realmente? La respuesta es un panorama respaldado por datos del comportamiento de los agentes, no la descripción de un proveedor.
La noticia principal para los desarrolladores es que los agentes convergen en un stack bastante predecible de herramientas de línea de comandos estándar — las utilidades Unix, gestores de paquetes y herramientas de búsqueda que los desarrolladores experimentados usan por instinto. Esto importa porque las herramientas que un agente asume que existen determinan directamente qué tan bien funciona. Si tu sandbox o contenedor CI carece de una utilidad que el modelo espera, obtienes ejecuciones fallidas, tokens desperdiciados y bucles de reintentos.
Las diferencias entre agentes es donde se vuelve útil. Cada producto tiene sus propios valores predeterminados y hábitos, así que cambiar de un agente a otro no es un cambio neutral — puede modificar lo que tu entorno necesita soportar. Si estandarizas una imagen base para la ejecución de agentes, este tipo de datos te dice exactamente qué preinstalar para que el agente dedique su presupuesto a resolver el problema en lugar de armar su propio kit de herramientas.
Qué hacer al respecto: audita los comandos que tus agentes invocan en tus propios registros, luego integra los más comunes en tu entorno de ejecución desde el inicio. Preinstalar CLIs solicitados frecuentemente reduce la latencia y las tasas de fallo, y además funciona como control de seguridad — tú decides qué está disponible en lugar de permitir que el agente instale paquetes arbitrarios durante la ejecución.
El punto más amplio es que el rendimiento de los agentes depende tanto del diseño del entorno como del diseño del prompt. Medir el comportamiento real en miles de ejecuciones supera a adivinar, y es repetible: instrumenta tus sesiones, cuenta qué se invoca y aprovisiona en consecuencia. El desglose completo, incluyendo rankings por agente, vale la pena leer si operas agentes a cualquier escala significativa.