Repository intelligence: la nueva ola de IDE-IA

La generación 2022-2024 de copilots de código se vendía con la misma promesa: “completá la línea por mí”. Era útil pero limitado — el modelo veía la función actual, a veces el archivo entero, y poco más. La generación 2025-2026 cambió la pregunta. En vez de “qué línea sigue”, la nueva métrica es “entendés mi repositorio completo y por qué cada decisión tiene su historia”. GitHub bautizó esta era repository intelligence en su keynote de abril de 2026, y los tres jugadores que disputan el liderazgo — Claude Code, Cursor y GitHub Copilot — están construyendo enfoques radicalmente distintos para resolver el mismo problema.

El número que define el momento: en marzo de 2026, Claude Code firmó aproximadamente el 4% de todos los commits públicos en GitHub. Una sola herramienta autora 1 de cada 25 líneas de código open source publicadas en el planeta. La conversación dejó de ser “¿la IA va a reemplazar a los devs?” y pasó a “¿qué arquitectura de ingesta de contexto va a ganar?”. Este post compara los tres enfoques con datos, casos reales y una recomendación honesta por perfil.

Qué es exactamente “repository intelligence”

El término es nuevo pero el problema es viejo: cuando un dev senior abre un PR ajeno, no lee solo el diff. Lee el archivo, mira el blame para entender quién y por qué tocó esa línea, busca otras implementaciones similares en el repo, revisa los issues relacionados, y se pregunta si el cambio rompe una invariante implícita que solo está documentada en un comentario de hace tres años. Toda esa contextualización es lo que hace que un junior y un staff engineer reaccionen distinto al mismo PR.

Repository intelligence es el intento de que la IA haga ese mismo proceso. Tres capacidades concretas:

1. Ingesta de codebases enteros, no archivos sueltos. Cargar 200K-2M de líneas en contexto y razonar sobre relaciones cross-archivo.
2. Comprensión de la historia. Leer git log, git blame, el contenido de PRs cerrados, el lenguaje de los commits — y usarlo para entender por qué algo está como está.
3. Razonamiento sobre relaciones. Entender que UserService se usa en 47 lugares, que el módulo de pagos depende de un schema de Prisma que cambió en migrations/0042, que el test E2E de checkout ya cubre el flujo que estás por modificar.

Los tres jugadores resuelven estas tres capacidades con arquitecturas distintas, y ahí es donde aparece la diferencia real.

Claude Code: el enfoque “ingest everything”

Claude Code apareció en mayo de 2025 — exactamente hace un año desde este post — y para principios de 2026 ya era la herramienta número uno en la encuesta anual de “most loved” entre devs con un 46% de aprobación, contra 19% de Cursor y 9% de Copilot. Su tesis arquitectónica es radical: dejar que el modelo lea todo lo que quiera, cuando quiera, sin pre-indexado.

En la práctica funciona así: Claude Code corre en tu terminal como un agente con acceso a tu filesystem y a comandos shell. Cuando le pedís algo, el modelo decide qué archivos abrir, qué grep correr, qué historial inspeccionar. No hay índice pre-computado del repo; el contexto se construye demanda. Para repos medianos (50K-500K líneas) eso funciona sorprendentemente bien — Claude 4.7 maneja una ventana de contexto de 200K tokens efectivos, suficiente para tener docenas de archivos abiertos simultáneamente más toda la historia relevante.

Los benchmarks lo confirman:

Claude Code paga su superioridad con dos costos reales: velocidad (cargar contexto fresco cada vez es más lento que un índice pre-computado, sobre todo para tareas chicas) y precio (los planes Pro y Max cuestan USD 100-200/mes y el uso intensivo puede inflar la factura). Para devs ecuatorianos con tickets de pago en USD, ese ratio es brutal — vale el equivalente al 8-20% del salario medio. Pero el rendimiento por dólar sigue siendo competitivo si tu output sube proporcionalmente.

Para entender la filosofía con más profundidad, vale la pena leer también el análisis de Claude 4.7 para desarrolladores que escribimos hace unos meses — la arquitectura de inference que sostiene Claude Code es la base de todo lo demás.

Cursor: el enfoque “editor-first con indexado”

Cursor sigue siendo el favorito de devs que pasan la mayor parte del día en un editor y odian la terminal. Su tesis es la opuesta a la de Claude Code: construir un índice del repo y consultarlo cuando el modelo lo necesite.

Concretamente, Cursor mantiene un índice vectorial del codebase que se reconstruye cada 10 minutos. Cuando hacés una pregunta o pedís un cambio, Cursor decide qué chunks del índice son relevantes y los inyecta al contexto del modelo. Eso le da dos ventajas reales: latencia muy baja para preguntas pequeñas (porque no hay que recargar nada), y costo mucho más bajo (USD 20/mes el plan Pro, vs. USD 100+ de Claude Code).

El problema documentado del índice cada 10 minutos: si acabás de refactorizar un archivo, las próximas consultas pueden devolver resultados basados en la estructura vieja. Para sesiones de trabajo intenso donde estás moviendo cosas, Cursor puede sugerir referencias a símbolos que ya no existen o no encontrar funciones que acabás de extraer. Cursor 3 (lanzado en febrero de 2026) bajó el intervalo a 2 minutos en repos chicos y agregó re-indexado incremental on-write, pero el patrón sigue ahí: el índice siempre va un poquito atrás de la realidad.

Para qué brilla Cursor 3:

• Edición continua dentro de un mismo archivo o módulo chico. Latencia imbatible.
• Refactors locales con visión lateral. “Renombrá esta función y actualizá todas las referencias” funciona casi perfecto.
• Comparar con Windsurf 2026: Cursor sigue ganando en customización del modelo y en la calidad del UI; Windsurf gana en el flujo “agent-first” cuando vos no querés tocar nada y delegás tareas grandes.

Para qué Cursor pierde frente a Claude Code:

• Tareas que cruzan muchos módulos del repo. El índice ayuda pero no reemplaza la lectura completa.
• Razonamiento sobre la historia (git log/blame). Cursor lo soporta pero no es su flujo nativo.
• Cambios donde la respuesta correcta depende de entender una invariante implícita que vive en un test o un comentario distante.

GitHub Copilot: la ventaja desigual de los datos

GitHub Copilot fue el primer producto de la categoría — lanzado en 2021 — y en 2024 parecía estar perdiendo terreno frente a Cursor y Claude Code. En 2025-2026 GitHub respondió con una jugada estructural: construir repository intelligence sobre los datos que ya tienen. Microsoft posee GitHub. GitHub tiene acceso al historial completo, los PRs, los issues, las reviews, los actions, las dependencies y la actividad de millones de repos. Esa ventaja es imposible de replicar para Anthropic o para Cursor.

El nuevo Copilot Workspace y Copilot Agent Mode (lanzados en marzo de 2026) usan esa ventaja explícitamente:

• Contexto cruzado de tu organización. Si tu equipo tiene 40 repos en la misma org, Copilot ve patrones across-repo que ni Cursor ni Claude Code pueden ver.
• Integración nativa con PRs e Issues. Copilot puede leer la discusión completa de un issue y proponer una solución que respeta los comentarios.
• Actions y CI awareness. Copilot sabe qué tests se rompieron en commits anteriores cuando alguien hizo un cambio similar al tuyo, y te avisa.

El problema histórico de Copilot — calidad de output inferior a Claude — sigue siendo real pero se acortó. Con GPT-5.5 (lanzado en abril de 2026, ver el post sobre cambios de GPT-5.5) Copilot saltó de 41% a 58% en SWE-bench Verified. Sigue por debajo de Claude Code pero ya no por un abismo.

Para qué Copilot 2026 brilla:

• Equipos enterprise grandes con 20+ repos en una sola org de GitHub.
• Equipos que trabajan via PR-first y quieren que el bot revise, sugiera y a veces apruebe.
• Costos contenidos: USD 19/mes por usuario en el plan Pro+, mucho menos que las alternativas.
• Trazabilidad y compliance: Copilot Enterprise tiene logging granular, audit trails y todo lo que un equipo regulado necesita.

Caso real: monorepo de 300K líneas

Pedimos a los tres construir la misma feature en un monorepo público de Next.js + NestJS + Prisma con ~300K líneas: agregar un endpoint nuevo /api/users/:id/preferences que respete los patrones existentes de auth, validación con Zod, y persistencia con Prisma. Resultados:

La lectura sincera: Cursor fue el más rápido en wall-clock time pero requirió más intervenciones. Claude Code tardó más pero entregó el código más alineado con los patrones del repo. Copilot quedó en el medio — más barato, más lento, calidad razonable. El “ganador” depende de qué optimizás: si tu hora vale más que el costo de la API, Claude Code rinde mejor. Si estás aprendiendo el repo y necesitás iterar rápido con bajo costo, Cursor.

Recomendación por perfil

Después de un año usando los tres en producción, esta es la tabla honesta de “para quién” cada uno:

Nuestro stack actual en proyectos para clientes: Cursor 3 como editor diario, Claude Code para tareas grandes/agentic, Copilot Pro como red de seguridad en repos donde el cliente ya tiene licencias enterprise. No son excluyentes. Pagamos los tres y los usamos como herramientas distintas — igual que un carpintero no usa solo un martillo.

Lo que viene en los próximos 6 meses

Tres señales claras del roadmap del sector:

• Repos como memoria persistente del agente. GitHub anunció que el contexto de un repo va a estar disponible como “memory store” persistente para agentes externos, vía MCP. Eso permitiría que Claude Code mantenga estado entre sesiones sin reingerir todo cada vez.
• Multi-agente coordinado en un mismo repo. Microsoft y Anthropic están publicando especificaciones para que varios agentes trabajen en paralelo sobre el mismo codebase sin pisarse. El primer producto comercial llega antes de fin de año.
• Costos cayendo a la mitad. Tanto Claude Code como Copilot anunciaron tiers de uso intensivo más baratos por hora. La presión de Cursor está empujando los precios para abajo.

La pregunta interesante deja de ser “qué IDE-IA usar” y pasa a ser “cómo organizo a un equipo donde la mitad de los PRs son escritos por máquinas”. Esa conversación apenas empieza y no la resuelve ninguna comparativa de herramientas.

Tabla resumen