Estudo detalha as preferências de ferramentas de agentes de codificação como Claude Code e Codex

Um estudo recente da Armature detalha as preferências de ferramentas de agentes de codificação como Claude Code, Codex e Cursor, com 16.893 sessões analisadas. A pesquisa utilizou 75 repositórios em 10 linguagens de programação, com nomes de empresas, históricos Git e chaves de API falsos, mas com arquivos de bloqueio reais. Para garantir a fidelidade dos testes, o estudo empregou um "humano simulado" (um orquestrador Gemini 3.7 Flash) para interagir com os agentes, garantindo cenários mais realistas e evitando que os agentes criassem soluções internas sem aprovação.

A metodologia incluiu diferentes perfis de desenvolvedores para os prompts (como "Vibe-coder" e "Senior engineer"), e a execução em sandboxes efêmeras rotativas (E2B, Blaxel, Daytona). A análise das sessões, também feita por um Gemini 3.7 Flash, descartou escolhas enviesadas, resultando em 5.292 sessões válidas. Diferenças cruciais apareceram: o Codex usou buscas na web em 94% das interações, com operadores como "site:", enquanto o Claude Code preferiu seu conhecimento interno, recorrendo à web em apenas 30% dos casos. Essa dependência de "priors" internos do Claude Code já havia sido explorada na cobertura do CEVIU de 20 de abril de 2026, "Mergulhe no Claude Code", que detalhou sua arquitetura e capacidade de invocar serviços externos ou editar arquivos. O estudo atual mostra que o Claude Code cria soluções internas quase o dobro de vezes que Codex e Cursor (19% contra 10%).

A cobertura anterior do CEVIU, especialmente o artigo de 27 de fevereiro de 2026, "O que o Claude Code Realmente Escolhe para Desenvolvimento", já discutia a influência de IAs nas escolhas de stack. Este novo estudo da Armature enriquece essa discussão ao ir além da observação, oferecendo dados concretos sobre as *razões* e *estratégias* por trás dessas escolhas. Enquanto antes se especulava sobre o "stack dominante" moldado pela IA, agora entendemos a profundidade da disparidade (apenas 42% de concordância entre agentes) e o peso de fatores como a linguagem do repositório (Resend para TypeScript, SendGrid para Python) e até mesmo detalhes na página do fornecedor (Mailgun perdendo para Postmark por "retenção de 1 dia"). Além disso, artigos como "Estudo Revela Disparidade de Custos em Agent Harnesses de IA para Codificação", de 3 de setembro de 2026, alertavam sobre a variação de custos; o estudo da Armature começa a mostrar que essas escolhas de ferramentas, baseadas nas estratégias dos agentes, impactam diretamente tais custos.

Para desenvolvedores, este estudo oferece um mapa detalhado do comportamento das IAs de codificação. Entender que o contexto do repositório influencia a escolha de ferramentas, ou que um "humano simulado" melhora a qualidade da decisão, permite criar prompts mais eficazes e antecipar as soluções propostas pelas IAs. Para o mercado, o estudo revela que "ser mencionado não é vencer", com exemplos como LangChain, Netlify e Supabase sendo citados muitas vezes, mas raramente escolhidos. Isso é crucial para fornecedores que buscam otimizar suas estratégias de produto e marketing, focando em como suas ofertas são percebidas e selecionadas por essas IAs, que se tornam cada vez mais centrais no processo de desenvolvimento de software. A otimização para a experiência do desenvolvedor (DX) passa a incluir a otimização para a experiência da IA.