Hilo de Jeffrey Emanuel (@doodlestein)

Creo que subestimé demasiado el nuevo modelo de aprendizaje de programación Composer-1 de Cursor. Es cierto que es claramente inferior a GPT-5 High Effort y GPT-5-Codex, y por eso, al diseñar e implementar proyectos de código importantes, no le veo cabida en mis flujos de trabajo. Por otro lado, es extremadamente rápido (me pregunto cómo lo hicieron; ¿están usando hardware Groq o Cerebras? ¿será porque el modelo es tan pequeño y eficiente? No estoy seguro), y esto por sí solo abre un montón de nuevos flujos de trabajo y técnicas de trabajo para cuando el código no es tan crítico para la misión, o cuando estás comenzando un nuevo proyecto y no tienes que preocuparte por romper el código existente. Además, es muchísimo más económico que cualquier variante de GPT-5. Esta combinación de mayor velocidad y menor coste genera una diferencia cualitativa en el uso del modelo que antes no había apreciado del todo. Cuando el coste de iteración es tan bajo, tanto en tiempo como en dinero, se pueden realizar muchas más iteraciones. Eso reduce el valor de la "corrección a la primera"; es decir, la capacidad de un modelo como GPT-5 Pro para resolver correctamente incluso una tarea de codificación compleja a la primera y sin errores (aunque incluso ese modelo a menudo falla en esta prueba tan estricta). Pero si puedes cerrar el bucle de depuración y retroalimentar rápidamente los errores/advertencias al modelo, y cada ronda de iteración tarda entre 20 segundos y un minuto (en lugar de al menos 5 a 10 veces más tiempo usando GPT-5 con mucho esfuerzo), entonces puedes resolver rápidamente todos los errores por chapuza que comete la primera vez (o incluso la segunda, tercera o cuarta vez) y aún así terminar con código funcional antes de lo que podrías con GPT-5. Si estás desarrollando algo en el navegador, ahora puedes completar el ciclo por completo usando la nueva pestaña del navegador de Cursor, que es, sin duda, la mejor implementación de este tipo de función que he visto en cualquier herramienta de programación (¡es muchísimo mejor que usar Playwright MCP de Codex o Claude Code!). Hoy mismo he estado usando esta función con excelentes resultados: Utiliza la pestaña del navegador para explorar sistemáticamente esta aplicación y familiarizarte con la interfaz de forma natural. Mientras lo haces, presta atención a cualquier advertencia o error en la consola de desarrollador. Cuando veas alguno, comienza a diagnosticar y corregir los errores y problemas de forma interactiva e iterativa. Luego, actualiza la aplicación y verifica que el error o la advertencia se hayan resuelto por completo. Al corregir errores, céntrate en determinar la verdadera causa raíz del problema y no apliques soluciones temporales. Sin embargo, este enfoque falla principalmente en las fases conceptuales y de planificación, donde se define qué crear y la mejor manera de implementarlo a grandes rasgos. En estas fases, la falta de reflexión profunda y exploración puede llevarte por un camino equivocado del que es difícil recuperarse. Esto se hace mucho más evidente cuando la tarea en la que trabajas se aleja bastante del flujo constante de datos típico de las tareas de programación comunes. Si estás creando otro sitio web CRUD sencillo, probablemente no lo notes mucho. Pero si estás intentando innovar en una simulación de vida artificial o algo similar, lo notarás muchísimo. Pero existe un buen enfoque híbrido que funciona muy bien: combinar el modelo más inteligente para la planificación con estos modelos rápidos y económicos para generar iteraciones. Así pues, usa GPT-5 Pro en la aplicación del navegador para elaborar tu plan y una implementación inicial; luego, pégalo en Cursor y empieza a iterar, corregir y mejorar. Es mucho más eficaz para modificar una base sólida existente que para crearla desde cero. Donde realmente brilla todo esto es cuando juegas y exploras algo divertido, en un proyecto nuevo sin plazos ni expectativas. En este contexto, la velocidad marca la diferencia. Me recuerda a aquella antigua investigación realizada por IBM a principios de los 80 que analizaba la latencia en los sistemas informáticos, y que descubrió que cuando la latencia baja de cierto nivel mágico, como 50 ms, se produce un gran cambio en el comportamiento porque el cerebro humano percibe que está interactuando con un "sistema en vivo". Por el contrario, cuando la latencia supera incluso un nivel sorprendentemente modesto, como 500 ms, la participación disminuye considerablemente, resultando mentalmente agotador y frustrante. Cuando la latencia alcanza varios segundos o más, la gente tiende a desconectarse y mantener la atención se convierte en una lucha constante. Ver cómo el modelo de codificación responde en segundos y realiza una ráfaga de 10 ediciones en menos de 15 segundos es una experiencia completamente diferente a esperar 5 minutos a que GPT-5, con un alto nivel de esfuerzo, procese algo metódicamente. En fin, es increíblemente divertido trastear con esto. Me resulta más entretenido y atractivo que cualquier videojuego.