⚔️ 9 Agentes IA vs la Misma App — El Experimento de Manware
Tesis central
El modelo es solo la mitad de la ecuación; el harness (arnés/orquestador) es la otra mitad. El mismo DeepSeek pasó de Tier B a Tier S según el entorno donde corrió, y colapsó dentro del arnés de Claude Code.
Y aun así, ninguno igualó a los humanos: todos los agentes convergieron en el mismo diseño oscuro con radar hexagonal. La IA optimiza lo estadísticamente probable; el humano aporta divergencia, humor y alma.
- 🎥 Fuente: «I Built The Same App in 9 AI Agents» — Manware
- 🧪 Reto: un Gamer Personality Quiz de 20–25 preguntas con radar hexagonal 2D, mismo
prompt.mdpara todos
1. La premisa del experimento
| Elemento | Detalle |
|---|---|
| Tarea | App web completa: quiz de personalidad gamer con brújula/radar hexagonal y resultado compartible |
| Fairness | Mismo archivo de instrucciones (prompt.md), orden “hacer lo que sea necesario” |
| Aislamiento | Cada agente en entorno separado, sin acceso al trabajo de los demás |
| Competidores | 9 combinaciones modelo + harness, contra la comunidad de su Discord |
| Criterios | UI/UX, algoritmo central, arquitectura, atención al detalle, creatividad e impacto del harness |
2. Los 9 competidores
| # | Modelo + Harness | Proyecto | Coste | Veredicto |
|---|---|---|---|---|
| 1 | Kimi K3 + OpenCode | Hexaxis | $5.22 | TIER B |
| 2 | DeepSeek V4.1 Flash + OpenCode | Pixel Psyche | $0.032 | TIER B |
| 3 | DeepSeek V4.1 Flash + DeepSeek Harness | Stellar / Atlas | $0.033 | TIER S |
| 4 | Cursor (auto-balance con Grok 4.7) | Rift Index | $8.30 | TIER B |
| 5 | Claude Opus 5.5 Max + Claude Code | PlayerPrint | $16.50 | TIER S · Mejor UI/UX |
| 6 | Codex + GPT Sol 6.1 Ultra | PlayerAtlas | ~$0.27* | BEST BANG FOR BUCK |
| 7 | DeepSeek V4.1 Flash + Claude Code | Spawnpoint | $0.084 | FALLO |
| 8 | GLM 5.3 + OpenCode | — | $10 (saldo) | DQ |
| 9 | Gemini 3.8 Flash + Antigravity | Ludosphere | — | TIER B/C |
* Consumió 3.69% del límite semanal Ultra; equivaldría a ~$7.50 por API directa.
3. Detalle por agente
3.1 Kimi K3 + OpenCode — Hexaxis
- Estética celestial/espacial llamativa.
- Node.js puro + SQLite, sin dependencias pesadas.
- Algoritmo estándar de suma de vectores.
- Acierto: aleatoriza orden de preguntas y respuestas por sesión (anti-trampa).
- Falla: sin soporte de teclado numérico y diseño “sin alma”.
3.2 DeepSeek V4.1 Flash + OpenCode — Pixel Psyche
- Estética arcade de píxeles, JSON como almacenamiento.
- Extras: cálculo de entropía de respuestas (signal clarity) y página que explica la matemática del test.
- Falla: UI abrumadora (5–6 opciones por pregunta), aspecto genérico de IA.
- Dato clave: $0.032 por una app funcional.
3.3 DeepSeek V4.1 Flash + DeepSeek Harness — Stellar / Atlas
La demostración del harness
Mismo modelo que el #2, mismo precio (~$0.033), resultado Tier S. Lo único que cambió fue el entorno de ejecución.
- UI muy pulida.
- Arquitectura isomórfica: el mismo motor de cálculo corre en cliente (feedback instantáneo) y se concilia en servidor Node.js/SQLite — patrón de videojuegos multijugador tipo Valorant o Dota 2.
3.4 Cursor + Grok 4.7 — Rift Index
- Minimalista, tipográfico, limpio.
- Falla: 2 horas hiperoptimizando la vista móvil; backend frágil (Node v24+, sin isomorfismo); parecía herramienta B2B, no un juego.
- Coste alto para el resultado: $8.30.
3.5 Claude Opus 5.5 Max + Claude Code — PlayerPrint
- La UI más fluida y profesional, sin lag pese a las animaciones.
- Doble adaptador de persistencia intercambiable (SQLite + JSON).
- URLs stateless: codifica el resultado completo en una cadena de 12 caracteres; el servidor renderiza la ficha compartida sin tocar la base de datos.
- Falla: algoritmo de puntuación simple.
- Coste: $16.50, el más caro por amplio margen.
- Premios: Mejor UI/UX + Modelo Más Inteligente.
3.6 Codex + GPT Sol 6.1 Ultra — PlayerAtlas
- Diseño oscuro y profesional muy cuidado.
- Economía de suscripción: 3.69% del límite semanal (~7.50 por API).
- Premio: Mejor relación calidad/precio.
3.7 DeepSeek V4.1 Flash + Claude Code — Spawnpoint (el experimento cruzado)
Arnés gnóstico + modelo ajeno = colapso
Claude Code está optimizado para los patrones de pensamiento y tool-calling de Anthropic. Forzar DeepSeek dentro generó fallos de orquestación: 1 hora, el doble de coste ($0.084) y ni siquiera generó la pantalla de resultados.
3.8 GLM 5.3 + OpenCode
- Quemó los $10 de saldo y dejó la web a medias → descalificado por ineficiencia de tokens.
3.9 Gemini 3.8 Flash + Antigravity — Ludosphere
- Antigravity instaló procesos y navegadores sin consentimiento (meme recurrente en la comunidad).
- Sobrearquitectura: React + Vite + Express + autenticación JWT para un quiz estático.
4. El grupo humano (Discord)
| Propuesta | Diferencial |
|---|---|
| Quiz en Godot como paquete de minijuegos | Test de reacción, minijuego rítmico y examen real de física JEE Advanced (fallar = 0 puntos) |
| Quizzes de memes y cultura pop | ”Chud gamer”, waifus, humor absurdo |
| Bootcamp estilo Call of Duty | Tematización militar inmersiva |
La diferencia real
Los humanos no siempre fueron más limpios técnicamente, pero tenían alma, personalidad, diversión y originalidad. Ninguna IA cuestionó el formato ni propuso una idea disruptiva.
5. Veredicto del video
Manware declara ganador a él mismo, mostrando el proyecto que programó a mano en su video anterior (“Which gamer color are you?“): ningún agente igualó su sensibilidad de diseño ni su lógica artesanal.
Recomendaciones pragmáticas
| Herramienta | Cuándo usarla |
|---|---|
| Cursor | Codebases existentes gigantes y navegación profunda en el IDE |
| Claude Code | Proyectos greenfield, refactorizaciones complejas, arquitectura limpia |
| DeepSeek | Tareas mecánicas masivas, scripts, bugs menores, presupuesto mínimo |
6. Análisis crítico: ¿tiene razón?
6.1 Harnesses gnósticos vs. agnósticos — ✅ acierta
El experimento aísla la variable correctamente: mismo modelo, distinto arnés, resultado opuesto. Claude Code depende de tool-calling schemas, manejo de contexto y patrones de retroalimentación diseñados para la familia Claude; un modelo externo no infiere esas expectativas implícitas y entra en bucles de error.
6.2 Arquitectura (isomorfismo y URLs stateless) — ✅ acierta
Las IAs promedio generan arquitectura “de libro”: Docker, PostgreSQL y JWT para una app que solo suma 20 respuestas. Que un agente elija motor isomórfico o codifique el estado en la URL demuestra que con libertad de diseño puede tomar decisiones de ingeniería eficientes, no solo plantillas.
6.3 Coste vs. valor — ✅ acierta con matiz
- Prototipado y tareas por lotes: los modelos baratos tienen ROI descomunal (16.50 por la misma app).
- Ergonomía, mantenibilidad y refinamiento de UI: los modelos frontera siguen justificando su precio en proyectos serios.
6.4 IA vs. humanos (AI Slop) — ✅ la lección más importante
Todos los agentes convergieron en: interfaz oscura, radar hexagonal y suma lineal de vectores. Convergencia estadística = hacer lo más probable. El humano aporta divergencia creativa, humor y empatía con el usuario.
7. Conclusión
Lo que se lleva uno
- Elige el harness antes que el modelo. Un modelo barato en su arnés nativo puede vencer a un frontera mal orquestado.
- El coste no predice la calidad, pero sí la condiciona: 16.50 puede dar el mejor UI/UX.
- La IA no te va a dar la idea. Si el brief es genérico, el resultado será genérico.
- Presupuesto mínimo: DeepSeek. Greenfield serio: Claude Code. Codebase heredado: Cursor.