# El mismo agente de código puede costar el doble según el arnés: lo que midieron UC Berkeley y Arena > UC Berkeley y Arena probaron siete modelos en Claude Code, Codex y Pi. El acierto casi no cambia y el coste por tarea llega a duplicarse. Tabla y cuenta en pesos. - Publicado: 17 de septiembre de 2026 - Autor: Equipo de IntegraLaIA - Categoría: Actualidad - Temas: Actualidad, Agentes, Costos, Modelos - Original: https://integralaia.com/blog/harnesstax-coste-agente-de-codigo-segun-arnes - Cómo se hizo: Borrador asistido por IA (Claude); revisado, editado y verificado por Equipo de IntegraLaIA el 17 de septiembre de 2026. Ilustración generada con IA. --- El 16 de septiembre un equipo de UC Berkeley y de Arena publicó HarnessTax, un estudio que separa dos decisiones que suelen tomarse juntas: qué modelo usa un agente de código y en qué arnés corre. El arnés es el programa que le da al modelo sus herramientas, arma su contexto y ejecuta cada paso. Probaron siete modelos en tres arneses: Claude Code, Codex CLI y Pi, de código abierto y con solo cuatro herramientas. Cada una de las 21 combinaciones resolvió las mismas 30 tareas de SWE-bench Lite y de Terminal-Bench 2.0, tres veces cada una, con la misma lista de precios de API para todas. ## La misma tabla para los tres arneses | Modelo | Claude Code | Codex CLI | Pi | |---|---|---|---| | Claude Fable 5 | 1,33 USD · 97,8 % | 0,89 USD · 96,7 % | 0,67 USD · 96,7 % | | Claude Opus 4.8 | 0,98 USD · 86,7 % | 0,69 USD · 88,9 % | 0,47 USD · 82,2 % | | Claude Sonnet 4.6 | 0,67 USD · 66,7 % | 0,74 USD · 68,9 % | 0,68 USD · 64,4 % | | Claude Haiku 4.5 | 0,43 USD · 52,2 % | 0,39 USD · 57,8 % | 0,37 USD · 60,0 % | | GPT-5.6 Sol | 1,54 USD · 77,8 % | 0,56 USD · 73,3 % | 0,44 USD · 74,4 % | | GPT-5.6 Luna | 0,15 USD · 55,6 % | 0,04 USD · 55,6 % | 0,03 USD · 53,3 % | | Kimi K3 (pesos abiertos) | 0,78 USD · 76,7 % | 0,85 USD · 74,4 % | 0,46 USD · 72,2 % | SWE-bench Lite: coste medio por intento y tasa de éxito, con los datos publicados por HarnessTax. Precios de API fijados al 1 de septiembre de 2026. ## El acierto casi no se mueve, la factura sí Con el mismo modelo, el efecto medio del arnés sobre la tasa de éxito quedó dentro de dos puntos en SWE-bench Lite y de unos cinco en Terminal-Bench 2.0. El coste llegó a multiplicarse por cinco. Los autores lo llaman impuesto del arnés: pagar más por la misma calidad por aceptar la herramienta por defecto sin comparar. Parte de la diferencia está en la primera llamada. En SWE-bench Lite, la primera petición al modelo lleva de media unos 2.000 tokens de contexto con Pi, unos 11.300 con Codex y unos 27.000 con Claude Code, sumando instrucciones, definiciones de herramientas y el enunciado de la tarea. Y el arnés del propio laboratorio no asegura la tasa más alta: los modelos de Anthropic y OpenAI lograron su tasa más alta con un arnés ajeno en nueve de doce comparaciones. Son 30 tareas por prueba sobre benchmarks públicos, y los autores advierten que otras cargas pueden dar otro resultado. ## Qué cambia para una empresa en Colombia **El arnés es media decisión de compra.** Con la TRM del 17 de septiembre (3.128,46 pesos), mil intentos de tarea con Claude Fable 5 cuestan unos 4,16 millones de pesos en Claude Code y unos 2,08 millones en Pi, con casi el mismo acierto. Quien compara agentes de código mirando solo el modelo deja la otra mitad de la factura sin decidir. **La comparación que vale es la tuya.** Veinte o treinta tareas reales de tu propio código, en dos arneses, midiendo coste por tarea resuelta. El argumento contrario lo dan los propios autores: un arnés con más funciones puede rendir más en sesiones largas o interactivas, que el estudio no midió. **El modelo no te ata a la herramienta.** Si los modelos rinden igual o mejor fuera de su arnés de origen, cambiar de herramienta no obliga a cambiar de proveedor. Y el gasto en agentes de código ya no es menor: [OpenAI publicó cuánto consume por investigador](/blog/openai-cuanto-gasta-en-agentes-al-dia). La misma trampa aparece cuando dos modelos se comparan con un solo número que nadie midió en la misma mesa: [Laya contra Jev, y lo que dicen los dos bancos que corrieron los dos](/blog/jev-vs-laya-modelos-system-one). Escribimos desde la operación de agentes en producción ([casos](/casos)). Si quieres esta cuenta con las tareas de tu equipo, [hablemos](/contacto). --- ## Sobre qué se escribió - Melissa Z. Pan, Shuo Yang, Negar Arabzadeh, Wei-Lin Chiang, Ion Stoica y Matei Zaharia (UC Berkeley y Arena), «HarnessTax: How Much Does the Harness Matter for Coding Agents?», publicado el 16 de septiembre de 2026: https://harnesstax.github.io/ - HarnessTax, datos de las figuras (coste medio por intento y tasa de éxito por modelo y arnés, contexto de la primera llamada), consultados el 17 de septiembre de 2026: https://github.com/HarnessTax/HarnessTax.github.io/tree/main/data/charts - Pi, arnés de agente de código de código abierto con licencia MIT: https://github.com/earendil-works/pi - Superintendencia Financiera, TRM vigente el 17 de septiembre de 2026 (3.128,46 pesos), datos abiertos: https://www.datos.gov.co/resource/32sa-8pi3.json IntegraLaIA (https://integralaia.com). Publicado bajo el enlace original; cítalo si lo reutilizas.