Las 15 mejores herramientas de programación con IA en 2026: La comparación definitiva

Name

Soren Atelier

Actualizado el 19/5/2026

Las herramientas de programación con IA ya no son solo "plugins de autocompletado". En 2026, la pregunta importante es otra: ¿necesitas un agente capaz de trabajar en repositorios grandes, una herramienta de análisis de datos que entienda salidas de notebooks, o un entorno de desarrollo que conserve la sensación de un IDE?

La respuesta rápida:

• Para ingeniería de software cotidiana y proyectos grandes, empieza evaluando Codex.
• Para Jupyter, ciencia de datos, machine learning y análisis de investigación, mira primero RunCell.
• Si conoces muy bien la arquitectura del proyecto y quieres que el agente respete restricciones técnicas estrictas, Claude Code sigue siendo muy fuerte.
• Si necesitas un IDE completo para ajustes finos, review y edición interactiva de última milla, Cursor suele ser más cómodo.

La diferencia real no está solo en qué modelo es más fuerte, sino en si la herramienta vive en el entorno correcto: repositorio, terminal, IDE, navegador, sandbox en la nube o notebook de Jupyter. Elegir bien reduce cambios de contexto, coste de verificación y retrabajo; elegir mal hace que la IA parezca inteligente, pero se quede bloqueada porque no puede ejecutar, observar resultados ni entender el estado real del proyecto.

A continuación tienes una comparación rápida por flujo de trabajo y, después, el análisis de los escenarios donde cada herramienta encaja mejor: ingeniería de software, análisis de datos en notebooks, interacción en IDE, distribución empresarial, control open source y orquestación de agentes. Ninguna herramienta sirve para todo el mundo. La clave es poner cada una en el entorno donde de verdad destaca.

Comparativa rápida de herramientas de programación con IA en 2026

1. Codex: un agente fuerte para ingeniería de software cotidiana y repos grandes

Codex ya no debería entenderse como "una herramienta de línea de comandos de OpenAI". Es más preciso verlo como el banco de trabajo agéntico de OpenAI para ingeniería de software. Puede entrar por app de escritorio, CLI, web, extensión de IDE y espacios de equipo, apoyado por la inversión de OpenAI en modelos de coding, ejecución en la nube, aplicaciones de escritorio, control de permisos e infraestructura para agentes.

Sus ventajas principales son tres.

Primero, la base de modelos es muy fuerte. Los modelos detrás de Codex se mantienen en la primera línea de capacidad de programación, especialmente en búsqueda de código, cambios multiarchivo, reparación de tests y entrega de implementación en proyectos grandes. No hace falta presentarlo como líder absoluto, pero para desarrollo diario de aplicaciones es una de las primeras herramientas que merece evaluarse.

Segundo, la relación valor/suscripción es buena para desarrolladores intensivos. Si ya usas ChatGPT u OpenAI Workspace con frecuencia, Codex puede reunir chat, tareas de código, agente de escritorio y tareas en la nube dentro de la misma cuenta. En la práctica, el coste total suele ser más fácil de controlar que pagar varios wrappers a la vez.

Tercero, OpenAI empezó pronto a construir tanto en nube como en escritorio. Codex ya apareció como producto independiente de coding agent en la primera mitad de 2025, y después fue completando capacidades de escritorio, CLI, equipos y nube. Para un equipo de ingeniería, esa acumulación de infraestructura importa más que una demo puntual.

Te conviene si:

• Eres ingeniero de software y quieres usar un agente potente en desarrollo diario de aplicaciones grandes
• Ya usas ChatGPT Plus, Pro, Business o Enterprise
• Quieres ejecutar varios agentes en paralelo, no solo abrir una barra lateral de chat
• Priorizas obtener resultados utilizables rápido por encima de controlar cada paso al detalle

A tener en cuenta:

Codex a veces "tiene muchas ideas". Normalmente intenta entregar una solución que funcione, pero si tus instrucciones son muy finas y tus restricciones arquitectónicas muy claras, no siempre seguirá cada límite técnico al pie de la letra. En ese caso, o escribes restricciones más estrictas, o cambias a Claude Code cuando necesites más control de proceso.

También conviene vigilar la lectura de costes. En abril de 2026, OpenAI movió el pricing de Codex desde una estimación más cercana a "por mensaje" hacia una rate card basada en tokens. El centro de ayuda oficial también indica que el coste medio de Codex ronda los 100-200 dólares por desarrollador al mes, aunque depende mucho del modelo, el número de instancias, la automatización y el fast mode.

2. RunCell: el agente de notebooks diseñado para una mentalidad de ciencia de datos

El punto central de RunCell (opens in a new tab) no es que "también pueda escribir Python", sino que trabaja de una forma distinta a un code agent de ingeniería de software. Los agentes de desarrollo suelen tender a escribir mucho código de una vez y validarlo con compilación, tests o builds. En ciencia de datos, el flujo no funciona así.

En Jupyter, la segunda celda que deberías escribir a menudo depende de la salida de la primera. Puedes descubrir primero una proporción anómala de valores faltantes y entonces decidir si agrupar; ver una distribución con cola larga y decidir si aplicar una transformación logarítmica; o generar un gráfico sospechoso y seguir investigando un problema de definición de datos. RunCell se parece más a caminar por esa cadena analítica paso a paso: ejecuta, observa, analiza y decide el siguiente paso.

Por eso alucina menos en tareas de análisis de datos. Un agente generalista de ingeniería tiende a asumir estructuras por plantilla: leer CSV, hacer dropna, agrupar, graficar y devolver una respuesta que parece completa. RunCell pone más peso en el estado real del notebook: qué celdas se han ejecutado, qué valor tienen ahora las variables, qué columnas tiene el DataFrame y cómo se ven de verdad los gráficos y métricas. No parte de lo que los datos "deberían" ser, sino de lo que los datos "ya" muestran.

Ahí está su ventaja: no trata Jupyter como un archivo .ipynb estático, sino que funciona como una extensión de JupyterLab dentro del entorno del notebook. La documentación oficial pide Python 3.10+ y JupyterLab 4.4+, y la instalación es directa:

pip install runcell
jupyter lab

Lectura de precios:

RunCell tiene actualmente tres planes de pago habituales: Pro, Pro+ y Team. Pro cuesta $20/month, Pro+ cuesta $60/month; si un equipo necesita gestión colaborativa, administración de miembros y un uso organizativo más uniforme, puede mirar Team, que cuesta $40/month.

RunCell encaja especialmente en estas tareas:

• Pedir a la IA que continúe escribiendo celdas según el estado de ejecución del notebook, no que genere diez celdas de una vez
• Ejecutar una celda y ajustar la ruta de análisis según la salida real
• Depurar código de pandas, SQL, visualización, modelado estadístico y machine learning
• Explicar gráficos, variables, métricas, outliers y resultados intermedios durante el análisis
• Convertir exploraciones sueltas en un flujo de análisis reproducible

Otro punto fácil de infravalorar es la memoria. RunCell puede aprovechar el estado de ejecución de Jupyter Notebook para conservar valores de variables, resultados intermedios y pasos analíticos, formando un estado de datos reproducible, reejecutable y consultable. Muchos agentes generalistas generan scripts temporales; cuando el script termina, se pierden detalles, y en la siguiente ronda el modelo solo puede adivinar desde la memoria conversacional. Eso empuja el análisis de datos hacia alucinaciones.

El siguiente demo muestra mejor por qué no es una herramienta de autocompletado común:

Si quieres profundizar en notebooks, puedes seguir con Jupyter AI Agent: cómo llevar Jupyter Notebook a un flujo de trabajo agéntico de ciencia de datos.

Si eres científico de datos, investigador, ingeniero de machine learning o trabajas principalmente dentro de notebooks, RunCell debería estar muy arriba en tu lista.

3. Claude Code: para ingenieros que priorizan control técnico

Claude Code no debería reducirse a una herramienta de terminal. Tiene flujos de terminal, forma de escritorio y una experiencia de agente de ingeniería bastante completa alrededor de los modelos Claude. Claude fue un modelo muy fuerte y en 2026 sigue siéndolo, aunque las discusiones sobre su ecosistema, herramientas de terceros y comunidad open source han hecho que la reputación de Claude Code ya no suba de forma tan unidireccional como al principio.

Su mejor escenario es aquel en el que conoces muy bien la arquitectura del proyecto, tienes restricciones técnicas claras y quieres que el agente ejecute tus instrucciones con rigor. Claude Code suele estar más dispuesto a trabajar dentro de los límites que le das, en lugar de inventar una solución "que también podría funcionar".

Te conviene si:

• Entiendes muy bien la arquitectura del proyecto y puedes escribir instrucciones técnicas claras y concretas
• Prefieres control de proceso y menos regresiones técnicas antes que una entrega rápida a cualquier precio
• Trabajas a menudo en páginas frontend, ajustes de UI, detalles de diseño y optimización de experiencia de usuario
• Quieres que el agente explique con lenguaje natural qué hizo y por qué lo hizo

Lectura de precios:

Claude Code puede usarse mediante suscripción Claude Pro/Max o pagando consumo de tokens de la API de Anthropic. En el centro de ayuda oficial de Anthropic de abril de 2026, el plan Max aparece con Max 5x a $100/mes y Max 20x a $200/mes, ambos con acceso a Claude Code. Para API o despliegues empresariales, la documentación de Anthropic ya eleva la referencia de coste medio a unos 13 dólares por desarrollador activo al día, o 150-250 dólares al mes.

Si Codex se parece más a "hacer que algo útil salga rápido", Claude Code se parece más a "hacerlo de forma estable por la ruta técnica que especificaste". También suele rendir mejor que Codex en diseño frontend y gusto de UI, sobre todo en detalles de layout, explicación de copy e interfaz.

4. Cursor: herramienta de programación con IA para quien necesita IDE

Cursor sigue siendo, ante todo, un AI IDE. Nació como fork de VS Code, así que para usuarios familiarizados con VS Code que no están satisfechos con Copilot, el coste de migración es bajo. Reúne Tab, Agent, reglas de proyecto, MCP, Cloud Agents, Bugbot y capacidades de equipo dentro de un IDE, lo que lo hace cómodo para quienes necesitan mirar código, revisar diffs y ajustar archivos de forma continua.

Pero las ventajas tempranas de Cursor se están debilitando. Los code agents dependen cada vez menos del IDE, y sus ventajas iniciales de Tab completion y control del IDE por parte del agente ya no son tan únicas como antes. La respuesta de Cursor ha sido reforzar la inversión en agentes, lanzar una UI más agéntica y entrenar sus propios modelos Composer.

En marzo de 2026, Cursor publicó Composer 2 y afirmó que alcanza nivel frontier en coding, con una referencia de precio de $0.50/M input tokens y $2.50/M output tokens. Esa dirección importa: Cursor antes se parecía más a un wrapper de modelos grandes, por lo que su coste dependía del precio de los modelos subyacentes; con la familia Composer propia, tiene una oportunidad de reducir el coste de agentes sin perder una interacción potente.

Te conviene si:

• Quieres poner IA dentro del editor donde escribes código cada día
• Conoces VS Code, pero quieres un AI IDE más completo que Copilot
• Quieres ver diffs en el IDE, aceptar cambios y seguir preguntando
• El proyecto ya está bastante avanzado y necesitas ajustes precisos, retoques de UI o corrección de detalles

Lectura de precios:

La página oficial de pricing de Cursor muestra Hobby gratis, Individual Pro a $20/mes y Teams a $40/usuario/mes; los planes de mayor uso como Pro+, Ultra y Enterprise están pensados para usuarios más intensivos de agentes. Su punto débil siempre ha sido la sensibilidad al coste: si llamas mucho a modelos caros, Cursor puede salir fácilmente más caro que suscripciones fijas como Codex o Claude Code. Todavía hay que observar si Composer 2 cambia de verdad esa estructura de costes.

5. GitHub Copilot: distribución empresarial fuerte, experiencia de agente más moderada

La mayor ventaja de GitHub Copilot es haber llegado pronto y distribuirse bien. VS Code, Visual Studio, JetBrains, Neovim, GitHub, cuentas empresariales, políticas de organización, code review y seguridad forman una cobertura muy completa. Para empresas que ya viven en el ecosistema Microsoft y GitHub, sus procesos de compra, permisos, compliance y formación son más familiares.

Pero en la práctica, dentro de esta generación de agentes, su experiencia es más moderada. En VS Code no se siente tan fluido como Cursor, y su forma de trabajar con notebooks no compite con un agente notebook-native como RunCell. La ventaja histórica de Copilot venía sobre todo del autocompletado y la distribución de Microsoft, no del agent workflow.

En 2026, la pregunta central ya no es "¿el autocompletado se siente natural?", sino:

• ¿Puede resolver tareas multiarchivo?
• ¿Puede ejecutar y verificar?
• ¿Puede trabajar durante más tiempo?
• ¿Puede gestionar coste y permisos?
• ¿Permite gestionar agentes casi como si fueran teammates?

La documentación oficial de GitHub indica que Copilot migrará a usage-based billing desde el 1 de junio de 2026, y que las interacciones contarán AI Credits por input, output y cached tokens. Copilot tenía una ventaja de precio bastante clara, pero a medida que los agentes y modelos avanzados entran en el sistema de credits, los equipos tienen que recalcular el coste real.

6. Google Antigravity: un IDE agent-first que merece seguimiento

Google Antigravity es la plataforma de desarrollo agéntico que Google presentó con Gemini 3. No se posiciona como un editor tradicional, sino como una forma de subir al agente a un nivel superior: mantiene un IDE familiar en Editor View y usa Manager Surface para coordinar varios agentes trabajando de forma asíncrona en distintos workspaces.

El blog oficial de desarrolladores de Google destaca que los agentes de Antigravity pueden planificar, ejecutar y verificar tareas complejas de forma autónoma a través de editor, terminal y navegador. Ese punto es importante porque la verificación en navegador se está convirtiendo en una capacidad clave para agentes frontend y full-stack.

Te conviene si:

• Quieres observar la dirección de los coding agents en el ecosistema Gemini
• Haces muchas tareas de frontend, interacción y verificación en navegador
• Aceptas la inestabilidad y los cambios de cuota propios de una herramienta nueva

No te conviene si:

• Necesitas la herramienta diaria más estable posible
• No quieres apoyar tu flujo de código en un producto de vista previa
• Eres muy sensible a los límites de permisos cuando un agente ejecuta comandos automáticamente

7. Conductor: más una capa de UI neutral que un agente propio

Aquí Conductor se refiere a conductor.build (opens in a new tab), no a la extensión Conductor de Google Gemini CLI ni al workflow Conductor de Netflix/Orkes.

Conductor se parece más a una capa de UI. Productos como Codex Desktop, Claude Code Desktop o RunCell Desktop suelen incluir agente, harness y UI; Conductor se conecta por debajo a code agents existentes y no construye su propia capa central de agente. Su valor está en usar workspaces aislados y una interfaz común para gestionar varias tareas, permitiendo coordinar herramientas como Codex y Claude Code a la vez.

Te conviene si:

• Ya usas Codex o Claude Code con frecuencia
• Quieres avanzar en paralelo varios issues, bugs o refactors
• Valoras mucho la neutralidad de modelo y quieres cambiar entre distintos agentes desde una sola UI

Su límite también es claro: a medida que Codex y Claude Code maduran sus propias UIs de escritorio, la ventaja independiente de Conductor disminuye. La neutralidad de modelo puede ser muy valiosa durante una ventana concreta, pero si los agentes principales restringen soporte a UIs de terceros, o si los usuarios se mueven a APIs o apps oficiales, la necesidad de Conductor baja.

8. Kilo Code: una opción con más open source y libertad de modelo

Kilo Code es un AI coding assistant open source. Su documentación oficial lo describe como utilizable en IDE, terminal, navegador, móvil y Slack. Su atractivo está en la transparencia, el control, la libertad de elegir modelos y la compatibilidad con equipos que prefieren BYOK o proveedores personalizados.

Te conviene si:

• No quieres quedar atado a un único AI IDE o plan de suscripción
• Quieres controlar con más claridad modelos, costes y configuración
• Estás dispuesto a dedicar tiempo a mantener tu propio flujo de AI coding

Puntos débiles:

Las herramientas open source suelen exigir más trabajo de configuración, elección de modelos, estimación de costes y normas de equipo. No es "instalar y automáticamente superar a Cursor"; es una mejor opción para quien quiere ajustar la toolchain.

9. Windsurf: sigue valiendo la pena mirarlo, pero ya no es la primera prioridad

Windsurf fue muy competitivo por su flujo Cascade y precios relativamente amables. Todavía encaja para usuarios que quieren un AI IDE pero no desean apostar por Cursor al completo. Sin embargo, en 2026 Windsurf ha cambiado bastante en precios, cuotas y estrategia de modelos, así que antes de elegir conviene revisar directamente el pricing oficial y las cuotas reales, no quedarse con artículos antiguos que hablan de $15/mes.

Si ya lo usas y te funciona, puedes seguir con él. Si eliges por primera vez una herramienta de AI coding, compara primero Codex, Claude Code, Cursor y RunCell, y después decide si Windsurf entra en tu shortlist.

Otras herramientas que merece la pena seguir

Amazon Q Developer encaja con usuarios intensivos de AWS; su ventaja está en recursos cloud, IAM, análisis de seguridad, explicación de servicios AWS y migraciones. En proyectos no centrados en AWS, su atractivo general baja.

Replit AI sirve muy bien para prototipos rápidos en navegador, aprendizaje, despliegues ligeros y demos. No es la opción más fuerte para trabajar en repos locales complejos, pero resulta muy cómoda para pasar de una idea a una página accesible.

Aider sigue siendo una opción de alto valor para flujos de terminal y git diff, sobre todo si te gusta la línea de comandos y estás dispuesto a traer tu propia API key de modelo.

Sourcegraph Cody destaca en comprensión de codebases grandes y búsqueda de código. Sourcegraph hoy se parece más a una plataforma empresarial de inteligencia de código, adecuada para organizaciones complejas, no solo a un autocompletador personal.

OpenClaw encaja mejor con lectores técnicos que quieren estudiar runtimes de agentes personales, provider routing, OAuth y channel routing. No es el AI IDE más fácil para un desarrollador generalista, pero sirve como referencia para entender la pila moderna de agentes. Para una comparación más profunda a nivel de sistema, puedes leer Hermes Agent vs OpenClaw.

JetBrains AI resulta natural para usuarios de IntelliJ, PyCharm, WebStorm, DataSpell y otros IDEs de JetBrains. Si tu equipo ya paga el ecosistema JetBrains, merece evaluación.

Devin encaja mejor como partida presupuestaria para agentes autónomos de ingeniería en empresa que como herramienta de entrada para desarrolladores individuales.

Por qué Tabnine, Continue.dev, Supermaven y Qodo quedan más atrás

Estas cuatro herramientas no son "malas"; simplemente encajan mejor en escenarios específicos y no deberían ocupar el espacio central de decisión en la primera mitad del artículo.

Si tu caso de uso coincide con sus fortalezas, siguen siendo herramientas útiles. Pero ante la intención de búsqueda "cómo elegir herramientas de programación con IA en 2026", el lector necesita ver primero Codex, RunCell, Claude Code, Cursor, Copilot, Antigravity, Conductor y Kilo Code, porque representan mejor la dirección actual del mercado.

Por qué los usuarios de ciencia de datos no deberían mirar solo code agents generalistas

El criterio de aceptación en Jupyter no es el mismo que en un repositorio común.

Por eso RunCell (opens in a new tab) aparece tan arriba en este artículo. No intenta competir con Codex, Claude Code y Cursor por todos los casos de ingeniería de software; compite en el flujo de alto valor donde un notebook-native agent se acerca más a la tarea real.

Si tu prompt es "ayúdame a refactorizar el sistema de permisos de este proyecto Next.js", Codex, Claude Code o Cursor se sienten más naturales.
Si tu prompt es "lee este CSV, explica por qué cayó la retención de Q2, limpia outliers, crea el gráfico que mejor explique el problema y sugiere el siguiente experimento", RunCell se siente más natural.

Precios y cuotas: en 2026 hay que mirar con especial cuidado

Las herramientas de programación con IA se están moviendo desde "suscripción fija + cuota difusa" hacia "suscripción + usage-based billing + credits + diferenciación por modelo". Eso cambia la lógica de compra.

La recomendación práctica es simple:

1. Desarrolladores individuales: compra primero una herramienta principal; evita pagar tres o cuatro herramientas solapadas.
2. Equipos: haz un pilot de dos semanas con 3-5 personas y registra tasa de finalización de tareas, coste medio y retrabajo de review.
3. Equipos de ciencia de datos: no midas solo si genera código; mide si ejecuta notebooks, entiende salidas y reduce retrabajo analítico.
4. Empresas: incluye permisos, retención de datos, routing de modelos, auditoría y límites de presupuesto en la matriz de evaluación.

Recomendación final

Related Guides

• Mejores herramientas de vibe coding en 2026
• Codex vs Claude Code: diferencias de capacidades y flujo de trabajo
• Cursor vs Copilot: cómo elegir un asistente de programación con IA
• Jupyter AI Agent: cómo llevar Jupyter Notebook a un flujo de trabajo agéntico de ciencia de datos
• ¿Puede Claude Code analizar Jupyter Notebook? Qué hace realmente en ciencia de datos
• Hermes Agent vs OpenClaw: análisis profundo para 2026

Fuentes y criterio de actualización

La información factual de este artículo se actualizó el 19 de mayo de 2026 y se basa principalmente en documentación oficial y páginas de producto:

• OpenAI Codex rate card: https://help.openai.com/en/articles/20001106-codex-rate-card (opens in a new tab)
• OpenAI Codex team pricing update: https://openai.com/index/codex-flexible-pricing-for-teams/ (opens in a new tab)
• Anthropic Claude Code docs: https://docs.anthropic.com/en/docs/claude-code/overview (opens in a new tab)
• Anthropic Claude Max plan: https://support.claude.com/en/articles/11049741-what-is-the-max-plan (opens in a new tab)
• Cursor pricing: https://cursor.com/pricing (opens in a new tab)
• Cursor Composer 2: https://cursor.com/blog/composer-2 (opens in a new tab)
• GitHub Copilot models and pricing: https://docs.github.com/en/copilot/reference/copilot-billing/models-and-pricing (opens in a new tab)
• Google Antigravity official blog: https://developers.googleblog.com/en/build-with-google-antigravity-our-new-agentic-development-platform/ (opens in a new tab)
• RunCell docs: https://www.runcell.dev/docs (opens in a new tab)
• Conductor docs: https://www.conductor.build/docs/concepts/agent-modes (opens in a new tab)
• Kilo Code docs: https://kilo.ai/docs/getting-started (opens in a new tab)
• OpenClaw docs: https://docs.openclaw.ai/ (opens in a new tab)
• Tabnine pricing: https://www.tabnine.com/pricing/ (opens in a new tab)
• Qodo pricing: https://www.qodo.ai/pricing/ (opens in a new tab)

FAQ

¿Cómo elegir una herramienta de programación con IA en 2026?

Empieza por el entorno de trabajo. Para ingeniería de software y desarrollo de aplicaciones grandes, evalúa primero Codex; para Jupyter y ciencia de datos, mira RunCell; si priorizas control técnico y seguimiento estricto de instrucciones, Claude Code encaja mejor; si necesitas un IDE para ajustes finos, Cursor suele ser más cómodo.

¿Por qué los usuarios de ciencia de datos deberían mirar RunCell por separado?

Porque la ciencia de datos no consiste en generar código una vez y validarlo compilando. En Jupyter, el siguiente paso analítico suele depender de la salida real de la celda anterior. RunCell puede iterar usando el estado del notebook, variables, resultados intermedios y gráficos, por lo que se acerca más al flujo real de análisis que un code agent generalista.

¿Sigue mereciendo la pena GitHub Copilot?

Sí, sobre todo si ya trabajas dentro de GitHub, VS Code, Visual Studio o procesos de compra empresarial. Pero se parece más a una capa base de empresa y distribución que a la experiencia de agente más agresiva. Los cambios de usage-based billing de Copilot también obligan a los equipos a reevaluar el coste de modelos avanzados y funciones agénticas.

¿Cómo elegir entre Cursor, Claude Code y Codex?

Si quieres entregar resultados de ingeniería utilizables con rapidez, mira primero Codex; si quieres respetar restricciones técnicas estrictas y reducir pérdida de control del proceso, mira Claude Code; si quieres tomar el relevo en el IDE para pequeños cambios, retoques de UI y review de última milla, mira Cursor. Las tres son fuertes; la diferencia principal está en la forma de trabajar.

¿Por qué no conviene usar solo un code agent generalista en ciencia de datos?

Los code agents generalistas suelen escribir varias celdas de una vez o generar scripts temporales, pero el análisis de datos necesita decidir el siguiente paso según el output actual. RunCell trabaja directamente en JupyterLab y puede manejar celdas, variables, salidas, gráficos y estados intermedios, lo que encaja mejor con un flujo notebook-native.