Alternativa a Devin: orquesta los agentes por los que ya pagas

La mayoría de los equipos que buscan una alternativa a Devin no están descontentos con la autonomía. Están echando cuentas.

Ya pagas por licencias de Claude Code. Alguien del equipo tiene un plan de ChatGPT que incluye Codex. Puede que también haya una suscripción a Cursor. Y entonces llega un segundo agente facturado por uso con su propio modelo de consumo, y la pregunta deja de ser «¿es bueno este agente?» para convertirse en «por qué estoy pagando dos veces por capacidad de agente?». Esa pregunta tiene buena respuesta, y no siempre es «dejar Devin». Esta guía explica cuándo Devin es la herramienta adecuada, cuáles son realmente las alternativas y cómo encaja Sharkly al orquestar los agentes por los que ya pagas en lugar de añadir otro más.

TL;DR

Devin es el ingeniero de software autónomo de Cognition y se factura mediante Agent Compute Units, que miden el tiempo de trabajo activo del agente y no solo las licencias. Ese modelo encaja con el trabajo que quieres delegar de principio a fin. Encaja peor cuando tus desarrolladores ya tienen suscripciones a agentes competentes y lo que falta es coordinación, no otro agente. Sharkly es la alternativa para ese segundo caso: ejecuta los Runtimes que tu equipo ya tiene, en los Computers que conectes, con una Task compartida que conserva la traza de ejecución y la revisión humana. Otras opciones reales son Conductor para ejecuciones locales en paralelo en macOS, Tembo para sesiones alojadas a las que se accede desde tus herramientas actuales, y Linear para delegar si tus agentes ya están en su lista.

En qué es realmente bueno Devin

Una página de alternativas que empieza poniendo por los suelos al incumbente no sirve de nada, así que aquí va el argumento para quedarse.

Devin está diseñado para la delegación de principio a fin. Describes un resultado y el agente planifica, escribe, ejecuta, depura e itera sin que nadie dirija cada paso. Es una forma de producto muy distinta a la de una herramienta CLI junto a la que te sientas. Cuando el trabajo está bien especificado y es realmente delegable, esa autonomía es justamente lo que buscas, y las alternativas de este artículo no la replican orquestando otra cosa.

Cognition también factura con honestidad. El precio se basa en Agent Compute Units, que miden el trabajo autónomo activo del agente en lugar de fingir que una tarea complicada y un arreglo de una línea cuestan lo mismo. Cognition publica los niveles actuales y los detalles de las ACU en su página de precios, y los acuerdos enterprise añaden los controles de despliegue e identidad que necesitan las organizaciones grandes.

Además, Devin participa en el ecosistema en general en lugar de exigirte que vivas dentro de él. Aparece en la lista de agentes de Linear, así que se le puede delegar una incidencia desde el tracker que tu equipo ya utiliza.

Si tu cuello de botella es «tenemos más trabajo bien especificado que ingenieros para empezarlo», Devin apunta justo a eso. Quédatelo.

Los tres motivos por los que los equipos buscan una alternativa

Pagar dos veces por capacidad de agente. Es el motivo más habitual. Un equipo con suscripciones a Claude Code y Codex ya tiene agentes potentes instalados, autenticados y configurados con contexto local. Añadir un agente facturado aparte significa dos presupuestos para una capacidad que se solapa, y el segundo presupuesto es el variable.

Un consumo difícil de prever. Facturar por el tiempo de trabajo del agente es justo, y también impredecible cuando una tarea se tuerce. Una ejecución que reintenta contra un test de integración inestable cuesta más que la misma ejecución contra uno estable, y la diferencia aparece a posteriori. A los equipos que necesitan una cifra mensual que puedan defender, esto les resulta incómodo.

El problema nunca fue el agente. Muchos equipos descubren que sus agentes funcionan bien y que el problema es la coordinación. Tres desarrolladores ejecutando agentes en tres terminales, sin un registro compartido de lo que hace cada uno, trabajo duplicado y un proceso de revisión que consiste en pull requests sorpresa. Comprar un agente más autónomo no arregla eso. Lo multiplica.

Ese tercer motivo merece que seamos precisos, porque apunta a una categoría de herramienta distinta.

Las categorías de alternativas, con honestidad

Otro agente autónomo. Factory, Zencoder y productos similares compiten por el mismo tipo de trabajo intensivo en delegación. Si lo que quieres es autonomía y Devin no encaja, aquí es donde hay que mirar. Cambiar dentro de la categoría mantiene la economía del agente facturado por uso.

Un ejecutor local en paralelo. Conductor ejecuta agentes de Claude Code, Codex y Cursor en paralelo, en espacios de trabajo aislados en tu Mac. Está muy pulido y el plan gratuito te permite usar tus propias suscripciones y claves. La limitación es la plataforma: la documentación de Conductor indica que todavía no está disponible para Windows ni Linux.

Orquestación alojada. Tembo ejecuta agentes de programación en sesiones en la nube a las que se accede desde Slack, Linear, GitHub y Sentry, con una asignación en dólares que cubre el uso de la pasarela y el cómputo de la VM de la sesión. Dejas de gestionar máquinas y empiezas a pagar por cómputo.

Delegar desde tu tracker. Si tus agentes ya están en la lista de Linear, delegar desde la incidencia puede ser toda la capa que necesitas. La persona sigue siendo el responsable principal y el agente se añade como colaborador.

Un sistema de trabajo con la ejecución por debajo. Esta es la categoría en la que se sitúa Sharkly, y es la que encaja con el caso de «ya pagamos por agentes, lo que necesitamos es coordinación».

En nuestro recopilatorio de las mejores herramientas para gestionar agentes de programación con IA en paralelo encontrarás más opciones de este tipo comparadas lado a lado.

Cómo funciona la respuesta de la orquestación

Empecemos por el límite, porque evita una evaluación en balde. Sharkly no sustituye a Claude Code, Codex ni a otras herramientas de ejecución. Lo que hace es añadir la capa de tarea compartida, Computer, contexto, control y revisión alrededor de las herramientas que tu equipo ya utiliza. Si quieres que un único proveedor se encargue de toda la tarea de principio a fin, esa es la forma de Devin, no la de esta herramienta.

Lo que hace Sharkly es conseguir que los agentes por los que ya pagas se comporten como miembros del equipo.

Un Computer proporciona el host de ejecución para el trabajo de los Agent: un ordenador local, un servidor remoto, un contenedor o un host en la nube compatible. Un pequeño servicio local lo conecta a Sharkly, detecta los Runtimes disponibles, recibe trabajo, prepara el directorio de la tarea, inicia el Runtime seleccionado y transmite el progreso de vuelta. El runtime que se ejecuta es el que tu desarrollador ya instaló y autenticó, así que el uso del modelo sigue pasando por las suscripciones o claves de API configuradas en esas herramientas.

Un Agent es una configuración de trabajo guardada, no un prompt puntual: instrucciones, Runtime, Skills, repositorios, entorno y ajustes de ejecución. Así, la configuración de prompts que alguien ha perfeccionado con esfuerzo se convierte en algo que todo el equipo puede asignar.

Una Task es la unidad principal de trabajo. Incluye el objetivo, la persona responsable, el Agent o Crew asignado para ejecutarla, los comentarios y el estado, la traza y el resultado de la ejecución del Agent. La revisión vive junto a las pruebas en lugar de llegar como un pull request sin explicación.

Y cuando el Runtime que necesitas no está en el selector, puedes añadir un ACP Runtime personalizado desde la página de detalle del Computer configurando su icono, su nombre y su comando de inicio, y seleccionando después Test connection.

Un ejemplo práctico

Un equipo de seis personas evaluó Devin para una lista de correcciones de bugs bien acotadas y el resultado les gustó. Lo que los frenó fue el segundo presupuesto: cinco de los seis ya tenían Claude Code y dos tenían Codex a través de ChatGPT.

Su verdadero problema, una vez que lo describieron sin rodeos, no era la calidad de los agentes. Era que tres personas ejecutaban agentes a la vez sin una visión compartida, dos de ellas habían duplicado una corrección la semana anterior y las revisiones llegaban como pull requests sobre los que nadie tenía contexto.

Conectaron dos Computers: el portátil de un desarrollador y un servidor Linux compartido con la ruta de red de staging. Crearon tres Agents —uno para corregir bugs, otro para cobertura de tests y otro para documentación—, cada uno con instrucciones específicas y el acceso correcto a los repositorios. Los tickets de bugs se convirtieron en Tasks asignadas al Agent de correcciones, con cada ejecución en un worktree aislado para que el trabajo en paralelo dejara de chocar. Nuestra guía sobre cómo ejecutar agentes en paralelo en worktrees aislados cubre esa configuración.

El gasto no cambió, porque las ejecuciones usaban suscripciones que ya pagaban. Lo que cambió fue que el trabajo duplicado se acabó, los bloqueos se veían antes del standup y los revisores podían leer la traza junto al diff.

Para el trabajo realmente delegable, un par de tickets al mes que nadie quería empezar, mantuvieron una licencia de Devin. Es un resultado razonable, no una concesión.

Devin frente a una capa de orquestación: una comparación justa

Errores habituales al cambiar

Comprar una capa de orquestación para conseguir autonomía. Si lo que quieres es un agente que se encargue de la tarea sin supervisión, una capa de coordinación te va a decepcionar. Son productos distintos.

Saltarse la cuestión del entorno. El motivo por el que un runtime local a menudo supera a uno alojado en tu repositorio es aburrido: puede acceder al registro privado, a la base de datos con datos de prueba y a la ruta de staging. Sea cual sea la herramienta que elijas, decide dónde vive el entorno antes de comparar la calidad de los resultados.

Contar licencias e ignorar las ejecuciones. Los agentes facturados por uso cuestan más en las semanas duras. Los runtimes basados en suscripción cuestan lo mismo, pero a cambio chocan con los límites de uso. Ninguno es gratis; fallan de forma distinta, y conviene saber qué tipo de fallo puede asumir tu equipo.

Tomar un piloto como una decisión. Tres tickets bien elegidos salen bien en casi cualquier sitio. Ejecuta el ticket complicado, el del test de integración inestable, antes de firmar nada.

Conclusión

La versión honesta de esta comparación: si tu problema es que necesitas delegar el trabajo de principio a fin y estás dispuesto a pagar por autonomía facturada por uso, Devin está hecho para eso y las alternativas que conviene mirar son las de su propia categoría.

Si tu problema es que tu equipo ya tiene agentes competentes y ningún sistema compartido a su alrededor, comprar otro agente es la compra equivocada. Lo que falta es la capa que hace que el trabajo de los agentes sea asignable, aislado, trazable y revisable: Agents como configuraciones guardadas, Computers que aportan tu entorno real y una Task donde conviven el plan, la traza y la decisión humana.

Para eso sirve Sharkly. Conecta un Computer, crea un Agent y asigna una Task pequeña antes de decidir nada más grande.

Preguntas frecuentes

¿Sharkly sustituye directamente a Devin? No. Devin es un agente autónomo. Sharkly es la capa que rodea a los agentes y ejecuta los que tu equipo ya utiliza. Los equipos que quieren delegación de principio a fin para parte del trabajo a menudo mantienen ambos.

¿Sharkly cobra por ejecución de agente? El uso del modelo sigue pasando por las suscripciones o claves de API configuradas en esas herramientas. La cuota del modelo depende de las herramientas de programación con IA, los planes y las cuentas de API que conecte tu equipo.

¿Cuánto cuesta Devin? Cognition factura Devin en Agent Compute Units, que miden el trabajo autónomo activo del agente, además de los niveles de plan. Consulta devin.ai/pricing para ver las cifras actuales, porque han cambiado más de una vez.

¿Qué agentes puede ejecutar Sharkly? Cualquier Runtime que el servicio local detecte en el Computer conectado, y cualquier ACP Runtime personalizado que configures con su propio comando de inicio.

¿Puedo ejecutar agentes en un servidor en lugar de en portátiles? Sí. Un Computer puede ser un ordenador local, un servidor remoto, un contenedor o un host en la nube compatible, y tanto la CLI como el servicio local se instalan en macOS, Linux y Windows.

¿Y si mi equipo usa Windows? Los instaladores de Sharkly cubren Windows, aunque el instalador actual para Windows es solo para AMD64. Merece la pena comprobarlo frente a las alternativas, porque algunas herramientas de esta categoría son exclusivas de macOS.