Cursor superó los 5 millones de desarrolladores. Esto es lo que realmente hace su inteligencia de código.

Cursor superó los 5 millones de desarrolladores activos mensuales a principios de 2025, frente a los aproximadamente 500.000 de inicios de 2024. Hoy es la herramienta para desarrolladores de crecimiento más rápido desde npm. La historia de su crecimiento ha sido ampliamente cubierta: una Serie B de $400 millones con una valoración de $9.900 millones en enero de 2025, y una adopción masiva en empresas como Stripe, Shopify y Samsung. Lo que no se ha cubierto con tanta claridad es la arquitectura técnica real que distingue a Cursor de GitHub Copilot, que tiene aproximadamente 1,8 millones de usuarios de pago, o de herramientas como JetBrains AI Assistant y Amazon Q. Este es un artículo sobre lo que Cursor hace técnicamente, no comercialmente.

Indexación del código: los cimientos

La arquitectura original de GitHub Copilot era basada en contexto de documento: el modelo ve el archivo actual, la posición del cursor y una pequeña ventana de código circundante. No tiene conocimiento estructural del código más amplio del proyecto. La primera funcionalidad diferenciadora de Cursor fue la indexación del código — un proceso que se ejecuta al abrir el proyecto y produce un índice vectorial semántico de cada archivo del repositorio.

El proceso de indexación utiliza una combinación de análisis AST y generación de embeddings. El código se divide a nivel de función y clase (no en ventanas arbitrarias de bytes), y cada fragmento se incrusta mediante un modelo de embedding especializado en código. Cursor utiliza un modelo de embedding propietario ajustado específicamente para código, no un modelo de embedding de texto de propósito general. Estos embeddings se almacenan localmente en una instancia de LevelDB dentro del directorio .cursor, indexados para búsqueda de vecinos más próximos aproximada mediante FAISS.

Cuando le haces una pregunta a Cursor o activas una autocompletado, la consulta también se convierte en embedding, y una búsqueda semántica recupera los 20–40 fragmentos de código más relevantes de todo el código base. Estos fragmentos se inyectan en la ventana de contexto antes de que el modelo procese tu solicitud. Esto es generación aumentada por recuperación (RAG) aplicada específicamente al código — y es lo que permite a Cursor responder correctamente preguntas como "¿cómo funciona la autenticación en este código?", mientras que Copilot alucinaría una respuesta basada en sus datos de entrenamiento.

El espacio de trabajo sombra

La funcionalidad arquitectónicamente más interesante de Cursor es lo que llama el espacio de trabajo sombra. Cuando le pides a Cursor que haga un cambio, no se limita a emitir tokens en tu editor. Abre una versión oculta en memoria de tu archivo, aplica el cambio propuesto y ejecuta una serie de validaciones antes de que veas el resultado.

Las validaciones incluyen verificación de tipos de TypeScript (usando la integración LSP de tsserver), resolución de importaciones (verificando que cualquier nueva importación añadida por el modelo exista realmente en tu grafo de dependencias) y una verificación de sintaxis mediante tree-sitter. Si alguna de estas falla, el bucle de control de Cursor indica al modelo que revise su salida — típicamente 1–2 pasadas de inferencia adicionales — antes de mostrarte el resultado.

Este es el mecanismo detrás de la menor tasa de alucinaciones de Cursor en autocompletados de código en comparación con las salidas directas del modelo. El modelo sigue alucinando; el espacio de trabajo sombra captura una fracción significativa de las alucinaciones antes de que lleguen a tu pantalla. En los benchmarks internos de Cursor (divulgados en una publicación de blog en octubre de 2024), la validación del espacio de trabajo sombra redujo las salidas de código sintácticamente inválido en un 67% y las salidas con errores de tipo en un 44% en comparación con el mismo modelo sin validación.

Ediciones especulativas y modo Apply

La funcionalidad "Apply" de Cursor — donde describes un cambio en lenguaje natural y se aplica a través de múltiples archivos — utiliza un pipeline de múltiples pasos. Primero, el modelo genera un plan de diff: una lista estructurada de qué archivos necesitan cambios y cuál es el cambio, en pseudocódigo. Segundo, un modelo separado (más pequeño y más rápido) convierte cada elemento del plan en pseudocódigo en un diff de código real. Tercero, el espacio de trabajo sombra valida cada diff antes de que se prepare para staging.

El enfoque de dos modelos importa porque la generación de diffs y la escritura de código son tareas cognitivas diferentes. Un modelo de contexto grande (Claude 3.5 Sonnet o GPT-4o en el sistema de enrutamiento de Cursor) maneja el paso de planificación, donde entender el contexto completo del código es crítico. Un modelo más pequeño y rápido (típicamente una versión ajustada de DeepSeek Coder o Code Llama) maneja la traducción mecánica del plan al código, donde la velocidad importa más que la comprensión profunda del contexto. La latencia de Cursor en operaciones Apply de múltiples archivos es típicamente de 3–8 segundos — competitiva con escribir el cambio manualmente para cualquier cosa más larga que una sola función.

Enrutamiento de modelos y la relación de Cursor con los laboratorios de IA

Cursor no entrena sus propios modelos base. Enruta solicitudes a Anthropic, OpenAI y sus propias variantes ajustadas según el tipo de tarea. La lógica de enrutamiento no es pública, pero basándose en el análisis de tráfico de red publicado por investigadores independientes a finales de 2024, Cursor utiliza Claude 3.5 Sonnet como modelo principal para consultas conversacionales y razonamiento multi-archivo, GPT-4o para autocompletados de Tab (donde su entrenamiento en código es más adecuado), y un modelo más pequeño propietario ajustado para el bucle de validación del espacio de trabajo sombra.

El modelo de negocio de Cursor implica que paga por token a estos proveedores. Con 5 millones de usuarios activos realizando varios cientos de autocompletados por día, el coste computacional es sustancial — lo que explica la recaudación de $400 millones. La empresa ha indicado que está trabajando en su propia infraestructura de entrenamiento, pero esto es trabajo a varios años. Por ahora, la diferenciación de Cursor es arquitectónica (la indexación, el espacio de trabajo sombra, la capa de enrutamiento) más que de calidad del modelo.

Modo Privacidad y despliegue empresarial

Cursor ofrece un Modo Privacidad que desactiva la recopilación de datos de entrenamiento del código. En este modo, el código sigue enviándose a las APIs de los proveedores de IA para inferencia, pero Cursor afirma que no almacena los pares solicitud/respuesta. Para clientes empresariales, una opción autoalojada enruta toda la inferencia a través de las propias claves API del cliente y opcionalmente a través de una ruta de red privada.

El nivel empresarial ($40/usuario/mes) incluye cumplimiento SOC 2 Tipo II, SSO mediante Okta y Microsoft Entra, y registro de auditoría. Este es el nivel que utilizan Stripe y Shopify. La certificación de cumplimiento se completó en el tercer trimestre de 2024 — antes de lo cual, Cursor no era ampliamente desplegable en empresas con requisitos estrictos de gobernanza de datos.

Lo que Cursor no hace bien (aún)

La indexación de código de Cursor tiene un límite duro de alrededor de 100.000 tokens de contexto indexado por consulta — aproximadamente 75.000–100.000 líneas de código indexado procesadas por solicitud. Para monorepos grandes con millones de líneas, el código relevante puede no estar en los fragmentos recuperados, causando los mismos problemas de alucinación que exhiben las herramientas más simples. El equipo de ingeniería ha discutido esto como una limitación conocida en varios foros de desarrolladores.

La colaboración en tiempo real está ausente. Cursor es un editor para un solo usuario. Los equipos que lo usan trabajan en paralelo en instancias separadas, lo que crea problemas de coordinación en archivos compartidos que una configuración tradicional de protocolo de servidor de lenguaje maneja de forma natural. JetBrains y VS Code tienen mejores soluciones en este aspecto. La hoja de ruta de producto de Cursor ha mencionado "funcionalidades colaborativas" para 2025-2026 sin dar detalles.

Conclusiones aplicables

• Si no has configurado la indexación del código: abre la configuración de Cursor y verifica que "Codebase Indexing" esté habilitado (lo está por defecto). Comprueba el estado del índice en Cursor > Settings > Features > Codebase Indexing. Los repositorios grandes pueden necesitar 5–10 minutos para indexarse completamente en la primera apertura.
• Para cambios en múltiples archivos, usa el modo Composer (no Chat): Composer activa el pipeline completo de edición especulativa con validación del espacio de trabajo sombra. El modo Chat utiliza un enfoque más simple de una sola pasada. La diferencia de calidad es significativa para tareas de refactorización.
• En Modo Privacidad, tu código sigue saliendo de tu máquina: va a las APIs de Anthropic y OpenAI. Si necesitas inferencia verdaderamente local, la ruta empresarial autoalojada de Cursor permite enrutar a instancias de Ollama ejecutándose localmente — pero esto requiere el nivel empresarial.
• Para monorepos grandes: ancla manualmente los archivos relevantes al contexto usando @ menciones en lugar de depender únicamente de la búsqueda semántica. La recuperación RAG no es perfecta, y mostrar explícitamente los archivos correctos mejora la calidad de los resultados de forma medible.