Freebuff: el agente de programación gratuito con publicidad
En el artículo dedicado a la comparación entre agentes de programación de código abierto os habíamos hablado, entre otros, de OpenCode y Pi Agent, dos herramientas gratuitas que no piden inicio de sesión y no tocan la tarjeta de crédito. La pregunta que había quedado en el aire se refería a los modelos de frontera, aquellos verdaderamente costosos de servir. ¿Se puede ofrecer un agente de programación gratuito, sin límites estrictos, usando los mismos modelos que alimentan productos de cientos de euros al año? Freebuff intenta responder que sí, con una apuesta que hasta hace poco habría parecido estrafalaria incluso en el mundo de las herramientas para desarrolladores, notoriamente alérgico a cualquier forma de publicidad: pagar las facturas con anuncios de texto deslizados entre un turno y otro del agente.
Un modelo diferente
Freebuff es el producto de CodebuffAI, equipo que pasó por Y Combinator (batch F24) y está liderado por James Grugett, anteriormente fundador de Manifold Markets. El proyecto se articula en cinco productos: Desktop, CLI, Web, Cloud y Chat, todos construidos sobre Codebuff, el framework multiagente de código abierto (licencia Apache 2.0) del que Freebuff hereda su arquitectura. Los dos eslóganes que acompañan al lanzamiento, "we make coding 100% free" y "it's free because it should be", no son solo marketing: en las primeras semanas tras su debut en agosto de 2026 el producto superó los 230.000 desarrolladores, como relata el propio Carbon Ads en el perfil dedicado a su editor más insólito.
El mecanismo económico es tan sencillo como inusual para el sector. Entre los turnos del agente, nunca dentro del código generado, nunca como un emergente (popup) invasivo, aparecen anuncios de texto al estilo Carbon Ads, la red publicitaria nacida en 2010 y especializada en audiencias técnicas. La publicidad es contextual y no comportamental, siguiendo el modelo histórico de Carbon: si estáis escribiendo un backend, es más probable ver un anuncio sobre una base de datos vectorial que sobre una herramienta de automatización de marketing, sin que esto implique la creación de un perfil de desarrollador individual. El razonamiento de fondo, tal como lo narran los materiales de CodebuffAI, es que el coste de los modelos lingüísticos capaces de escribir código se ha desplomado mucho más rápido que el precio de las herramientas que los empaquetan. Las suscripciones de los competidores lo confirman: OpenCode, que ofrece modelos gratuitos, empieza en su plan de pago desde 120 dólares al año, mientras que Cursor, Claude Code y Devin se sitúan todos en torno a los 240 dólares al año en sus planes básicos, con los niveles premium subiendo mucho más. Freebuff cuesta cero, y para quien de verdad no quiera ver publicidad queda de todos modos una vía de escape de pago, Codebuff Pro, con planes de 100, 200 o 500 dólares al mes pensados más para equipos y uso intensivo que para el desarrollador ocasional.
Dentro de Freebuff
La arquitectura no lo confía todo a un único modelo monolítico, sino que coordina agentes especializados: un File Picker Agent que explora la base de código, un Planner Agent que decide qué modificar y en qué orden, un Editor Agent que escribe las modificaciones y un Reviewer Agent que las valida. Es el mismo esquema de Codebuff, que en sus benchmarks internos declara superar a Claude Code 61% a 53% en más de 175 tareas de programación real distribuidas en repositorios de código abierto. Son cifras de parte, hay que decirlo sin ambigüedades, producidas por el mismo equipo que vende el producto, pero dan de todos modos la medida de hasta qué punto el enfoque multiagente es central en su propuesta.
El catálogo de modelos, en el momento de escribir este artículo, comprende GLM 5.3 Flash para el razonamiento profundo, DeepSeek V4 Flash 07/31 para la escritura rápida y uso de herramientas, GPT-5.6 Luna y MiMo 2.5 con soporte para imágenes, Solar Pro 4 con un contexto de 524.000 tokens pero disponible solo durante un periodo de prueba limitado, y Muse Spark 1.2, el modelo agéntico de Meta con un millón de tokens de contexto, compartido por toda la base de usuarios y sujeto por tanto a colas en momentos de tráfico elevado. El acceso sigue dos sistemas paralelos: el histórico basado en sesiones —seis bloques de una hora al día ampliables con invitaciones y recompensas (bounties)— y el más reciente basado en Freebucks, donde cada hora genera un pequeño presupuesto que se consume en proporción al coste del modelo elegido. GLM 5.3 Flash, DeepSeek V4 Flash, MiMo 2.5 y Solar Pro 4 no consumen cuota para quienes disponen de acceso completo, garantizado en Estados Unidos, Canadá, Reino Unido, Unión Europea y otros países seleccionados; en otros lugares, o tras una VPN, el acceso se reduce a un subconjunto de modelos.
En el uso diario desde la CLI, instalable con npm install -g freebuff, la lógica recuerda de cerca a OpenCode y Pi Agent: ejecutáis el comando en la carpeta del proyecto y describís lo que necesitáis. Vale la pena señalar una particularidad operativa porque no es obvia: la sesión cronometrada empieza cuando se crea, no al enviar el primer prompt, por lo que abrirla y dejarla inactiva consume de todos modos el tiempo. Al vencer el plazo, la entrada se bloquea, pero el agente sigue trabajando en segundo plano hasta completar la tarea en curso, y el comando /history permite recuperar el contexto ya construido en una sesión posterior para que el trabajo de preparación no se pierda. Todo permanece en archivos locales, por lo que no se pierde nada de verdad, y la herramienta no toca los repositorios remotos a menos que se le pida explícitamente. En el ámbito de la privacidad, CodebuffAI declara que los datos se usan para entrenar modelos solo cuando una función lo señala de forma explícita, que los prompts y mensajes pueden analizarse para personalizar los anuncios, que los archivos subidos por separado y los repositorios conectados no se ceden a los anunciantes, y que solo un número restringido de socios puede evaluar repositorios en la nube o código asociado a modelos etiquetados como utilizables para el entrenamiento de IA.
GLM 5.3 Flash, el caso Ox Alpha
El modelo que hemos elegido poner a prueba es GLM 5.3 Flash, y vale la pena contar su historia reciente porque dice algo sobre la forma en que se consolidan hoy los modelos de pesos abiertos (open weight). El 20 de agosto de 2026, un modelo sin nombre y sin empresa declarada apareció en OpenRouter y OpenCode con un contexto de un millón de tokens. En cuestión de pocos días, los desarrolladores lo rebautizaron como Ox Alpha y lo pusieron a prueba en tareas reales, desde auditorías de solicitudes de extracción (pull requests) hasta flujos multiagente. En tres días procesó más de 11 billones de tokens solo en OpenRouter —el lanzamiento más imponente jamás registrado por la plataforma—, poniendo fin al reinado de 56 días de DeepSeek en lo más alto de las clasificaciones de OpenCode. El 26 de agosto Zhipu AI, que opera a nivel internacional con la marca Z.ai, confirmó que Ox Alpha era en realidad GLM 5.3 Flash, publicando simultáneamente los pesos en Hugging Face con licencia MIT. Patrick Collison, cofundador de Stripe (que justo el día anterior había acordado la adquisición de OpenRouter), comentó el suceso calificándolo de "muy impresionante".
Técnicamente se trata de un modelo Mixture-of-Experts de 320 mil millones de parámetros totales, de los cuales solo 18 mil millones están activos para cada inferencia. Es el primero de la familia GLM-5 nativamente multimodal, capaz de aceptar texto, imágenes, vídeo y archivos. La arquitectura híbrida, que combina atención lineal y dispersa, reduce el cálculo para la atención en unas tres veces y la caché KV en más de cuatro veces respecto a su hermano mayor GLM-5.3, lo que le permite sostener el contexto de un millón de tokens sin disparar los costes de servicio. El entrenamiento se llevó a cabo con 30 billones de tokens multimodales. En el apartado de benchmarks, Artificial Analysis asigna a GLM 5.3 Flash una puntuación de 57 en el Intelligence Index frente al 60 del modelo mayor GLM-5.3, pero a un coste por tarea de aproximadamente 0,09 dólares frente a 0,68 (grosso modo una séptima parte). En Terminal-Bench 2.1, el benchmark más relevante para un agente de programación, la puntuación es de 84.3, y en DeepSWE v1.1 alcanza 63.4. Zhipu declaró además que toda la semana de tráfico sigiloso de Ox Alpha (más de 62 billones de tokens en total) se sirvió en un clúster de unos 100.000 chips de IA de producción china, sin hardware de Nvidia involucrado —una declaración que hizo volar las acciones de Zhipu en Hong Kong más de un 12% y que, de confirmarse a escala de producción, reduce parte de la ventaja de infraestructura que los controles de exportación estadounidenses intentan proteger.
AlboUp, la prueba sobre el terreno
Para entender lo que significa todo esto en la práctica, hemos construido con Freebuff y GLM 5.3 Flash una aplicación real, AlboUp: una aplicación web para consultar el Tablón de Anuncios Oficial (Albo Pretorio) del Municipio de Verbania de forma más sencilla que en el portal institucional. Es el tercer capítulo de una pequeña suite personal de aplicaciones "*Up" dedicadas a mi territorio, inspirada en las anteriores BenzUp y JobUp, escrita en HTML, CSS y JavaScript puros, sin dependencias.
La aplicación muestra una lista inmediata de los actos con tipo, asunto resumido, número, fecha, adjuntos y una marca para los documentos nuevos, con una ficha de detalle que enlaza a la página oficial. Hay tres secciones —En publicación, Archivo y Matrimonios— con búsqueda en todo el archivo, filtros rápidos por tipo de acto, carga progresiva en páginas de cincuenta elementos, tema claro y oscuro, caché local y enlace directo a cada acto individual. Es además una PWA instalable, con manifiesto, icono y pantalla de inicio animada.
La parte interesante para quien trabaja con estas herramientas reside en los retos técnicos encontrados por el camino, porque son los que revelan realmente el nivel del modelo. El portal del Municipio, construido sobre Liferay con el portlet jCityGov, no expone API ni cabeceras CORS, por lo que la solución identificada por el agente pasó por el proxy público r.jina.ai, con una alternativa (fallback) y un analizador Markdown de reserva por si el servicio no responde, verificados punto a punto sin necesidad de sesión ni cookies y cubiertos con pruebas sobre datos reales. Otro detalle no menor se refiere a los adjuntos firmados digitalmente en formato .p7m, gestionados junto a los PDF normales, y la decisión de usar el periodo de publicación del acto como fecha de referencia en lugar de las fechas que aparecen en el texto, a menudo engañosas. El despliegue es estático, pensado para Netlify, GitHub Pages o Cloudflare Pages, con una suite de pruebas que separa un parser.test.js fuera de línea de un e2e.test.js que comprueba el comportamiento en línea, donde el límite más concreto sigue siendo la restricción de frecuencia (rate limit) de r.jina.ai, mitigada por la caché local.
En cuanto a tiempos, la primera versión sustancialmente funcional llegó en una hora y veinte minutos, seguida de aproximadamente una hora, distribuida en varias sesiones, para pulir detalles según preferencias personales. La impresión más clara, por encima de la pura velocidad, es la de un modelo que explora sistemáticamente las alternativas antes de elegir y luego ejecuta sin titubeos excesivos —un comportamiento que recuerda menos a un generador de código reactivo y más a un compañero de trabajo que primero comprende el problema y luego lo resuelve, con la misma economía de gestos de un diseñador de niveles independiente que conoce cada rincón de su mapa antes de dibujarlo.
¿Puede la publicidad sostener la programación?
La apuesta de fondo de Freebuff es que la atención de los desarrolladores vale lo suficiente, para los anunciantes adecuados, como para financiar un producto gratuito a largo plazo. Es una tesis que se apoya en dos pilares concretos: modelos de pesos abiertos cada vez más capaces y cada vez más económicos de servir, como demuestra la historia de GLM 5.3 Flash, y una red publicitaria especializada como Carbon Ads que lleva años trabajando con este tipo de público sin recurrir a cookies ni a la perfilación comportamental. En el tercer trimestre de 2026, los tres agentes de línea de comandos con más usuarios son todos gratuitos, una señal de que el mercado se mueve en esta dirección independientemente de un producto concreto. El riesgo más evidente es la dependencia del mercado publicitario, que puede variar significativamente de una región a otra, de donde derivan precisamente las dos modalidades de acceso —completa y limitada— que caracterizan hoy a Freebuff.
Mirado desde otra perspectiva, Freebuff propone una tercera vía respecto a las dos opciones ya conocidas: ni el autoalojamiento (self-hosting), que requiere competencias técnicas y un hardware al alcance de pocos, ni el acceso mediante API de pago, que exige un presupuesto dedicado. La publicidad, en este esquema, no pide ni infraestructura ni desembolso directo al usuario final, y en teoría democratiza el acceso a herramientas de desarrollo asistido por modelos de frontera. Para quien programa, esto significa una opción gratuita real a cambio de un compromiso explícito sobre la publicidad y el uso de datos para la personalización de anuncios, un compromiso que cada cual puede valorar de forma diferente según el valor que otorgue a su atención mientras escribe código. Para quienes observan el sector, es un caso de estudio sobre cómo la publicidad puede financiar herramientas destinadas a un público técnico, históricamente el más intolerante a cualquier forma de anuncio.
Conclusiones
Nuestra experiencia con AlboUp indica que el experimento, al menos en su fase inicial, funciona: un modelo de frontera, gratuito, utilizado para construir una aplicación real en un par de horas en total. GLM 5.3 Flash confirma ser un modelo capaz a un coste de servicio casi irrisorio, y la combinación con la infraestructura de Freebuff hace que todo esto sea accesible sin tarjeta de crédito. Quedan sin embargo más preguntas abiertas que certezas. ¿Hasta qué punto es sostenible en el tiempo un modelo que vincula la calidad del producto gratuito al ciclo de inversiones publicitarias en el sector tecnológico, históricamente volátil? ¿Qué ocurrirá cuando los costes de inferencia de los modelos de frontera dejen de bajar al ritmo actual, o cuando la competencia entre redes publicitarias especializadas se vuelva más estrecha? Y sobre todo: ¿la modalidad limitada reservada a regiones geográficas enteras seguirá siendo un compromiso temporal o se convertirá en una brecha estructural entre quienes tienen acceso completo a las herramientas de desarrollo asistido y quienes no? No son preguntas retóricas, y la respuesta llegará solo observando lo que ocurra con Freebuff —y con quienes intenten imitarlo— en los próximos trimestres.