Codex vs Claude Code — którego agenta kodującego wybrać w 2026?

Codex CLI i Claude Code — dwa agenci kodujący, którzy działają w terminalu, planują, piszą i testują kod samodzielnie. Po premierze GPT-5.4 w marcu 2026 równowaga sił się zmieniła. Który wybrać?

Czym właściwie są

Codex CLI (OpenAI) — open-source’owy agent kodujący napisany w Rust, uruchamiany lokalnie z terminala. Domyślnie korzysta z GPT-5.4 (wcześniej GPT-5.3-Codex). Czyta, modyfikuje i uruchamia kod na Twojej maszynie. Może działać lokalnie lub delegować zadania do chmury (tryb autonomiczny).

Claude Code (Anthropic) — agent terminalowy oparty na Claude Opus 4.6. Też działa lokalnie, czyta Twój codebase, pisze kod, uruchamia testy. Wyróżnik: system hooków, multi-agent teams (kilka instancji Claude Code pracujących równolegle) i filozofia „developer-in-the-loop”.

Oba to agenci, nie asystenci. Nie podpowiadają linijkę kodu — planują, implementują, testują i iterują. Różnica między nimi a GitHub Copilotem jest taka jak między GPS-em a kierowcą.

Co zmienił GPT-5.4

Muszę to powiedzieć wprost: przed GPT-5.4 Codex przegrywał z Claude Code w praktycznie każdym scenariuszu poza prostymi zadaniami terminalowymi. GPT-5.3-Codex był szybki, ale miał irytujące problemy — potrafił się wysypać na operacjach, które Claude ogarniał bez problemu. Developerzy masowo przesiadali się na Claude Code.

GPT-5.4 zmienił dużo:

Konsolidacja modeli. GPT-5.4 wchłonął możliwości kodujące GPT-5.3-Codex do modelu ogólnego. Nie musisz już przełączać się między modelem „do gadania” a modelem „do kodu” — jeden model robi wszystko. To eliminuje tarcia, które wcześniej frustrowały użytkowników.

Okno kontekstowe 1M tokenów. GPT-5.4 ma 1.05M tokenów kontekstu — możesz wrzucić cały duży projekt i Codex go ogarnie. Ale jest haczyk: powyżej 272K tokenów inputu cena się podwaja. Claude Code ma od marca 2026 również 1M tokenów (Anthropic wypuścił to z bety do GA 13 marca) bez dodatkowych opłat. W pełnym kontekście Claude wychodzi taniej.

Computer use na poziomie człowieka. GPT-5.4 osiągnął 75% na benchmarkach computer use, przekraczając baseline ludzki. Potrafi nie tylko pisać kod, ale operować aplikacjami — otwierać przeglądarki, klikać, nawigować interfejsy. Claude też to umie (Cowork), ale GPT-5.4 robi to lepiej w benchmarkach.

Efektywność tokenowa. GPT-5.4 zużywa znacznie mniej tokenów niż GPT-5.2 przy rozwiązywaniu tych samych problemów. Przekłada się na niższe koszty API.

Zniknięcie porzuceń z frustracji. Wcześniej developerzy narzekali na „śmierć od tysiąca cięć” — Codex potrafił się wysypać na drobiazgach. GPT-5.4 wygładził te krawędzie. Nie jest idealny, ale frustracjometer spadł drastycznie.

Benchmarki — suche liczby

Benchmark	Codex (GPT-5.4)	Claude Code (Opus 4.6)	Uwagi
SWE-bench Verified (Vals.ai)	78.2%	78.2%	Niezależny pomiar — remis
SWE-bench Verified (self-reported)	~80%	80.8%	Producent, traktuj z rezerwą
SWE-bench Pro	57.7%	—
Terminal-Bench 2.0	75.1%	74.7%	Lider: Gemini 3.1 Pro (78.4%)
Computer Use (OSWorld)	75%	—
GDPval (knowledge work)	83%	—
Kontekst (max)	1.05M (2× cena powyżej 272K input)	1M tokenów (GA, standardowa cena)

OpenAI przeszło na SWE-bench Pro jako główny benchmark, co może sugerować obawy o kontaminację danych testowych w SWE-bench Verified. Wyniki self-reported na Verified należy traktować z rezerwą.

Interpretacja: W czystym software engineering (SWE-bench Verified) remis — 78.2% oba na Vals.ai; w self-reported Opus minimalnie wyżej (80.8% vs ~80%). W zadaniach terminalowych (Terminal-Bench 2.0) praktycznie remis — 75.1% vs 74.7%, różnica 0.4 pp. Liderem Terminal-Bench jest Gemini 3.1 Pro (78.4%). W „knowledge work” i computer use — Codex wyżej. Kontekst: oba ~1M, ale Codex podwaja cenę inputu powyżej 272K tokenów.

Architektura i filozofia

Tu są fundamentalne różnice.

Codex: lokalnie + chmura

Codex CLI daje Ci wybór: pracujesz lokalnie (agent na Twojej maszynie) lub delegujesz do chmury (agent działa autonomicznie na serwerach OpenAI). Tryb chmurowy jest przełomowy — możesz zlecić zadanie i iść na kawę. Agent pracuje, commituje, robi PR-a.

Jest open-source (Rust), więc możesz go forkować, modyfikować, integrować. OpenAI postawił na otwartość — co w ich przypadku jest nowością.

Claude Code: developer-in-the-loop + multi-agent

Claude Code stawia na kontrolę developera. Pracujesz w terminalu, widzisz co agent robi, zatwierdzasz kroki. Mniej „odpal i zapomnij”, więcej „pair programming z AI”.

Ale killer feature Claude Code to Agent Teams — możesz odpalić kilka instancji Claude Code równolegle. Jeden agent pisze testy, drugi implementuje feature, trzeci refaktoryzuje istniejący kod. Pracują jednocześnie, koordynują się. To jak mieć zespół juniorów, którzy faktycznie dostarczają.

Do tego system hooków — automatyzacje, które odpalają się przy konkretnych zdarzeniach:

• Prompt hooks — szybka ewaluacja przez mniejszy model
• Agent hooks — spawn subagenta z dostępem do narzędzi
• Async hooks — procesy w tle (linting, testy, deployment) bez blokowania głównego agenta. Timeout do 10 minut.

Codex od marca 2026 ma subagent workflows — równoległe agenty z osobnymi modelami, instrukcjami i uprawnieniami (role Explorer/Reviewer/Worker definiowane w TOML). Różnica: Claude Code Agent Teams są bardziej dojrzałe i mają głębszą koordynację, Codex subagenty to nowszy, eksperymentalny feature.

Ceny

Codex CLI:

• Darmowy (open-source), płacisz za API: tokeny GPT-5.4 za $2.50/$15 na milion tokenów (input/output)
• W ChatGPT Pro ($200/mies.) — Codex z wyższymi limitami

Claude Code:

• API pay-as-you-go: tokeny Opus 4.6 za $5/$25 na milion tokenów (input/output)
• Claude Max ($100/mies.) — 5× usage
• Claude Max ($200/mies.) — 20× usage

GPT-5.4 jest 2× tańszy na wejściu i ~40% tańszy na wyjściu niż Claude Opus 4.6. Przy intensywnym użyciu API to realna różnica — przy milionach tokenów dziennie Codex wyjdzie znacząco taniej. W subskrypcjach: oba mają plany za $200/mies. na najwyższym tier-ze.

Kiedy wybrać co

Wybierz Codex jeśli:

• Pracujesz dużo z terminalem, skryptami, DevOps, CI/CD (Terminal-Bench: Codex i Claude praktycznie na równi ~75%)
• Potrzebujesz trybu autonomicznego — zlecasz zadanie i odchodzisz
• Masz ogromne projekty (1M tokenów kontekstu)
• Chcesz jednego narzędzia do kodu i computer use
• Zależy Ci na open-source (fork, modyfikacje, integracje)

Wybierz Claude Code jeśli:

• Budujesz złożone aplikacje z wieloma plikami (SWE-bench Verified — remis z Codex na Vals.ai 78.2%, lekka przewaga w self-reported: 80.8% vs ~80%)
• Chcesz orkiestracji wielu agentów (Agent Teams)
• Potrzebujesz hooków i automatyzacji w workflow
• Cenisz kontrolę nad tym, co agent robi (developer-in-the-loop)
• Piszesz kod, który wymaga głębokiego zrozumienia kontekstu i architektury

Wybierz oba jeśli:

• Jesteś power userem. Wielu doświadczonych developerów używa Claude Code do implementacji i wieloplikowych zmian, a Codex do code review, security checków i zadań terminalowych. To nie jest albo-albo.

Moja opinia

GPT-5.4 zmienił równowagę sił. Przed nim odpowiedź była prosta: Claude Code. Teraz jest trudniej.

Codex z GPT-5.4 to wreszcie narzędzie, które nie frustruje. Zniknęły irytujące wpadki, kontekst miliona tokenów jest realny, tryb chmurowy działa. Dla kogoś, kto robi dużo DevOps, skryptów, CI/CD — Codex jest teraz lepszym wyborem.

Ale do złożonego software engineeringu — projektowania architektury, refaktoryzacji dużych baz kodu, pracy na wielu plikach jednocześnie — Claude Code z Agent Teams i hookami nadal jest lepszy. Nie chodzi o benchmarki (remis), tylko o to, jak pracujesz z narzędziem. Claude Code daje więcej kontroli i lepszą orkiestrację.

Jeśli musisz wybrać jedno — Claude Code. Jeśli możesz mieć oba — miej oba.

Podsumowanie

Codex CLI z GPT-5.4 to poważny gracz — konsolidacja modeli, milion tokenów kontekstu, computer use na poziomie człowieka i niższe ceny API to realne przewagi. Claude Code odpowiada Agent Teams, systemem hooków i lepszą jakością w złożonym software engineeringu. Oba działają w terminalu, oba są potężne — ale Codex jest tańszy na API, a Claude daje lepszą orkiestrację. Różnica jest w filozofii: Codex stawia na autonomię i wszechstronność, Claude Code na precyzję i kontrolę. W 2026 najlepsi developerzy używają obu.