Technischer Kontext
Ich habe mich hier nicht an der Aufregung um Anthropic festgebissen, sondern an einer bodenständigeren Sache: Im Produktionszyklus haben die Leute schlichtweg genug vom Warten. Und das ist wichtig für die KI-Automatisierung, denn wenn es um die echte Feature-Entwicklung geht, gewinnt nicht die lauteste Marke, sondern die, die meinen Rhythmus nicht bremst.
Das beschriebene Szenario kommt mir sehr bekannt vor: Ich nehme ein Feature, analysiere es, dann den Code, dann mache ich selbst das Review. In diesem Modus fühlt sich Codex in der Praxis oft flüssiger an. Vor allem, wenn man einen schnellen Durchlauf ohne überflüssiges Gerede und mit guter Anweisungsbefolgung braucht.
Betrachtet man die verfügbaren Vergleiche, ist das Bild nicht schwarz-weiß. Claude Code ist stark auf großen bestehenden Codebasen, sitzt tiefer im CLI-Flow und ist manchmal bei komplexen Aufgaben schneller. Aber Codex gewinnt regelmäßig dort, wo Vorhersagbarkeit, autonome Läufe und weniger Überraschungen in den Antworten gefragt sind.
Was die Tokens betrifft, gibt es auch nicht die eine magische Wahrheit. In manchen Aufgaben ist Claude Code deutlich sparsamer, in anderen verbraucht Codex weniger. Aber vom Arbeitsgefühl her verstehe ich, warum einige Entwickler jetzt umsteigen: Wenn das Modell im richtigen Tempo antwortet und den Kontext meiner Anfrage ohne unnötiges Abschweifen hält, vergebe ich ihm vieles.
Den Teil über „Anthropics Probleme mit der Regierung“ würde ich im Status von Community-Diskussionen belassen, nicht als Tatsache. Gleiches gilt für Gerüchte über Sonnet 5: viele Diskussionen, keine Bestätigungen. Ich würde weder eine KI-Integration noch eine Produkt-Roadmap auf solche Leaks aufbauen.
Was das für Unternehmen und Automatisierung bedeutet
Erstens: Die Auswahl eines Werkzeugs für das Team sollte nicht auf einem Benchmark aus einem einzelnen Thread beruhen. Ich würde auf Ihren tatsächlichen Flow schauen: neue Features, Reviews, Fehlerkosten, Token-Verbrauch und die Geschwindigkeit des Zyklus von der Idee bis zum Merge.
Zweitens: Wenn Sie viele autonome Aufgaben und kurze Iterationen haben, sieht Codex derzeit sehr praktisch aus. Wenn Sie einen schweren Legacy-Kontext und eine enge Developer-in-the-Loop-Einbindung benötigen, ist Claude Code noch zu früh zum Abschreiben.
Drittens: Verlierer sind diejenigen, die auf das „perfekte Modell“ warten und keine vernünftige KI-Architektur um den Prozess herum aufbauen. Bei Nahornyi AI Lab lösen wir genau diese Schnittstellen für Kunden: wo ein Agent nötig ist, wo ein gewöhnlicher Copilot, und wo es gar nicht darum geht, das Modell zu wechseln, sondern den Workflow selbst.
Wenn Ihr Team bereits bei der Codegenerierung, im Review oder in der internen Entwicklung stockt, brauchen Sie nicht auf Gerüchte zu hören. Es ist besser, Ihren Prozess Schritt für Schritt zu zerlegen und die KI-Lösungsentwicklung unter realer Last aufzubauen. Wenn Sie möchten, können Vadym Nahornyi und ich in Nahornyi AI Lab Ihnen helfen, ein solches Schema ohne unnötigen Hype und mit klarem Nutzen für das Geschäft zu erstellen.