Contexto técnico
Yo frenaría la euforia de inmediato. La cifra más destacada de la noticia son los 86,1 millones de descargas semanales de Codex frente a los 7,2 millones de Claude Code, según TickerTrends. Pero el hecho principal aquí no es que «Codex ha ganado para siempre», sino que OpenAI claramente ha tocado una fibra sensible entre los desarrolladores con su reciente actualización.
Suelo ver estos picos no como un concurso de popularidad, sino como una señal para la implementación de la IA en los equipos. Si una herramienta capta de repente tanta atención, significa que la gente ha descubierto masivamente un camino más corto desde la instrucción hasta el código funcional, y eso ya influye en la automatización real con IA en el desarrollo.
Sin embargo, hay un matiz importante con las cifras. En el contexto disponible no veo una confirmación independiente de los 86 millones, y otras referencias públicas sobre Codex hablan más bien de millones de usuarios y desarrolladores semanales, no de decenas de millones de descargas por semana. Así que trataría estos valores como un indicador de mercado, no como una verdad contable.
¿Qué pudo haber funcionado técnicamente? A juzgar por las actualizaciones de abril de Codex, OpenAI amplió los escenarios de uso: más capacidad de agencia, un entorno más cómodo, integraciones más amplias y un mejor ciclo entre la tarea, el contexto y el resultado. Para estos productos, esto es crucial: no es el modelo en sí lo que vende la herramienta, sino la fricción en cada paso.
Y aquí es donde Claude Code se encontró con un contraste desfavorable. Aunque a muchos les guste la calidad del modelo de Anthropic, el mercado de herramientas de desarrollo a menudo no vota con benchmarks, sino por lo que se instala más rápido, se comporta de forma más predecible en el IDE y se integra más fácilmente en la arquitectura de IA existente del equipo.
¿Qué cambia esto para el negocio y la automatización?
Veo tres conclusiones prácticas. Primero: al elegir un asistente de codificación, ya no se puede mirar solo «quién escribe funciones de forma más inteligente». Hay que probar todo el ciclo: velocidad de incorporación, estabilidad de la integración, control del contexto y el coste de un error.
El segundo punto es sobre el dinero. Si Codex realmente reduce la fricción, los equipos llegan más rápido a escenarios de producción: generación de CRUD, refactorización, pruebas, documentación interna y agentes sencillos para el soporte a desarrolladores. Esto ya no es un juguete, sino la base para la automatización con IA dentro de los procesos de ingeniería.
Pierden aquellos que eligen una herramienta por el bombo publicitario y no consideran las consecuencias arquitectónicas. En Nahornyi AI Lab, resolvemos precisamente este tipo de problemas para los clientes: no solo conectamos una herramienta de IA de moda, sino que construimos un esquema funcional donde el modelo, los accesos, el IDE, los repositorios y el control de calidad no entran en conflicto.
Si su equipo ya se está ahogando en la rutina de las revisiones de código, el código repetitivo y el soporte técnico interno, podemos analizar su proceso y diseñar un desarrollo de solución de IA a medida. En Nahornyi AI Lab, normalmente no empiezo por el modelo, sino por el cuello de botella, porque es ahí donde la automatización con IA ofrece un efecto real, y no solo una demostración llamativa.