Технический контекст
Я зацепился здесь не за драму вокруг Anthropic, а за более приземленную вещь: в продакшен-цикле людям банально надоело ждать. И вот это уже важно для AI automation, потому что в реальной сборке фич побеждает не самый громкий бренд, а тот, кто не тормозит мой ритм.
Сценарий, который описали, мне очень знаком: беру фичу, прогоняю через разбор, потом код, потом сам делаю ревью. Для такого режима Codex действительно часто ощущается ровнее. Особенно если нужен быстрый проход без лишней болтовни и с хорошим следованием инструкции.
Если смотреть на доступные сравнения, картина не черно-белая. Claude Code силен на больших существующих кодовых базах, глубже сидит в CLI-потоке и иногда оказывается быстрее на сложных задачах. Но Codex регулярно выигрывает там, где нужна предсказуемость, автономный прогон и меньше сюрпризов в ответе.
По токенам тоже нет одной магической правды. В одних задачах Claude Code заметно экономнее, в других Codex тратит меньше. Но с точки зрения ощущения в работе я понимаю, почему часть разработчиков сейчас пересаживается: если модель отвечает в нужном темпе и держит контекст моего запроса без лишних блужданий, я прощаю ей многое.
А вот часть про «проблемы Anthropic с правительством» я бы держал в статусе разговоров комьюнити, а не факта. То же самое со слухами про Sonnet 5: обсуждений много, подтверждений нет. Я бы не строил AI integration или продуктовую дорожную карту на таких утечках.
Что это меняет для бизнеса и автоматизации
Первое: выбор инструмента для команды нельзя делать по бенчмарку из одного треда. Я бы смотрел на ваш реальный поток: новые фичи, ревью, стоимость ошибки, расход токенов и скорость цикла от идеи до merge.
Второе: если у вас много автономных задач и коротких итераций, Codex сейчас выглядит очень практичным кандидатом. Если у вас тяжелый легаси-контекст и нужен плотный developer-in-the-loop, Claude Code все еще рано списывать.
Третье: проигрывают те, кто ждет «идеальную модель» и не собирает нормальную AI architecture вокруг процесса. Мы в Nahornyi AI Lab решаем именно эти стыки для клиентов: где нужен агент, где обычный copilot, а где вообще не модель надо менять, а сам workflow.
Если у вас команда уже буксует на кодогенерации, ревью или внутренней разработке, можно не гадать по слухам. Лучше разложить ваш процесс по шагам и собрать AI solution development под реальную нагрузку. Если хотите, мы с Vadym Nahornyi в Nahornyi AI Lab можем помочь построить такую схему без лишнего хайпа и с понятной пользой для бизнеса.