Технічний контекст
Я тут зачепився не за драму навколо Anthropic, а за більш приземлену річ: у продакшн-циклі людям просто набридло чекати. І це вже важливо для AI automation, тому що в реальному складанні функціоналу перемагає не найгучніший бренд, а той, хто не гальмує мій ритм.
Сценарій, який описали, мені дуже знайомий: беру фічу, проганяю через аналіз, потім код, потім сам роблю ревью. Для такого режиму Codex дійсно часто відчувається рівніше. Особливо якщо потрібен швидкий прохід без зайвої балаканини і з добрим дотриманням інструкції.
Якщо дивитися на доступні порівняння, картина не чорно-біла. Claude Code сильний на великих наявних кодових базах, глибше сидить у CLI-потоці й іноді виявляється швидшим на складних завданнях. Але Codex регулярно виграє там, де потрібна передбачуваність, автономний прогін і менше сюрпризів у відповіді.
За токенами теж немає однієї магічної правди. В одних завданнях Claude Code помітно економніший, в інших Codex витрачає менше. Але з точки зору відчуття в роботі я розумію, чому частина розробників зараз пересідає: якщо модель відповідає в потрібному темпі й тримає контекст мого запиту без зайвих блукань, я багато їй прощаю.
А ось частина про «проблеми Anthropic з урядом» я б тримав у статусі розмов спільноти, а не факту. Те саме з чутками про Sonnet 5: обговорень багато, підтверджень нема. Я б не будував AI integration чи продуктову дорожню карту на таких витоках.
Що це змінює для бізнесу та автоматизації
Перше: вибір інструменту для команди не можна робити за бенчмарком з одного треду. Я б дивився на ваш реальний потік: нові фічі, ревью, вартість помилки, витрата токенів і швидкість циклу від ідеї до merge.
Друге: якщо у вас багато автономних завдань і коротких ітерацій, Codex зараз виглядає дуже практичним кандидатом. Якщо у вас важкий легасі-контекст і потрібен щільний developer-in-the-loop, Claude Code ще рано списувати.
Третє: програють ті, хто чекає «ідеальну модель» і не будує нормальну AI architecture навколо процесу. Ми в Nahornyi AI Lab розв’язуємо саме ці стики для клієнтів: де потрібен агент, де звичайний copilot, а де взагалі не модель треба міняти, а сам workflow.
Якщо ваша команда вже буксує на кодогенерації, ревью або внутрішній розробці, не варто гадати за чутками. Краще розкласти ваш процес на кроки і зібрати AI solution development під реальне навантаження. Якщо бажаєте, ми з Vadym Nahornyi у Nahornyi AI Lab можемо допомогти побудувати таку схему без зайвого хайпу і з зрозумілою користю для бізнесу.