Claude Code y Codex, comparados en una tarea real: Claude gana en RAG, Codex ahorra tokens

Esta comparación de Claude Code y Codex resulta más útil que las habituales batallas de capturas de pantalla y simpatías a ciegas. El autor no solo contrastó los modelos Opus 4.6 y GPT-5.3-Codex, sino también cómo se comporta cada agente en una tarea de ingeniería real, donde importa más un resultado que funcione que una respuesta vistosa.

Cómo se compararon

Primero, el autor examina la métrica completion time horizon del estudio de METR. Según ella, Opus 4.6 resuelve tareas equivalentes a unas 12 horas de trabajo humano con un 50% de éxito, mientras que GPT-5.3-Codex llega a unas 5 horas y 50 minutos. La brecha es notable, pero la conclusión no es que una herramienta sea siempre mejor. Lo importante es otra cosa: un agente de programación es útil no cuando escribe código rápido, sino cuando lleva la tarea a un estado funcional sin vueltas innecesarias de depuración.

Por eso, para la parte práctica no se eligió una landing ni una interfaz, sino un pipeline RAG medible para artículos científicos.

• Extracción de texto de PDF
• División de los artículos en chunks
• Generación de embeddings y de un índice local
• Búsqueda de fragmentos relevantes para una pregunta
• Respuesta solo con el contexto encontrado o fallback

Las condiciones fueron idénticas para ambas herramientas: Python, procesamiento de PDF con PyMuPDF, libertad para elegir la estrategia de chunking y el almacén vectorial, generación de respuestas con llama-3.1-8b-instant y prohibición de alucinar cuando la base de evidencia es débil. Para la evaluación se reunieron cinco artículos científicos y cien preguntas con respuestas de referencia. Este formato importa porque elimina la subjetividad: permite comparar no la impresión que deja el código, sino la calidad de la extracción, la precisión de las respuestas y lo terminado que entrega el agente su resultado.

Dónde ganó Claude

Según la experiencia del autor, Claude Code se siente como un compañero más implicado. Empieza a trabajar antes, con más frecuencia lleva la tarea hasta el final por sí solo y traslada menos pasos al usuario. Esto encajó con el experimento: Claude no se limitó a escribir archivos, ejecutó el pipeline de principio a fin y comprobó que el script arrancaba. Codex implementó la solución más despacio y, en la primera pasada, pidió al usuario que instalara las dependencias y verificara el arranque, tras lo cual hubo que corregir un error. En el desarrollo práctico, la diferencia entre «el código está escrito» y «todo funciona de verdad» es crítica.

«Claude es un

Senior Developer que hace el trabajo contigo, y Codex es un contratista».

Esa diferencia se reflejó también en las cifras finales. Con un LLM como juez, se compararon las respuestas de ambos pipelines por corrección, exhaustividad, relevancia y concisión. De 100 preguntas, la implementación de Claude Code ganó en 42 casos, Codex en 33 y otros 25 terminaron en empate. El autor atribuye la ventaja de Claude no a ninguna magia del modelo, sino a un umbral de confianza más laxo y, posiblemente, a una temperatura de generación algo más alta. Además, Claude tarda notablemente menos en producir el primer token en una sesión nueva, mientras que Codex a veces tardaba casi un minuto en arrancar.

Dónde es mejor Codex

Sin embargo, Codex no parece un perdedor. Al contrario, en la arquitectura de la solución suele ser más cuidadoso. En el caso RAG, Codex montó un código más estructurado: una clase de pipeline, una configuración centralizada, estructuras dataclass, una interfaz argparse y validación de la coherencia entre modelos. Claude eligió una implementación más plana y rápida, sin esa disciplina. Técnicamente, ambos llegaron a un esquema de búsqueda parecido, pero los detalles diferían: Claude usó ChromaDB y chunking recursivo por caracteres con solapamiento, mientras que Codex usó FAISS, división por oraciones y una evaluación de confianza de tres niveles. Para código de producción, un diseño así puede importar incluso más que ganar una sola ejecución de prueba.

Otro punto fuerte de Codex es la eficiencia. Según el análisis de Morph citado en el artículo, Claude Code gasta entre 3,2 y 4,2 veces más tokens en tareas comparables. Si esas estimaciones se acercan a la realidad, el usuario de Claude chocará antes con los límites de la suscripción.

A cambio, Anthropic tiene una oferta más sólida en torno al producto: según el autor, el ecosistema de Claude Chat, Claude Code y otros servicios encaja mejor. En los precios también hay un matiz: ambos tienen planes de 20 y 200 dólares al mes, pero solo Claude ofrece una tarifa intermedia de 100. Los skills de las herramientas son en general compatibles, pero la comunidad en torno a Claude parece ahora notablemente mayor.

Qué significa

La conclusión principal es sencilla: elegir entre Claude Code y Codex por una sola cifra o por el hilo de otra persona en X carece de sentido. Claude parece hoy más fuerte donde importan las tareas largas, llevarlas de principio a fin y el ecosistema, y Codex donde son críticas la estructura del código, el ahorro de tokens y una disciplina de ingeniería predecible. Con requisitos definidos con rigidez en AGENTS.md, la brecha de comportamiento entre ambos se reduce. Lo mejor es comprobarlo con tareas propias, cortas y verificables.