Claude Code et Codex comparés sur une tâche réelle : Claude l'emporte en RAG, Codex économise les tokens

Cette comparaison de Claude Code et Codex est plus utile que les habituels duels de captures d'écran et de sympathies aveugles. L'auteur a confronté non seulement les modèles Opus 4.6 et GPT-5.3-Codex, mais aussi le comportement de chaque agent sur une vraie tâche d'ingénierie, où un résultat qui fonctionne compte plus qu'une belle réponse.

Méthode de comparaison

L'auteur commence par la métrique completion time horizon issue de l'étude de METR. Selon elle, Opus 4.6 vient à bout de tâches représentant environ 12 heures de travail humain avec 50 % de réussite, contre environ 5 heures 50 minutes pour GPT-5.3-Codex. L'écart est net, mais on n'en conclut pas qu'un outil est toujours meilleur. L'essentiel est ailleurs : un agent de codage est utile non pas quand il écrit vite du code, mais quand il amène la tâche à un état fonctionnel sans tours de débogage superflus.

Pour la partie pratique, l'auteur a donc choisi non pas une landing page ni une interface, mais un pipeline RAG mesurable pour des articles scientifiques.

• Extraction du texte des PDF
• Découpage des articles en chunks
• Génération d'embeddings et d'un index local
• Recherche des passages pertinents pour une question
• Réponse uniquement à partir du contexte trouvé, ou fallback

Les conditions étaient identiques pour les deux outils : Python, traitement des PDF avec PyMuPDF, libre choix de la stratégie de chunking et du magasin vectoriel, génération des réponses avec llama-3.1-8b-instant et interdiction d'halluciner lorsque les preuves sont faibles. Pour l'évaluation, l'auteur a réuni cinq articles scientifiques et cent questions assorties de réponses de référence. Ce format compte, car il supprime la subjectivité : on compare non pas l'impression laissée par le code, mais la qualité de l'extraction, la précision des réponses et le degré d'achèvement du résultat livré par l'agent.

Où Claude l'a emporté

D'après l'expérience de l'auteur, Claude Code se comporte comme un partenaire plus impliqué. Il se met au travail plus vite, mène plus souvent la tâche à son terme seul et reporte moins d'étapes sur l'utilisateur. Cela a coïncidé avec l'expérience : Claude ne s'est pas contenté d'écrire des fichiers, il a exécuté le pipeline de bout en bout et vérifié que le script se lance.

Codex a mis en œuvre la solution plus lentement et, dès le premier passage, a demandé à l'utilisateur d'installer lui-même les dépendances et de vérifier le lancement, après quoi il a fallu corriger une erreur. En développement pratique, la différence entre « le code est écrit » et « tout fonctionne vraiment » est critique.

«

Claude est un Senior Developer qui fait le travail avec vous, et Codex est un prestataire ».

Cette différence se retrouve dans les chiffres finaux. Avec un LLM dans le rôle de juge, les réponses des deux pipelines ont été comparées selon l'exactitude, l'exhaustivité, la pertinence et la concision. Sur 100 questions, l'implémentation de Claude Code l'a emporté 42 fois, Codex 33 fois, et 25 se sont soldées par une égalité. L'auteur attribue l'avantage de Claude non pas à une magie du modèle, mais à un seuil de confiance plus souple et, peut-être, à une température de génération légèrement plus élevée. De plus, Claude met nettement moins de temps à produire le premier token dans une nouvelle session, alors que Codex mettait parfois près d'une minute à démarrer.

Où Codex fait mieux

Codex n'a pourtant rien d'un faire-valoir. Au contraire, il est souvent plus soigné sur l'architecture de la solution. Dans le cas RAG, Codex a produit un code plus structuré : une classe de pipeline, une configuration centralisée, des structures dataclass, une interface argparse et une validation de la cohérence des modèles.

Claude a opté pour une implémentation plus plate et plus rapide, sans cette discipline. Sur le plan technique, les deux sont arrivés à un schéma de recherche semblable, mais les détails différaient : Claude a utilisé ChromaDB et un chunking récursif par caractères avec chevauchement, Codex FAISS, un découpage par phrases et une évaluation de confiance à trois niveaux. Pour du code de production, un tel design peut même compter davantage que la victoire lors d'une seule exécution de test.

Autre point fort de Codex : l'efficacité. D'après l'analyse de Morph citée dans l'article, Claude Code consomme de 3,2 à 4,2 fois plus de tokens sur des tâches comparables. Si ces estimations sont proches de la réalité, l'utilisateur de Claude atteindra plus vite les limites de son abonnement.

En revanche, Anthropic propose une offre plus solide autour du produit : selon l'auteur, l'écosystème formé par Claude Chat, Claude Code et d'autres services s'agence mieux. Côté tarifs, il y a aussi une nuance : les deux proposent des formules à 20 et 200 dollars par mois, mais seul Claude a une formule intermédiaire à 100. Les skills des deux outils sont globalement compatibles, mais la communauté autour de Claude paraît aujourd'hui nettement plus grande.

Ce que cela signifie

La conclusion principale est simple : choisir entre Claude Code et Codex d'après un seul chiffre ou le thread d'un inconnu sur X n'a aucun sens. Claude paraît aujourd'hui plus fort quand comptent les tâches longues, l'achèvement de bout en bout et l'écosystème, et Codex quand la structure du code, l'économie de tokens et une discipline d'ingénierie prévisible sont critiques. Lorsque les exigences sont fixées avec rigueur dans AGENTS.md, l'écart de comportement entre les deux se réduit. Mieux vaut le vérifier sur ses propres tâches, courtes et vérifiables.