Claude Code e Codex comparados numa tarefa real: Claude vai melhor em RAG, Codex economiza tokens

A comparação entre Claude Code e Codex acabou sendo mais útil do que as batalhas de prints e simpatias cegas de sempre. O autor não confrontou apenas os modelos Opus 4.6 e GPT-5.3-Codex, mas também o comportamento de cada agente numa tarefa real de engenharia, em que importa mais um resultado que funcione do que uma resposta bonita.

Como foi a comparação

Primeiro, o autor olha a métrica completion time horizon, da pesquisa da METR. Por ela, o Opus 4.6 dá conta de tarefas equivalentes a cerca de 12 horas de trabalho humano com 50% de sucesso, enquanto o GPT-5.3-Codex chega a cerca de 5 horas e 50 minutos. A diferença é visível, mas a conclusão não é que uma ferramenta seja sempre melhor. O que pesa mais é outra coisa: um agente de programação é útil não quando digita código rápido, mas quando leva a tarefa a um estado funcional sem voltas extras de depuração.

Por isso, na parte prática, a escolha não foi uma landing page nem uma interface, e sim um pipeline RAG mensurável para artigos científicos.

• Extração de texto de PDF
• Divisão dos artigos em chunks
• Geração de embeddings e de um índice local
• Busca de trechos relevantes para a pergunta
• Resposta apenas com o contexto encontrado ou fallback

As condições foram iguais para as duas ferramentas: Python, processamento de PDF com PyMuPDF, escolha livre da estratégia de chunking e do armazenamento vetorial, geração de respostas com llama-3.1-8b-instant e proibição de alucinar quando a base de evidências é fraca. Para a avaliação, foram reunidos cinco artigos científicos e cem perguntas com respostas de referência. Esse formato importa porque elimina a subjetividade: dá para comparar não a impressão que o código passa, mas a qualidade da extração, a precisão das respostas e o quão pronto o agente entrega o resultado.

Onde o Claude venceu

Na experiência do autor, o Claude Code parece um parceiro mais engajado. Ele começa a trabalhar mais rápido, com mais frequência leva a tarefa até o fim sozinho e joga menos etapas para o usuário. Isso combinou com o experimento: o Claude não só escreveu os arquivos, como rodou o pipeline de ponta a ponta e confirmou que o script executa. O Codex implementou a solução mais devagar e, na primeira passada, pediu que o usuário instalasse as dependências e verificasse a execução, e depois foi preciso corrigir um erro. No desenvolvimento prático, a diferença entre "o código está escrito" e "tudo realmente funciona" é crítica.

"O

Claude é um Senior Developer que faz o trabalho junto com você, e o Codex é um terceirizado".

Essa diferença apareceu também nos números finais. Com um LLM no papel de juiz, as respostas dos dois pipelines foram comparadas por correção, completude, relevância e concisão. Das 100 perguntas, a implementação do Claude Code venceu em 42 casos, o Codex em 33, e outros 25 terminaram empatados. O autor atribui a vantagem do Claude não a mágica do modelo, mas a um limiar de confiança mais brando e, possivelmente, a uma temperatura de geração um pouco mais alta. Além disso, o Claude chega bem mais rápido ao primeiro token numa sessão nova, enquanto o Codex às vezes demorava quase um minuto para começar.

Onde o Codex é melhor

Mesmo assim, o Codex não parece um coadjuvante. Pelo contrário, na arquitetura da solução ele costuma ser mais cuidadoso. No caso do RAG, o Codex montou um código mais estruturado: classe de pipeline, configuração centralizada, estruturas dataclass, interface argparse e validação da consistência entre modelos. O Claude escolheu uma implementação mais plana e rápida, sem essa disciplina. Tecnicamente, os dois chegaram a um esquema de busca parecido, mas os detalhes diferiam: o Claude usou ChromaDB e chunking recursivo por caracteres com sobreposição, enquanto o Codex usou FAISS, divisão por frases e uma avaliação de confiança em três níveis. Para código de produção, esse design pode importar até mais do que vencer uma única rodada de teste.

Outro ponto forte do Codex é a eficiência. Segundo a análise da Morph citada no artigo, o Claude Code gasta de 3,2 a 4,2 vezes mais tokens em tarefas comparáveis. Se essas estimativas estiverem perto da realidade, o usuário do Claude esbarrará mais rápido nos limites da assinatura.

Em compensação, a Anthropic tem um pacote mais forte em volta do produto: para o autor, o ecossistema formado por Claude Chat, Claude Code e outros serviços se encaixa melhor. Nos preços também há uma nuance: os dois têm planos de 20 e 200 dólares por mês, mas só o Claude tem um plano intermediário de 100. Os skills das ferramentas são, em geral, compatíveis, mas a comunidade em torno do Claude parece hoje bem maior.

O que isso significa

A conclusão principal é simples: escolher entre Claude Code e Codex por um único número ou pela thread de outra pessoa no X não faz sentido. O Claude parece hoje mais forte onde importam tarefas longas, conclusão de ponta a ponta e ecossistema, e o Codex onde são críticos a estrutura do código, a economia de tokens e uma disciplina de engenharia previsível. Com requisitos definidos de forma rígida no AGENTS.md, a diferença de comportamento entre os dois diminui. O melhor é testar isso com tarefas próprias, curtas e verificáveis.