Codex czy Claude Code? Test na tym samym zadaniu

Test: 24 października 2026. Ten sam starter i polecenie, dwa niezależne rozwiązania, sprawdzenie obliczeń oraz interfejsu.

Codex czy Claude Code? W tej próbie oba narzędzia przygotowały działającą aplikację i przeszły ten sam zestaw 31 kontroli obliczeń. Claude Code skończył przebieg wcześniej, a Codex zaproponował inny układ i szerszy zestaw własnych testów. To wynik konkretnego zadania, nie dowód, że jeden model zawsze jest lepszy.

Zamiast kolejnej tabeli z ogólnymi ocenami dałem im do dokończenia prosty planer kosztów treści. Trzy pola, liczenie budżetu, obsługa pomyłek i czytelny ekran na telefonie. Niby niewiele, ale to wystarczy, żeby sprawdzić więcej niż samo „czy strona się otwiera”.

Poniżej są warunki próby, rzeczywiste zrzuty, wyniki oraz paczka z kodem. Możesz powtórzyć sprawdzenia u siebie bez kupowania obu narzędzi.

Codex vs Claude Code: wynik tego testu

Czasy obejmują pracę narzędzia w zakończonym przebiegu, nie instalację, logowanie ani późniejszą kontrolę redakcyjną. Różne modele i ustawienia wysiłku, jedna próba na narzędzie. Nie traktuj tych liczb jako ogólnego pomiaru szybkości.

Czym właściwie są Codex i Claude Code?

To narzędzia, które mogą pracować na plikach projektu: czytać kod, wprowadzać zmiany i uruchamiać dozwolone polecenia. Nie kończą więc na odpowiedzi z fragmentem kodu do ręcznego przeklejenia.

Codex jest narzędziem OpenAI, a Claude Code narzędziem Anthropic. Oba mają więcej niż jeden sposób obsługi. Istnieją m.in. interfejsy aplikacji, terminala i integracje z edytorami. W tym artykule porównuję konkretnie lokalne przebiegi CLI na Windows, a nie cały zakres wszystkich aplikacji tych firm.

Warto też rozdzielić narzędzie od modelu. Codex może korzystać z wybranego modelu OpenAI, a Claude Code z dostępnego modelu Claude. Zmiana modelu, jego wysiłku, uprawnień lub podłączonych narzędzi może zmienić wynik tego samego zadania.

Nie porównywałem więc „ChatGPT w przeglądarce kontra zwykły czat Claude”. W obu przypadkach narzędzie faktycznie tworzyło i edytowało lokalne pliki.

Jakie zadanie dostały oba narzędzia?

Właściciel małej firmy chce sprawdzić, czy plan przygotowania postów mieści się w budżecie. Podaje liczbę postów, cenę jednostkową i miesięczny budżet. Aplikacja liczy koszt i pozostałą kwotę.

Przygotowałem dwa identyczne foldery startowe z sześcioma plikami. Był w nich szkic HTML, podstawowy CSS, początek obsługi aplikacji oraz wadliwy moduł liczenia. Zadanie wymagało więc przeczytania istniejących plików i dokończenia pracy.

Oba narzędzia dostały ten sam brief. Nie przekazywałem jednemu wyniku drugiego. Nie narzucałem kolorów i układu, ale określiłem prostą obsługę oraz kontrakt modułu obliczeń.

Dokończ małą aplikację „Planer kosztów treści” na podstawie plików w tym folderze.

Użytkownik to właściciel małej firmy. Chce szybko policzyć koszt przygotowania postów i zobaczyć, czy mieści się w budżecie.

Wymagania:
1. Zwykły HTML, CSS i moduły JavaScript. Bez frameworków, instalowania pakietów, zewnętrznych fontów, obrazów, usług i połączeń sieciowych. Aplikacja ma działać po udostępnieniu folderu przez zwykły serwer HTTP.
2. Pola z etykietami po polsku: liczba postów (liczba całkowita 0-1000), cena za post w zł, miesięczny budżet w zł. Cena i budżet: nieujemne, skończone liczby, maksymalnie dwa miejsca po przecinku. Przyjmuj przecinek i kropkę, otaczające spacje. Odrzucaj puste pole, ujemne liczby, zapis wykładniczy, Infinity, NaN i dodatkowe znaki. Zero jest poprawne. Obliczaj kwoty w groszach, żeby uniknąć błędów 0.1 + 0.2.
3. Wynik: koszt wszystkich postów, pozostały budżet i jednoznaczny komunikat, czy plan przekracza budżet. Przy przekroczeniu pokaż, o ile. Przy błędzie nie pokazuj starego wyniku ani NaN; wyjaśnij problem przy formularzu.
4. Czytelny interfejs na komputerze i telefonie, działający od szerokości 360 px, bez poziomego przewijania całej strony. Widoczny fokus, obsługa klawiaturą i informacja o wyniku dostępna dla czytnika ekranu. Nie opieraj komunikatu wyłącznie na kolorze.
5. Przycisk „Przykład” wypełnia 12 postów, 49,90 zł za post i budżet 1000 zł. Przycisk „Wyczyść” resetuje pola, błąd i wynik. Nie zapisuj danych w chmurze. Zapisywanie między wizytami nie jest wymagane.
6. Publiczny kontrakt modułu calculator.js: eksportuj parseMoney(text), zwracającą nieujemną kwotę w groszach (integer) albo rzucającą Error, oraz calculatePlan(count, priceCents, budgetCents), zwracającą {totalCents, remainingCents, overBudget}. Błędne dane mają rzucać Error. priceCents i budgetCents muszą być nieujemnymi bezpiecznymi liczbami całkowitymi; także wynik musi mieścić się w zakresie Number.MAX_SAFE_INTEGER. Nie zmieniaj tego kontraktu.
7. Uzupełnij README.md: jak uruchomić aplikację i co sprawdziłeś. Nie deklaruj testów, których nie wykonałeś.

Do pracy używaj wyłącznie bieżącego folderu. Nie czytaj katalogów nadrzędnych, prywatnych plików, konfiguracji kont ani drugiego rozwiązania. Nie uruchamiaj innych agentów. Nie publikuj nic w internecie. Nie używaj przeglądarki ani narzędzi sieciowych. Możesz czytać, tworzyć i edytować pliki w tym folderze. Jeśli narzędzie nie pozwala wykonać testu, opisz to uczciwie, nie zmieniaj zabezpieczeń.

Gdy skończysz, wypisz zmienione pliki, wykonane sprawdzenia i ewentualne ograniczenia. Nie zadawaj pytań o wygląd; sam wybierz prosty, spokojny układ.

Celowo nie było logowania, płatności ani integracji z portalami. Do sprawdzenia agenta nie trzeba od razu dawać mu dostępu do działającego sklepu. Tu liczył się skończony, mały rezultat, który można samodzielnie ocenić.

Modele, wersje i warunki próby

Oba przebiegi odbyły się na tym samym komputerze z Windowsem i dostępem do lokalnego Node.js. Nie instalowały zależności aplikacji. Gotowy planer to zwykły HTML, CSS i JavaScript, bez zewnętrznych bibliotek i usług.

Ważne ograniczenie porównania: model i poziom wysiłku nie były wyrównane. Zostawiłem dostępne ustawienia, zamiast po wynikach dobierać kombinację, która da korzystniejszy rezultat. Codex używał też wersji oznaczonej alpha. To opis tych dwóch konfiguracji w tej próbie.

Co wymagało interwencji przy uruchomieniu?

Pierwsza próba Codexa zatrzymała się na odmowie odczytu plików. Nie uznałem tego za błąd rozwiązania aplikacji, bo narzędzie nie zaczęło jeszcze implementacji.

Sprawdziłem osobno odczyt w standardowej piaskownicy, a następnie uruchomiłem ten sam brief z jawnym profilem pracy w folderze projektu i automatycznym przeglądem uprawnień. Zabezpieczeń nie wyłączałem. Ten zakończony przebieg jest pokazany w tabeli czasu.

Claude Code wymagał instalacji oficjalnego pakietu i logowania. W trakcie pracy jedno zbiorcze polecenie odczytu nie dostało zgody. Narzędzie przeczytało pliki pojedynczo i kontynuowało.

Po rozpoczęciu właściwych implementacji nie dopowiadałem wymagań i nie poprawiałem wygenerowanego kodu. Oba narzędzia same skończyły aplikację. Czynności związane z przygotowaniem środowiska trzeba jednak uwzględnić, jeśli dopiero zaczynasz pracę.

Jak wyglądają gotowe aplikacje?

Wersja przygotowana przez Codex

Na komputerze formularz i podsumowanie stoją obok siebie. Wynik ma wyraźną hierarchię: koszt całkowity, pozostały budżet i komunikat. Przy każdym polu są dodatkowe wskazówki.

Wersja przygotowana przez Claude Code

Tu formularz i wynik są ułożone pionowo również na komputerze. Układ jest węższy, a podpowiedzi krótsze. To po prostu inna decyzja projektowa, a nie automatycznie lepszy lub gorszy wynik.

Przy 360 px oba projekty przechodzą w jedną kolumnę. Sprawdziłem szerokość strony, widoczność pól i przycisków oraz działanie formularza. Nie było poziomego przewijania. Przyciski miały co najmniej 44 px wysokości.

Zobacz rzeczywiste widoki przy 360 px

Podstawowa obsługa klawiaturą działała: przejście między polami, widoczny fokus i obliczenie klawiszem Enter. Wynik miał obszar aktualizacji dla technologii asystujących. Nie wykonywałem pełnego testu z czytnikiem ekranu, więc nie nazywam tego audytem dostępności.

Co dokładnie obejmowało 31 sprawdzeń?

Zestaw przygotowałem przed obejrzeniem rozwiązań. Oba moduły otrzymały te same dane i oczekiwane wyniki.

• Kwoty: przecinek, kropka, otaczające spacje, grosze i zero.
• Błędne wpisy: puste pole, liczba ujemna, za dużo miejsc po przecinku, zapis wykładniczy, tekst, Infinity i NaN.
• Obliczenia: koszt planu, pozostały budżet, dokładne wykorzystanie budżetu i przekroczenie.
• Granice: dozwolona liczba postów, typy danych i bezpieczny zakres liczb całkowitych.

Do tego osobno przeszedłem formularze w przeglądarce: przycisk „Przykład”, plan za 998 zł przy budżecie 500 zł, ujemną liczbę postów, reset i zerowe dane. Obie aplikacje pokazywały przekroczenie o 498 zł, a przy błędzie usuwały poprzedni wynik zamiast zostawiać go jako aktualny.

Oba narzędzia dodały też własne testy i instrukcję uruchomienia. Nie porównuję ich jakości samą liczbą testów. Testy napisane przez autora rozwiązania oraz wspólny zestaw zewnętrzny odpowiadają na trochę inne pytania.

Czas i koszt: co z tego można wywnioskować?

Claude Code zakończył tę implementację w około 2 minuty 23 sekundy, a Codex w 6 minut 55 sekund. To rzeczywiście zmierzony czas przebiegów, ale zbyt mała i nierówna próba, żeby powiedzieć „Claude jest trzy razy szybszy”.

Były inne modele, różny wysiłek oraz odmienny zakres samodzielnego sprawdzania. Do tego dochodzą warunki usługi w momencie uruchomienia. Bardziej przydatne jest dla mnie to, że oba dowiozły wynik, który przeszedł wspólną kontrolę bez ręcznej naprawy kodu.

Nie podaję kosztu jednej aplikacji w złotówkach. Przebiegi korzystały z dostępu abonamentowego, a nie z porównywalnego rachunku API za każde zadanie. Nie ustaliłem rozliczonego kosztu marginalnego ani udziału tej próby w całym limicie konta.

Przed wyborem sprawdź, co obejmuje Twój plan, jakie ma limity oraz czy korzystasz z logowania abonamentowego czy osobnego rozliczenia API. Cena kursu, abonament narzędzia, hosting i płatne integracje są oddzielnymi kosztami. Nie zakładaj, że opłacenie czatu pokryje każdą usługę podłączoną do projektu.

Które narzędzie wybrałbym do własnej pracy?

Jeżeli masz już dostęp do jednego z nich, zacząłbym od niego. Daj mu niewielkie, realne zadanie i sprawdź wynik na swoich kryteriach. Nie kupowałbym od razu dwóch abonamentów tylko dlatego, że jedna demonstracja wygląda efektownie.

Codex będzie naturalnym kandydatem do sprawdzenia, jeśli pracujesz już w jego aplikacji lub środowisku i chcesz korzystać z dostępnej tam obsługi projektu. W tej próbie spodobało mi się wyraźne oddzielenie formularza i wyniku na komputerze oraz to, że narzędzie zajęło się również sprawdzaniem zachowania formularza.

Claude Code warto sprawdzić, jeśli masz do niego dostęp i odpowiada Ci jego sposób pracy w wybranym interfejsie. Tutaj szybko przygotował spokojny, zwięzły projekt, zachował kontrakt obliczeń i otwarcie zaznaczył, że nie testował interfejsu w przeglądarce.

Do większego projektu porównałbym jeszcze zmianę istniejącej funkcji, naprawę rzeczywistego błędu i zachowanie wcześniejszych danych. Jedna aplikacja od początku nie pokazuje, jak narzędzie poradzi sobie z utrzymaniem rozbudowanego systemu.

Jak zrobić podobny test na własnym zadaniu?

1. Wybierz mały rezultat, który umiesz ocenić. Na przykład formularz, raport z pliku albo poprawkę istniejącej strony.
2. Przygotuj kopię projektu oraz kilka przykładów danych, w tym błędnych.
3. Zapisz wymagania i oczekiwane zachowanie przed uruchomieniem narzędzia.
4. Daj obu ten sam starter. Nie pokazuj drugiemu rozwiązania pierwszego.
5. Zapisz wersję, model, ustawienia i własne interwencje.
6. Uruchom wynik i te same sprawdzenia. Oceniaj to, co faktycznie działa.

Najwięcej daje brief, który określa rezultat i granice. Przy pracy na plikach dodaj katalog, dopuszczalny zakres zmian, sposób uruchomienia oraz to, czego agent ma nie publikować. Podstawy takiego opisu są w poradniku jak pisać prompty do ChatGPT i pracować z odpowiedzią.

Pytania o Codex i Claude Code