En la práctica diaria no me pregunto cuál de los dos “sabe más”. Me pregunto qué tengo que revisar al final. Si el entregable es una respuesta legible en el chat, empiezo con ChatGPT. Si el resultado debe aterrizar como cambios de archivo en el proyecto, con tests y un diff para revisar, empiezo con Codex. Hay solapamiento real; no es un ranking de inteligencia.1
Antes de abrir cualquiera de los dos, paso la tarea por tres filtros:
| Filtro | Pregunta | Si responde “texto / conversación” | Si responde “repo / ejecución” |
|---|---|---|---|
| Material | ¿Dónde está lo que hay que leer? | Un bloque de texto o un archivo subido | Relación entre varios archivos del proyecto |
| Entrega | ¿Dónde debe quedar el resultado? | Explicación, informe, tabla | Diff + tests en el repositorio |
| Aceptación | ¿Cómo sé que terminó? | Hechos, cifras y fuentes | Comandos, salida de tests, riesgos abiertos |
Cuando los tres filtros apuntan al mismo lado, elijo esa puerta. Cuando se parten, dejo que se pasen el trabajo.
ChatGPT frente a Codex: qué resuelve cada puerta
ChatGPT encaja cuando quiero aclarar primero. Escribo el escenario directamente:
“En este log de API, ¿qué modos de fallo son plausibles? Ordénalos por fuerza de evidencia y dime qué información todavía me falta reunir.”
También resume archivos, compara documentos, borra un borrador o escribe un ejemplo de función. Si necesito un artefacto usable, en un solo mensaje fijo el material de entrada, las reglas de proceso, el formato de salida y el criterio de aceptación; después abro el resultado y reviso números, citas y formato yo mismo. Que ChatGPT pueda tocar un archivo, una página o una herramienta externa depende de la entrada, de los permisos de la cuenta y de lo que realmente hayas concedido.[1]
Puede hablar de código y escribir un snippet. Pero “un fragmento que parece usable” y “código integrado en mi proyecto que pasa los tests” no son el mismo resultado. Lo primero cabe en el chat; lo segundo necesita contexto de proyecto real y ejecución real.
Cuándo Codex es la puerta correcta
Codex conviene cuando el objetivo está acotado y debe ejecutarse en un entorno de desarrollo. Por ejemplo:
“El endpoint de login devuelve 500 con username vacío. Encuentra primero la ruta de reproducción, mantén el formato de respuesta actual, corrige, añade el test de regresión, ejecuta los tests relevantes y lista los archivos tocados y lo que quedó sin verificar.”
Esa consignia fija comportamiento, alcance, restricción y aceptación de una vez. Codex puede leer archivos en el proyecto autorizado, editar código, lanzar las herramientas disponibles y devolverte un diff con la salida de tests para revisar. OpenAI lo ofrece por app de escritorio, CLI e IDE; lo que realmente puede hacer depende de tu cuenta y de tu entorno.2[4]
No es solo para escribir código. Si la documentación y la configuración viven en el repo y deben pasar checks de build tras el cambio, el diff y la ejecución de comandos ya aportan valor. Pero que aparezca un diff no equivale a que el cambio sea correcto: “tests en verde”, “tests no ejecutados” y “aún sin revisión humana” son tres estados distintos; los anoto por separado antes de cualquier merge.
Cómo paso trabajo entre ChatGPT y Codex
Caso típico: el 500 con username vacío.
-
Primero ChatGPT, para fijar el comportamiento esperado: qué status debería volver, qué formato de respuesta ya existe, qué bordes suelen olvidarse. Si esos hechos ya están en mano, salto el paso.
-
Después Codex, con una petición acotada:
Encuentra la ruta donde username vacío dispara 500. Mantén el formato de respuesta actual; toca solo validación y tests. Escribe primero el test que reproduce el fallo, ejecuta los tests relevantes y lista archivos cambiados, comandos lanzados y lo que quedó sin verificar.
- Al final leo el diff yo: ¿el test nuevo cubre el caso original?, ¿se movió otra rama de login sin querer? Si un test no se ejecutó, escribo “no ejecutado”; no dejo que la palabra “listo” lo tape. La guía de prompting de OpenAI insiste en lo mismo: objetivo, contexto y requisitos explícitos.[3]
ChatGPT, Codex y la API de modelo no son la misma capa
ChatGPT y Codex son entradas de producto para personas. La API de modelo es el canal por el que un programa envía un request y recibe una respuesta. Una llamada API exitosa no demuestra que ChatGPT haya leído un archivo local que nunca compartiste, ni que Codex haya tocado tu repositorio.1
El 29 de octubre de 2026 envié un request de resumen en chino (sin streaming) a https://api.crazyrouter.com/v1/chat/completions con gpt-4o-mini. Volvió HTTP 200; el modelo real en la respuesta fue gpt-4o-mini-2024-07-18; finish_reason fue stop; 53 tokens de prompt / 15 de completion / 68 en total. El enunciado pedía un máximo de 20 caracteres Han y la salida real tuvo 22: hubo contenido, pero la restricción de longitud no se cumplió del todo. Ese registro solo prueba esa llamada API; no es una comparación de calidad entre ChatGPT y Codex. La documentación Create Chat Completion de Crazyrouter describe los campos del request y el formato de respuesta.[5]
Si aún no tienes Codex, instálalo desde OpenAI y pruébalo con un problema de proyecto pequeño y concreto. Cuando necesites cablear Codex CLI a una API de terceros, sigue la guía de integración Codex CLI de Crazyrouter. Esa configuración no es lo mismo que los permisos y el uso de tu cuenta de producto OpenAI.
Plantillas que uso con ChatGPT y con Codex
Análisis de materiales para ChatGPT:
Objetivo: Comparar tres cotizaciones y dar una recomendación de compra.
Entrada: Las tres cotizaciones que he subido.
Reglas: Unificar moneda y criterio fiscal; listar por separado lo que falte, sin inventar.
Entrega: Una tabla comparativa y una recomendación de menos de 300 palabras.
Aceptación: Indicar de qué cotización sale cada cifra clave.
Corrección de proyecto para Codex:
Objetivo: Corregir el 500 del endpoint de login cuando el username está vacío.
Alcance: Endpoint, lógica de validación y tests relacionados.
Restricciones: Mantener el formato de respuesta actual; no tocar módulos ajenos.
Aceptación: Añadir un test que reproduzca el fallo, ejecutar los tests relevantes, listar cambios y riesgos abiertos.
Las dos plantillas comparten objetivo, entrada, reglas, entrega y aceptación. En Codex conviene añadir rutas del proyecto, pasos de reproducción o archivos concretos; si no, el agente gasta los primeros pasos buscando contexto.
La próxima vez que dudes, escribe antes dos frases: ¿dónde debe aterrizar el resultado? ¿cómo lo voy a comprobar? Si la respuesta se inclina al texto, abre ChatGPT. Si se inclina al proyecto, abre Codex. En las tareas cruzadas, deja que se pasen el trabajo por etapas en lugar de pelear por qué nombre suena más “avanzado”.
Fuentes (páginas oficiales contrastadas el 29 de octubre de 2026; prueba API el 29 de octubre de 2026):
[1] OpenAI, Use ChatGPT: alcance de tareas de ChatGPT y Codex, solapamiento y presentación en escritorio.
[2] OpenAI, Codex: trabajo de proyecto y herramientas de desarrollo.
[3] OpenAI, Prompting: objetivo, contexto, restricciones y verificación.
[4] OpenAI, ChatGPT desktop app: entrada de producto en escritorio.
[5] Crazyrouter Docs, LLMs Guide y Create Chat Completion; registro desensibilizado de la llamada individual.