Na prática diária não me pergunto qual dos dois “sabe mais”. Pergunto-me o que tenho que revisar no final. Se o entregável é uma resposta legível no chat, começo com ChatGPT. Se o resultado deve aterrissar como mudanças de arquivo no projeto, com testes e um diff para revisar, começo com Codex. Há sobreposição real; não é um ranking de inteligência.1
Antes de abrir qualquer um dos dois, passo a tarefa por três filtros:
| Filtro | Pergunta | Se responde “texto / conversa” | Se responde “repo / execução” |
|---|---|---|---|
| Material | Onde está o que há que ler? | Um bloco de texto ou um arquivo enviado | Relação entre vários arquivos do projeto |
| Entrega | Onde deve ficar o resultado? | Explicação, relatório, tabela | Diff + testes no repositório |
| Aceitação | Como sei que terminou? | Fatos, números e fontes | Comandos, saída de testes, riscos abertos |
Quando os três filtros apontam para o mesmo lado, escolho essa porta. Quando se dividem, deixo que se passem o trabalho.
ChatGPT versus Codex: o que cada porta resolve
ChatGPT encaixa quando quero esclarecer primeiro. Escrevo o cenário diretamente:
“Neste log de API, quais modos de falha são plausíveis? Ordena-os por força de evidência e diz-me que informação ainda me falta reunir.”
Também resume arquivos, compara documentos, esclarece um rascunho ou escreve um exemplo de função. Se preciso de um artefato usável, em uma única mensagem corrijo o material de entrada, as regras de processo, o formato de saída e o critério de aceitação; depois abro o resultado e reviso números, citações e formato eu mesmo. Se ChatGPT pode tocar um arquivo, uma página ou uma ferramenta externa depende da entrada, das permissões da conta e do que você realmente concedeu.[1]
Pode falar sobre código e escrever um trecho. Mas “um trecho que parece usável” e “código integrado no meu projeto que passa nos testes” não são o mesmo resultado. O primeiro cabe no chat; o segundo precisa de contexto de projeto real e execução real.
Quando Codex é a porta correta
Codex convém quando o objetivo é delimitado e deve executar-se em um ambiente de desenvolvimento. Por exemplo:
“O endpoint de login retorna 500 com username vazio. Encontra primeiro a rota de reprodução, mantém o formato de resposta atual, corrige, adiciona o teste de regressão, executa os testes relevantes e lista os arquivos tocados e o que ficou sem verificar.”
Essa instrução fixa comportamento, alcance, restrição e aceitação de uma vez. Codex pode ler arquivos no projeto autorizado, editar código, executar as ferramentas disponíveis e devolver-te um diff com a saída de testes para revisar. OpenAI o oferece por app de desktop, CLI e IDE; o que realmente pode fazer depende de sua conta e de seu ambiente.2[4]
Não é só para escrever código. Se a documentação e a configuração vivem no repo e devem passar verificações de build após a mudança, o diff e a execução de comandos já agregam valor. Mas que apareça um diff não equivale a que a mudança esteja correta: “testes em verde”, “testes não executados” e “ainda sem revisão humana” são três estados distintos; anotei-os em separado antes de qualquer merge.
Como passo trabalho entre ChatGPT e Codex
Caso típico: o 500 com username vazio.
-
Primeiro ChatGPT, para fixar o comportamento esperado: qual status deveria retornar, qual formato de resposta já existe, que bordas costumam esquecer-se. Se esses fatos já estão em mão, pulo o passo.
-
Depois Codex, com uma solicitação delimitada:
Encontra a rota onde username vazio dispara 500. Mantém o formato de resposta atual; toca só validação e testes. Escreve primeiro o teste que reproduz a falha, executa os testes relevantes e lista arquivos mudados, comandos executados e o que ficou sem verificar.
- Ao final leio o diff eu mesmo: O novo teste cobre o caso original?, Moveu-se outro branch de login sem querer? Se um teste não foi executado, escrevo “não executado”; não deixo que a palavra “pronto” o tape. O guia de prompting de OpenAI insiste no mesmo: objetivo, contexto e requisitos explícitos.[3]
ChatGPT, Codex e a API de modelo não são a mesma camada
ChatGPT e Codex são entradas de produto para pessoas. A API de modelo é o canal pelo qual um programa envia uma requisição e recebe uma resposta. Uma chamada de API bem-sucedida não demonstra que ChatGPT tenha lido um arquivo local que você nunca compartilhou, nem que Codex tenha tocado seu repositório.1
Em 29 de outubro de 2026 enviei uma requisição de resumo em chinês (sem streaming) para https://api.crazyrouter.com/v1/chat/completions com gpt-4o-mini. Retornou HTTP 200; o modelo real na resposta foi gpt-4o-mini-2024-07-18; finish_reason foi stop; 53 tokens de prompt / 15 de completion / 68 no total. O enunciado pedia um máximo de 20 caracteres Han e a saída real teve 22: houve conteúdo, mas a restrição de comprimento não se cumpriu totalmente. Esse registro só prova essa chamada de API; não é uma comparação de qualidade entre ChatGPT e Codex. A documentação Create Chat Completion do Crazyrouter descreve os campos da requisição e o formato de resposta.[5]
Se ainda não tem Codex, instale-o de OpenAI e teste-o com um problema de projeto pequeno e concreto. Quando precisar cabear Codex CLI a uma API de terceiros, siga o guia de integração Codex CLI do Crazyrouter. Essa configuração não é o mesmo que as permissões e o uso de sua conta de produto OpenAI.
Modelos que uso com ChatGPT e com Codex
Análise de materiais para ChatGPT:
Objetivo: Comparar três orçamentos e dar uma recomendação de compra.
Entrada: Os três orçamentos que enviei.
Regras: Unificar moeda e critério fiscal; listar em separado o que falta, sem inventar.
Entrega: Uma tabela comparativa e uma recomendação de menos de 300 palavras.
Aceitação: Indicar de qual orçamento sai cada número-chave.
Correção de projeto para Codex:
Objetivo: Corrigir o 500 do endpoint de login quando o username está vazio.
Alcance: Endpoint, lógica de validação e testes relacionados.
Restrições: Manter o formato de resposta atual; não tocar módulos alheios.
Aceitação: Adicionar um teste que reproduza a falha, executar os testes relevantes, listar mudanças e riscos abertos.
Os dois modelos compartilham objetivo, entrada, regras, entrega e aceitação. Em Codex convém adicionar rotas do projeto, passos de reprodução ou arquivos concretos; se não, o agente gasta os primeiros passos procurando contexto.
A próxima vez que duvidar, escreva antes duas frases: Onde deve aterrissar o resultado? Como vou verificá-lo? Se a resposta se inclina ao texto, abra ChatGPT. Se se inclina ao projeto, abra Codex. Nas tarefas cruzadas, deixe que se passem o trabalho por etapas em lugar de brigarem por qual nome soa mais “avançado”.
Fontes (páginas oficiais contrastadas em 29 de outubro de 2026; teste de API em 29 de outubro de 2026):
[1] OpenAI, Use ChatGPT: alcance de tarefas de ChatGPT e Codex, sobreposição e apresentação em desktop.
[2] OpenAI, Codex: trabalho de projeto e ferramentas de desenvolvimento.
[3] OpenAI, Prompting: objetivo, contexto, restrições e verificação.
[4] OpenAI, ChatGPT desktop app: entrada de produto em desktop.
[5] Crazyrouter Docs, LLMs Guide e Create Chat Completion; registro desensibilizado da chamada individual.