OpenAI Codex und Anthropics Claude Code zählen für mich zu den derzeit wichtigsten AI-Coding-Agenten. Wie unterscheiden sie sich bei Workflow, Funktionen, Modellen, Sicherheit, Kontext und Kosten?

Hinweis (August 2026): Teile dieses Beitrags sind inzwischen überholt. Im Praxistest Claude Code vs. Codex vs. Cursor korrigiere ich unter anderem die hier getroffene Einschätzung, Codex fühle sich insgesamt “runder und ausgereifter” an. Auch die genannten Modellstände (GPT-5.4, Opus 4.6) sind nicht mehr aktuell.

Einführung

OpenAI Codex und Anthropic Claude Code zählen derzeit zu den wichtigsten AI-Coding-Agenten. Beide bieten umfangreiche Funktionen für einen professionellen AI-Driven-Development-Prozess. In diesem Beitrag vergleiche ich die beiden Tools und ordne sie auf Basis meiner Erfahrungen aus dem täglichen Einsatz in realen Projekten ein.

OpenAI Codex

Überblick

Codex ist der Coding-Agent von OpenAI. Er steht als Kommandozeilentool, als Plugin für diverse IDEs und als eigenständige Desktop-App zur Verfügung. Er unterstützt sowohl lokale als auch cloudbasierte Workflows und mehrere Modelle, darunter GPT-5.4. Im Beitrag OpenAI Codex vs. GitHub Copilot habe ich Codex bereits vor einiger Zeit vorgestellt. Seitdem hat sich allerdings einiges getan. Es lohnt sich also, Codex noch einmal genauer unter die Lupe zu nehmen und mit dem direkten Konkurrenten Claude Code zu vergleichen.

Features

Unabhängig von der konkreten Nutzungsart, also CLI, IDE-Plugin oder Codex-App, bietet Codex die folgenden wichtigen Funktionen:

• Sicherheit: Codex bietet ein im Vergleich sehr konservatives Sicherheitsmodell mit restriktiven Ausführungsmodi und einer Sandbox auf Betriebssystemebene. Je nach gewählter Konfiguration sind Filesystem- und Netzwerkzugriffe eingeschränkt, und selbst genehmigte Befehle laufen nicht zwangsläufig mit vollem Host-Zugriff. In offenen Modi wie full access gelten diese Schutzmechanismen allerdings nur eingeschränkt oder gar nicht. Im Ergebnis reduziert Codex das Risiko gefährlicher Befehle wie rm -rf / in der Standardkonfiguration deutlich.
• Tools: Codex ermöglicht die Installation sogenannter “Skills” und “Plugins”. Dabei handelt es sich um vordefinierte Aktionen oder Workflows, die der Agent ausführen kann. So gibt es etwa Plugins für GitHub, Jira oder Figma. Damit kann der Agent beispielsweise Pull Requests erstellen, Jira-Issues anlegen oder Designs aus Figma analysieren und umsetzen.
• Multi-Agent-Support: Codex kann mehrere Agenten parallel ausführen. Der Hauptagent delegiert dabei Teilaufgaben an Unteragenten. Das steigert zum einen die Effizienz und verkürzt die Wartezeiten. Zum anderen reduziert es die “Context pollution”, also die Überfrachtung des Kontexts mit irrelevanten Informationen, die die Ergebnisqualität beeinträchtigen kann. Ein typisches Beispiel ist die Analyse der Codebasis vor dem eigentlichen Coding. Statt den Hauptagenten damit zu beschäftigen, lässt Codex einen Unteragenten die relevanten Informationen extrahieren und zusammenfassen. Dadurch bleibt der Kontext des Hauptagenten sauberer und stärker auf die übergreifende Aufgabe fokussiert. Das funktioniert in der Praxis erstaunlich gut.
• Modelle: Codex lässt sich mit verschiedenen OpenAI-Modellen nutzen, die sich in Leistungsfähigkeit, Latenz und Kosten unterscheiden. Ich verwende fast ausschließlich das neueste und leistungsfähigste Modell (Stand Mitte April 2026 ist das GPT-5.4), da die Ergebnisse hier am besten sind und die Kosten für mich in einem akzeptablen Rahmen liegen. Die verlorene Zeit durch schlechte oder mittelmäßige Ergebnisse der günstigeren Modelle würde in der Praxis deutlich teurer werden als die Mehrkosten für das Flaggschiff-Modell.
• Kontextgröße: Codex bietet ein Kontextfenster von ca. 272.000 Tokens als “hartes Limit”. Die Summe aus Eingabe- und Ausgabetokens eines Prompts darf dieses Limit nicht überschreiten. In der Praxis ist das allerdings nur ein Teil der Wahrheit, da die Modelle nur innerhalb eines bestimmten Bereichs der vollen Kontextgröße wirklich gute Ergebnisse liefern, also z. B. bis maximal 75 % des Kontextfensters. Wer tiefer einsteigen möchte, kann sich den MRCR-Score anschauen, der dieses Phänomen zumindest teilweise quantifiziert. OpenAI veröffentlicht keine konkreten Zahlen zu dieser “effektiven Kontextgröße”, man kann aber wohl davon ausgehen, dass sie bei etwa 200.000 bis 220.000 Tokens liegt. Das entspricht ganz grob etwa 12.000 bis 15.000 Zeilen Code, je nach Sprache und Formatierung. Diese Zahl reduziert sich zusätzlich durch die im Prompt verwendeten Guidelines, etwa einen Bootstrap-Prompt oder eine Architekturdokumentation, sowie durch die Zahl der konfigurierten Tools. Trotzdem ist Codex in der Lage, für eine typische Coding-Aufgabe etwa 50 bis 100 Quellcodedateien im Blick zu behalten, was für die meisten Anwendungsfälle in der Praxis ausreicht.

Preismodell

Codex ist in allen OpenAI-Abos ab dem Plus-Plan enthalten. Die Anzahl der erlaubten Requests steigt mit jeder Abo-Stufe. Wenn man an ein Limit stößt, lassen sich bei OpenAI zusätzliche “Credits” hinzubuchen. Meines Erachtens ist OpenAI bei der Gestaltung der Rate-Limits für die Codex-Nutzung sehr großzügig, zumindest Stand April 2026 und voraussichtlich bis Ende Mai 2026. Selbst mit dem günstigsten Plus-Plan ist es möglich, Codex in einem professionellen AI-Driven-Development-Prozess zu nutzen, ohne ständig in die Limits zu laufen. Ich gehe allerdings davon aus, dass sich das mittelfristig ändern wird. Nach den zuletzt bekannt gewordenen Änderungen am Abo-Modell richtet OpenAI seine Tarife stärker auf intensive Codex-Nutzung aus, unter anderem mit einer zusätzlichen Pro-Stufe zwischen Plus und dem bisherigen Pro-Tarif. Am Ende ist es vermutlich auch nicht angemessen, für knapp 20 EUR pro Monat unbegrenzten Zugriff auf einen nahezu perfekt funktionierenden AI-Agenten zu bekommen, der locker die Aufgaben eines Junior-Entwicklers erledigen kann.

Claude Code

Überblick

Claude Code ist Anthropics Gegenstück zu OpenAI Codex und seit Anfang 2025 verfügbar, zunächst nur als Kommandozeilen-Tool. Seit ca. Ende 2025 lässt sich Claude Code ähnlich wie Codex auch über IDE-Plugins und eine separate Desktop-App nutzen. Die aktuellen Modelle, insbesondere Claude 4.6 in den Varianten Opus und Sonnet, sind in der Coding-Domäne sehr leistungsfähig. Anthropic hat die Bedeutung von AI-Driven Development früh erkannt und sich damit eine starke Marktposition erarbeitet.

Features

Claude Code bietet die folgenden wichtigen Funktionen:

• Sicherheit: Claude Code arbeitet mit einem konfigurierbaren Berechtigungssystem für Tools. Über Allowlists und Denylists lässt sich sehr feingranular steuern, welche Aktionen automatisch ausgeführt werden dürfen und welche eine manuelle Bestätigung erfordern. Im Gegensatz zu Codex werden Tools standardmäßig aber nicht in einer echten, durch das Betriebssystem abgesicherten Sandbox ausgeführt. Anthropic bietet OS-Level-Sandboxing zwar mittlerweile ebenfalls an, dieses muss aber explizit aktiviert werden und ist nicht die Voreinstellung.
• Tools: Über das Model Context Protocol (MCP) lässt sich Claude Code ähnlich wie Codex mit externen Diensten verbinden.
• Multi-Agent-Support: Claude Code unterstützt parallel laufende Subagenten. Die Idee ist dieselbe wie bei Codex: mehr Effizienz durch Parallelisierung und sauberere Kontexte durch Aufgabentrennung. Jeder Subagent erhält nur die für seine Aufgabe relevanten Tools, was sowohl die Qualität der Ergebnisse als auch die Kosten positiv beeinflusst.
• Modelle: Claude Code bietet Stand April 2026 drei Modellstufen: Opus 4.6 für komplexe Implementierungs- und Architekturaufgaben, Sonnet 4.6 für die tägliche Coding-Arbeit und Haiku 4.5 für schnelle Anfragen, wobei ich Haiku bislang selbst noch nicht genutzt habe. Opus 4.6 ist aus meiner Sicht noch einen Ticken leistungsfähiger als GPT-5.4. Es hält sich sehr gut an Vorgaben und erstellt Code auf einem Niveau, das in menschlichen Teams nur wenige Entwickler:innen erreichen.
• Kontextgröße: Die nutzbare Kontextgröße ist vom gewählten Abo abhängig. In der günstigsten Abo-Stufe stehen maximal 200.000 Tokens zur Verfügung, also etwas weniger als bei Codex. Ab dem Max-Plan bietet Claude Code für Opus 4.6 ein Kontextfenster von 1.000.000 Tokens, also etwa das 3,5-Fache gegenüber dem Standard-Kontextfenster von Codex. Wie bei Codex gilt auch hier, dass die tatsächlich nutzbare Kontextgröße etwas darunter liegt. Ich würde schätzen, dass Claude Code dann grob 40.000 bis 50.000 Zeilen Code beziehungsweise 150 bis 350 Dateien effizient und zuverlässig verarbeiten kann. Gerade in komplexen Projekten mit vielen Modulen, Services und Schnittstellen ist dieses größere Kontextfenster ein echter Vorteil. Allerdings bezahlt man diese Leistung natürlich auch mit höheren Kosten, siehe unten.

Preismodell

Claude Code ist in allen kostenpflichtigen Plänen von Anthropic enthalten. Wie bereits erwähnt, steht das große Kontextfenster erst ab dem günstigsten Max-Plan ohne zusätzliche Abrechnung zur Verfügung. Hier sprechen wir im April 2026 von ca. 100 EUR pro Monat. Der Pro-Plan, also der günstigste Plan für Einzelpersonen, liegt bei Kosten und Kontextfenster ungefähr auf dem Niveau des Plus-Plans von OpenAI. Das gilt allerdings explizit nicht für die Rate-Limits: Während OpenAI für Codex aktuell sehr großzügige Limits anbietet, sind sie bei Claude Code deutlich strenger. Das schränkt die Nutzbarkeit von Claude Code im Pro-Plan für professionelles AI-Driven-Development spürbar ein. Erfahrungsgemäß ist mit diesem Default-Limit maximal die Entwicklung eines mittelkomplexen Features pro Tag möglich, was einfach nicht ausreicht. Immerhin bietet Anthropic seit Kurzem die Möglichkeit, die Limits durch zusätzliche Käufe zu erhöhen, ohne direkt in den Max-Plan wechseln zu müssen. Am Ende gilt allerdings auch hier, dass selbst 100 EUR pro Monat für den günstigsten Max-Plan angesichts der Leistungsfähigkeit von Claude Code durchaus angemessen sind.

Fazit

Ich verwende sowohl OpenAI Codex als auch Claude Code seit mehreren Monaten in meinem täglichen AI-Driven-Development-Prozess. Beide Tools schlagen sich im Alltag hervorragend. Bei Qualität und Funktionsumfang der IDE-Plugins und Desktop-Apps hat OpenAI aus meiner Sicht aktuell die Nase vorn. Codex fühlt sich hier insgesamt runder und ausgereifter an. Die Opus-Modelle von Anthropic liegen beim reinen Coding aus meiner Sicht hingegen knapp vor GPT-5.4.

Mittlerweile sehe ich bei der täglichen Arbeit in einem AI-Driven-Development-Prozess kaum noch relevante Aufgaben, bei denen Codex oder Claude Code nicht sinnvoll eingesetzt werden könnten. Das gilt sowohl für reine Coding-Aufgaben als auch für konzeptionelle Fragen, etwa bei der Diskussion von Architektur- und Designentscheidungen.

In der Praxis wechsle ich je nach Aufgabe regelmäßig zwischen beiden Tools. Sehr komplexe Implementierungsaufgaben übergebe ich gerne Claude Code und Opus 4.6, während ich Codex mit GPT-5.4 für die meisten “alltäglichen” Coding-Aufgaben, konzeptionellen Diskussionen und für Dokumentation nutze. Bei Reviews lasse ich oft sogar beide Agenten parallel auf denselben Sachverhalt schauen, um mehrere Perspektiven einzuholen. Für einen AI-Driven-Development-Prozess ist es aus meiner Sicht weder notwendig noch sinnvoll, sich auf ein einziges Tool festzulegen. Im professionellen Umfeld spricht aus meiner Sicht nichts dagegen, beide Tools parallel zu nutzen und je nach Anforderung das jeweils besser geeignete einzusetzen, auch wenn dadurch zusätzliche Kosten entstehen.