Claude oder Codex: Welches KI-Modell passt zu deinem Team?

Claude Opus 5 schreibt besseren Code als GPT Astra. Nein, ich meine nicht Fable.

Ich teste jedes neuen Release von Anthropic und OpenAI in produktiven Codebases. Ich lasse keine Benchmarks laufen (wer hat Zeit für so was?), aber ich schaue, wie sich die Modelle machen, wenn man ihnen echte Probleme gibt.

Ich bin immer wieder erstaunt über die Kluft zwischen dem, was die Online-Community über OpenAI-Releases wie GPT Astra sagt, und dem, was ich selbst in meinen Tests beobachte. Codex zu nutzen heißt für mich meist: Frust und Nacharbeiten. Wie kann das sein?

Am Wochenende hatte ich das Privileg, mich mit einem talentierten Engineer auszutauschen, der nach eigener Aussage „Codex-Power-User“ ist. Er war sichtbar schockiert, als ich davon berichtete, wie ernüchternd meine Tests mit GPT Astra liefen.

Dann kam das, wovon ich mir viel mehr wünsche – Rückfragen über Rückfragen: „Welches Harness nutzt du?“, „Nutzt du Superpowers nur bei Claude oder auch bei Codex?“, „Welche Anbindungen an externes Tooling hast du eingerichtet?“, „Bekommen beide Harnesses die gleichen Anweisungen, Richtlinien und Informationen?“

Und plötzlich hat man ein konstruktives Gespräch. Die Erkenntnis: Er nutzt die „Superpowers“-Skills, und die helfen ihm massiv. Ich hatte sie getestet und mich bewusst dagegen entschieden. Superpowers hilft Agenten durch strengere Regeln und explizitere Anweisungen. Codex wird dadurch viel besser. Ich verlasse mich stattdessen darauf, dass Agents ihre Informationen aus der bestehenden Codebase ableiten. Das macht Claude sehr gut, Codex offenbar weniger gut. Dafür braucht Claude eben wesentlich länger.

Zwei gute Engineers, zwei völlig unterschiedliche Erfahrungen. Beide sind offenbar zutreffend. Was sind die Lehren daraus?

1. Der erste Satz in diesem Beitrag, über den sich bestimmt der eine oder andere geärgert hat, ist wahr. Aber eben nur für mich und meine Arbeitsweise.
2. Die Meinungen anderer Engineers lassen keine Rückschlüsse darauf zu, wie gut du oder dein Team mit einem LLM, einem Workflow oder einem Harness klarkommen wird. Absolut null. Dem Senior, der sagt, dass ein Open-Weight-Modell aus China genauso gut ist wie Claude Fable 5.1, kannst du ebenso wenig glauben wie mir, der immer wieder Codex verteufelt.
3. Du kannst und solltest einem Engineering-Team keinen starren Workflow vorgeben. „Ihr müsst alle Skill X nutzen“ funktioniert nicht. Stattdessen solltest du jeden einzelnen Engineer befähigen, den besten Workflow für sich zu finden: Gib Raum für Experimente. Stell eine Plattform zur Verfügung, auf der Engineers sich austauschen und voneinander lernen können. Sprich mit jedem Einzelnen über die Veränderungen, die er gerade erlebt.

Unterschiedliche Engineers haben unterschiedliche Arbeitsweisen und brauchen unterschiedliche Rahmenbedingungen, um ihre beste Arbeit zu liefern. Das galt vorher schon und gilt heute immer noch. Wie gut ein KI-Modell in deinem Team funktioniert, entscheiden die Teammitglieder. Das kann man nicht an einem Benchmark ablesen.