Claude ou Codex: qual dos dois é o melhor?

Essa é a pergunta que recebo muito, e ela merece resposta de teste, não ranking herdado.

Muita gente me pergunta sobre os dois. Então eu fiz o que quase ninguém faz: botei os dois pra trabalhar nas mesmas tarefas, anotei o que cada um entregou de diferente e montei o placar.

Eu garanto uma coisa antes de abrir ele: dificilmente você vai acertar o meu veredito.

E ele começa num lugar que ninguém procura. Personalidade.

Todo modelo de IA tem temperamento. Ninguém coloca isso na tabela de comparação, e é exatamente o que decide se ele serve pra ti.

O Claude é o falastrão empolgado. Você mostra uma ideia meia-boca e ele reage como se tivesse visto o futuro: que coisa maravilhosa, você vai ficar bilionário, eu nunca vi um prompt tão bom.

Se existisse um DISC pra IA (aquele teste de perfil que eu uso bastante, e que resume as pessoas em quatro letras), o Claude seria o I: o influente da turma.

Adora falar, adora escrever, gera relatórios gigantescos sem ninguém pedir.

Isso é ruim? Depende do uso. A personalidade vira critério de trabalho, e deixa de ser curiosidade de bastidor.

O Codex é o oposto. O nerd autista da dupla: não entende sarcasmo, não pega nuance humana, não te elogia nunca.

Em compensação, ele é o mesmo às oito da manhã e às três da madrugada. No mesmo teste, ele seria o C: o analista metódico, que confere tudo duas vezes. Zero arco-íris.

Isso não é acidente de treino. A Anthropic trabalha a persona do Claude de propósito e publica sobre isso: quer que ele pareça ter alma.

No Codex, o uso escancara o contrário: personalidade no mínimo pra sobrar execução. Desse lado eu não tenho publicação pra citar, tenho o comportamento que o meu teste encontrou.

Duas empresas, duas apostas de temperamento. E temperamento prevê uma coisa que lista de funcionalidade não prevê: como a ferramenta se comporta quando a tarefa fica longa, chata e repetitiva.

O empolgado dá um jeitinho quando o trabalho fica tedioso. O nerd continua conferindo o mesmo teste pela décima vez, com o mesmo capricho da primeira.

No meu uso, esse contraste orientou mais que os rankings que circulam por aí. E é ele que desenha o mapa inteiro.

Testando os dois de verdade, a resposta aparece em duas camadas: o placar de hoje e o jeito de montar o placar.

A primeira camada é o mapa. Com o temperamento na mão, ele se desenha quase sozinho.

Escrita criativa? No meu teste, falastrão, sem discussão. Copy, campanha de marketing, texto que depende de entender gente: o Claude lê as entrelinhas humanas que o nerd nem percebe que existem.

Revisão de contrato onde o tom importa, também ele. Um exemplo prático: se você é advogado, é o Claude que lê a entrelinha que decide um contrato.

Brainstorm (a hora de abrir ideias), idem: ele expande as tuas, joga referência, mostra caminhos que você não tinha considerado.

Design novo, aquela landing page bonitona do zero? Claude de novo. O jeito arco-íris de pensar cria coisas que o analista não cria.

Só que arco-íris tem preço.

O planejamento do Claude vem inchado: cheio de coisa que não precisava existir, que dá mais trabalho que resultado, ou que nem tem como fazer.

E aí entra o nerd com a tesoura. Corta tudo e devolve a proposta no estilo dele: isso aqui é um MVP (a versão mínima que já funciona), dá pra entregar em uma hora, posso deixar rodando?

Eu uso os dois nessa ordem. O empolgado abre o leque no brainstorm, o criterioso revisa e corta.

Revisão de código é território do Codex. Teste e refatoração (arrumar o código por dentro sem mudar o que ele faz) são trabalho repetitivo, e ele é econômico onde o Claude é beberrão.

No meu uso, conversa longa com o falastrão termina em crédito zerado. O nerd segue rodando sem pedir mais.

Aqui entra o número que resume o meu teste: uma atividade de testes e refatoração que passou da marca das 40 horas rodando direto no Codex.

A mesma atividade no Claude morreu na casa de 1 hora e meia, derrubada por erros seguidos de API (a conexão com o serviço caindo no meio do trabalho), e a tarefa ficou pela metade.

Números redondos, assumidos: foi teste de campo, não medição de laboratório.

E não foi azar de um dia: já cancelei duas contas do Claude 20x (o plano mais parrudo deles) por causa disso. Na última, tentei usar o Fable e veio direto: API Error, conexão fechada no meio da resposta.

Só aqui que toda hora dá esse erro? Quero saber o segredo de quem jura que não tem erro nenhum, se até a página de status deles vive registrando instabilidade.

E sendo justo com o falastrão: parte disso é infraestrutura e crédito, não só personalidade. Pra quem deixa agente rodando sozinho, dá no mesmo. Consistência é o pacote inteiro, modelo mais o que sustenta ele.

Consistência de design também é dele. O Codex tem navegador próprio, sem precisar de plugin (MCP), sem instalar nada.

Ele mesmo navega tela por tela, muda o tamanho de tela que está simulando, confere se teu design system (o padrão visual que todas as telas deviam seguir) continua igual no celular, no iPad, no computador.

Ele não cria a página nova. Ele garante que as páginas que já existem tenham a mesma cara.

Cada um tem seus brinquedos exclusivos. O Claude tem os Team Agents (vários agentes trabalhando ao mesmo tempo, conversando entre si) e o Claude Design na web.

O Codex tem app visual pra quem odeia a tela preta do terminal, e controle total do computador pelo celular, escaneando um QR code.

Então, qual é melhor? Me perguntaram isso de outro jeito: Alan, tu usa o garfo ou a faca?

Essa comparação eu já fiz aqui algumas vezes, e repito de propósito, porque ela continua sendo a resposta: ninguém escolhe entre garfo e faca. Eu uso os dois.

E a mesa nem para nos dois talheres. Quem acompanha sabe que eu ando testando o Composer e o Grok 4.5, que acabou de lançar. E no meu caso (repito: no meu caso), a dupla Codex mais Grok 4.5 está sendo a melhor combinação que eu já rodei, com o Grok na análise.

O nível seguinte é o que quase ninguém tenta: botar um modelo pra gerenciar o trabalho do outro. Comecei botando o Codex pra chefiar o Claude, o nerd confiável mandando no falastrão criativo.

Hoje a formação que roda aqui é um trio, e cada um entra pelo temperamento: o Fable 5 em raciocínio alto gera o EPIC (o plano grande que quebra o projeto em tarefas), o Grok 4.5 pega o /goal de execução (o comando que solta a tarefa pro agente rodar sozinho), porque é o mais rápido, e o Codex 5.6 em raciocínio alto roda um /goal paralelo de revisão, porque é o mais criterioso.

O criativo planeja, o veloz executa, o criterioso revisa. Perfeito é isso rodando junto, e eu fora da frente do computador.

E dependendo do teu trabalho, o placar pode até mudar tua assinatura: talvez não valha mais manter os dois, talvez valha só o nerd, talvez seja hora de trocar. É decisão que o teu uso responde, não a minha opinião.

Agora o aviso que os comparativos escondem: esse placar vai envelhecer no próximo release, e tudo bem, porque o que fica é o método que o gerou.

Alguma coluna dessa tabela vai mudar de dono em meses. Placar de teste é assim mesmo, nasce pra envelhecer.

E o próximo release nem esperou: ontem mesmo a Moonshot lançou o Kimi K3, um gigante chinês de 2,8 trilhões de parâmetros (o tamanho bruto do modelo) prometendo bater os líderes. A prova? Benchmark publicado por eles mesmos.

Sabe o que eu vou fazer com essa promessa? Não vou confiar no que dizem. Vou testar pra ver se é tudo isso mesmo. E provavelmente é exatamente o que eu estou fazendo enquanto você lê esta edição.

Esse placar é só a primeira camada. A segunda é a que não envelhece, e ela é o motivo desta edição. Vem agora.

Agora a parte que os meus testes me obrigaram a admitir: qual é melhor é meia pergunta.

É o 42 do Guia do Mochileiro das Galáxias: a resposta pra vida, o universo e tudo mais, certa e inútil, porque ninguém tinha definido a pergunta.

Pergunta mal formulada gera resposta inútil. Perguntar qual é melhor sem o pra-quê é exatamente esse tipo de pergunta.

A pergunta completa é: melhor pra quê? E a resposta honesta é a que ninguém quer vender: depende. Sempre depende. Por isso se testa.

Se o mapa de hoje envelhece em meses, por que tanta gente decora o mapa e ninguém aprende a fazer o próprio?

Minha suspeita: porque decorar parece suficiente. E existe um mecanismo conhecido por trás dessa sensação.

Eu defendo aprender o topo de dez pirâmides em vez de completar uma inteira. O perigo é o que vem junto com o topo:

Com 20 por cento do conhecimento, você já entrega projeto. Já mostra resultado, já posta, já cobra. E se sente pronto.

Na edição passada eu usei o estudo do Dunning-Kruger falando de decisão. Ele volta aqui de propósito, por outro ângulo.

Quem estava no fundo do grupo em competência real (o 12º percentil, pior que quase 9 em cada 10 ali) se colocava, em média, acima da metade da turma.

A IA deixou essa armadilha mais confortável, porque ela te dá os primeiros 80 por cento de qualquer entrega quase de graça.

O 80 aqui é regra de bolso da família do 80/20 (a velha observação de que uns 20 por cento do esforço carregam uns 80 por cento do resultado), e trato ele como tal.

Só que os últimos 20 por cento dos problemas cobram exatamente os 80 por cento de conhecimento que você pulou. É ali que o projeto trava, e o culpado nunca parece ser o atalho.

Tem um agravante de calendário: skill de ferramenta apodrece rápido. A meia-vida de uma habilidade técnica (o tempo até metade do valor dela evaporar) hoje ronda 2,5 anos.

Fundação não apodrece. Quem entende o porquê (o processo por trás, o que é contexto, o que é um teste, por que agente cai no meio da execução) troca de ferramenta como troca de teclado.

Quem decorou só o como de uma ferramenta vira escravo dela. Trava a cada mudança e recomeça a cada modinha.

É por isso que eu insisto no teste em vez do ranking. Nenhum curso, livro ou influencer chega perto de te dar 100 por cento. Qualquer material bom é uma introdução organizada, e só.

A qualidade do material nunca fez ninguém ficar bom. O que faz é o esforço deliberado depois dele: pegar as duas ferramentas, dar a mesma tarefa, comparar o que volta, anotar, repetir.

Isso tem medição fora do nosso mundo. Nos violinistas de elite de Berlim, o que separava os melhores dos apenas bons era um acúmulo de cerca de 2.500 horas a mais de prática deliberada.

Mesma escola de música, mesmo material. O que mudava era o depois.

E vale dizer o que nenhum comparativo diz: o meu placar também é um teste n=1 (amostra de um: eu). Pra ti, ele é só mais um ranking herdado, até o dia em que você roda o teu.

Melhor ainda se você aplicar o filtro que eu chamo de Pareto ao Cubo: 20 por cento dos 20 por cento dos 20 por cento. A conta fecha em 0,8 por cento do esforço mirando 51,2 por cento do resultado.

É mira de priorização, não lei da física: o número existe pra te obrigar a escolher onde apertar.

No caso das ferramentas, esse fio de esforço tem nome: descobrir qual tarefa tua rende mais em cada temperamento. O resto o próprio uso ensina.

Junta as peças: a pergunta com o pra-quê, o temperamento antes da feature, o teste antes do ranking, os talheres em vez do vencedor.

Isso é um critério. Cabe num guardanapo e sobrevive a qualquer release, a qualquer versão nova que lançarem.

Eu já escrevi por aqui, na edição do gênio que não fica, que a ferramenta é a mesma pra todo mundo e o que fica é o critério. Esta edição é aquela ideia virando método:

Você não é o modelo de LLM que usa. Você é o critério com que escolhe.

“Tempos difíceis criam pessoas fortes, pessoas fortes criam tempos fáceis, tempos fáceis criam pessoas fracas.”

Parece provérbio romano. Não é.

Saiu de um romance pós-apocalíptico de 2016, Those Who Remain, e virou meme vestido de sabedoria antiga.

Então por que uma frase de ficção viraliza há dez anos? Porque, apontada pra dentro, ela morde de verdade.

Nunca foi tão fácil ter duas das ferramentas mais capazes que eu já testei trabalhando pra ti por assinatura. Facilidade nesse nível é um teste de caráter técnico.

Quem aceita só as partes boas (os 80 por cento de graça, o elogio do falastrão, o placar pronto dos outros) constrói critério de papel.

E sobre amor ao ofício, eu penso assim: se você só quer as partes boas, você não ama de verdade. Só é preguiçoso.

Amar o ofício inclui a parte chata. O teste repetido, a tarefa que roda 40 horas, o erro que te obriga a entender o porquê.

É o que separa quem usa IA de quem é usado pela facilidade dela.

Essa semana, de segunda a quinta, esse jeito de trabalhar rodou em público.

Fran, Bruno, Adavio e Marcondes mostraram ao vivo, com Claude Code, como funciona uma operação comercial de verdade.

Diagnóstico e processo, CRM e pipeline (o sistema que registra clientes e o funil de vendas), cadência e follow-up (a sequência de contatos com o cliente), proposta e fechamento.

Foram 4 aulas em 4 dias, cada uma mostrando uma parte da operação. Quatro operadores com a ferramenta já escolhida pro trabalho deles, demonstrando em tarefa real.

É a segunda metade do movimento desta edição: depois que o pra-quê define a ferramenta, ver ela trabalhando de verdade, sem ensaio.

E a mesma navalha do texto vale aqui: replay não substitui o teu teste. Ele mostra como funciona; a tarde de teste continua sendo tua.

Fica aqui o meu obrigado a quem participou ao vivo das 4 aulas.

E todo o conteúdo vai ficar gravado por um tempo, com o material de cada aula na mesma página, pra você consumir no teu ritmo e aplicar no teu negócio.

Alan Nicolas ♾️
CEO, Academia Lendár[IA]

P.S. A moral do 42 nunca foi a resposta: foi o preço de não conhecer a pergunta. A tua sai barata: abre as duas ferramentas, dá a mesma tarefa e olha o que volta. Aposto: uma tarde disso diz mais que um ano de ranking.

Assista a minha ultima live:

Para mais conteúdos lendários sobre Inteligência Artificial e Business, aproveite para me seguir nas redes sociais:

Instagram | YouTube | X (Twitter) | Podcast (Spotify)