Codex : déléguer son code et partir

#Le problème du babysitting

Tu connais la boucle classique avec un assistant IA de code : tu écris un prompt, tu attends la réponse, tu corriges, tu relances. L'outil t'aide, mais il monopolise ton attention. Tu ne peux pas lancer une tâche et aller faire autre chose — tu dois rester là, superviser, guider.

C'est ce qu'on pourrait appeler le babysitting : l'IA travaille, mais seulement sous ta surveillance directe. Que tu utilises Copilot, Claude Code ou n'importe quel autre assistant, le schéma reste le même. Tu es bloqué devant ton écran pendant que le modèle réfléchit.

OpenAI a voulu casser ce schéma avec Codex, un agent de code autonome conçu pour fonctionner en arrière-plan. Le pitch est simple : tu décris la tâche, tu lances, et tu pars. L'agent travaille seul dans un environnement isolé et te dépose le résultat dans une file de review quand il a terminé.

#Comment Codex fonctionne

Codex n'est pas un chatbot qui génère du code. C'est un agent autonome qui exécute des tâches complètes — de la lecture du code existant à la création de pull requests — sans intervention humaine pendant l'exécution.

#L'environnement sandbox

Quand tu soumets une tâche, Codex provisionne un conteneur cloud isolé avec une copie de ton dépôt. L'agent a accès aux fichiers, peut exécuter des commandes shell, lancer des tests, et itérer sur son propre code. Par défaut, l'accès réseau est coupé — l'agent travaille exclusivement avec ce qui est dans le repo.

Chaque tâche tourne dans son propre conteneur, ce qui permet de lancer plusieurs agents en parallèle sur le même projet sans conflits. Codex utilise les git worktrees pour isoler les branches : chaque agent explore sa propre copie du code.

#La boucle agentique

En interne, Codex suit une boucle classique d'agent IA :

1. Assembly — le prompt est construit avec les instructions, le contexte du repo, et les outils disponibles
2. Inférence — le modèle (GPT-5.3-Codex) décide de l'action suivante
3. Exécution — l'outil appelé s'exécute (lecture de fichier, écriture de code, commande shell)
4. Retour — le résultat est injecté dans le contexte du modèle
5. Itération — le cycle recommence jusqu'à complétion ou timeout (30 minutes max)

Quand la fenêtre de contexte se remplit, Codex utilise un mécanisme de compaction : le modèle résume son propre historique pour libérer de l'espace et continuer sans perdre le fil.

#Le résultat : un diff dans ta review queue

Une fois la tâche terminée, Codex dépose le résultat dans une file de review : le diff des modifications, les logs d'exécution, les résultats de tests. Tu reviens quand tu veux, tu lis le diff, tu commentes, tu merges — ou tu rejettes.

C'est le cœur du paradigme fire-and-forget : ton éditeur n'est jamais bloqué. L'agent travaille pendant que tu fais autre chose.

#L'app Codex : un centre de commandes

En février 2026, OpenAI a lancé une application macOS dédiée pour piloter Codex. Ce n'est ni un IDE ni un plugin — c'est un tableau de bord pour gérer des agents multiples.

L'interface s'organise autour de trois éléments :

• Les threads — chaque tâche est un thread isolé, organisé par projet. Tu peux lancer 4 à 8 agents simultanément sur des branches différentes
• La review queue — l'onglet central où arrivent tous les résultats. Diff viewer intégré, commentaires inline, staging/revert de chunks
• Le mode /plan — pour les tâches complexes, tu peux demander à Codex de décomposer le travail en étapes avant d'exécuter

Le pattern de travail devient : ouvrir Codex le matin, lancer les tâches de la journée en parallèle, et review les résultats au fur et à mesure qu'ils arrivent.

#Les automations : l'agent qui travaille la nuit

Codex va plus loin que la délégation ponctuelle avec les automations — des tâches planifiées qui s'exécutent sur un schedule défini.

Concrètement, une automation c'est : une fréquence (tous les matins à 9h, tous les lundis), une instruction en langage naturel, et optionnellement des skills spécialisés à utiliser. L'agent se déclenche automatiquement, travaille en autonome, et dépose les résultats dans la review queue.

OpenAI utilise déjà les automations en interne pour :

• Le triage quotidien des issues GitHub
• La génération de release briefs
• Le scan de régressions sur le codebase
• Le résumé des CI failures du jour

#AGENTS.md : le briefing de l'agent

Pour que Codex travaille efficacement sur ton projet, il lit un fichier AGENTS.md à la racine du repo avant de commencer toute tâche. C'est l'équivalent du CLAUDE.md pour Claude Code — un fichier de configuration en Markdown qui donne le contexte nécessaire à l'agent.

Un AGENTS.md typique contient :

• Les commandes de build et test à utiliser
• Les conventions de code du projet (nommage, architecture)
• Les guidelines de PR (format du titre, checks obligatoires)
• La structure du projet (quels dossiers contiennent quoi)

Le système supporte un cascading : un AGENTS.md à la racine + des AGENTS.md spécifiques dans les sous-dossiers d'un monorepo. Le fichier le plus proche du répertoire courant a la priorité.

#Les chiffres revendiqués par OpenAI

OpenAI avance des métriques impressionnantes sur l'adoption interne de Codex.

Le chiffre le plus frappant : plus de 90 % du code de Codex est lui-même écrit par Codex. L'outil code son propre outil. Côté adoption, OpenAI affirme être passé de moins de 50 % à plus de 90 % d'utilisation en interne en quelques mois.

Ces chiffres sont auto-rapportés et doivent être pris avec prudence — mais ils illustrent la direction que prend l'industrie.

#Les limites du fire-and-forget

Le paradigme de Codex est séduisant sur le papier. En pratique, plusieurs limites tempèrent l'enthousiasme.

#Les quotas d'utilisation

Les utilisateurs ChatGPT Plus (20 $/mois) disposent de 30 à 150 messages Codex par fenêtre de 5 heures. En pratique, deux exécutions de 10 minutes peuvent suffire à épuiser le quota. Les utilisateurs Pro (200 $/mois) ont des limites plus généreuses (300 à 1 500 messages), mais le rapport coût/usage reste un sujet de frustration dans la communauté.

#La sécurité du code généré

Une étude a mesuré que 29,5 % des snippets Python et 24,2 % des snippets JavaScript générés par des agents IA contiennent des faiblesses de sécurité. Le code produit par Codex doit être traité comme du code non vérifié — review obligatoire, CI/CD, tests de sécurité.

#Le problème du mid-task steering

Quand tu délègues une tâche et que tu pars, tu ne peux pas corriger le tir en cours de route. Si l'agent part dans la mauvaise direction, tu ne le découvres qu'au moment de la review — et tu as consommé du quota pour rien. Les tâches ambiguës ou sous-spécifiées sont particulièrement vulnérables à ce problème.

#macOS uniquement (pour l'app)

L'app desktop est disponible uniquement sur macOS (Apple Silicon). Les développeurs sous Windows et Linux doivent se contenter de l'interface web dans ChatGPT ou du CLI open-source. C'est un point de friction non négligeable pour une partie significative de la communauté.

#Deux philosophies : délégation vs collaboration

Ce qui rend Codex intéressant, ce n'est pas ses performances brutes — c'est la philosophie qu'il incarne. Codex et Claude Code représentent deux visions du développement assisté par IA.

Codex mise sur la délégation : tu formules une tâche claire, tu la confies à l'agent, et tu reviens pour la review. C'est optimisé pour les tâches bien définies et répétitives — corriger un bug documenté, implémenter une feature spécifiée dans un ticket, refactorer selon un pattern connu.

Claude Code mise sur la collaboration : tu travailles avec l'agent en temps réel, tu corriges sa trajectoire en cours de route, tu lui poses des questions et il t'en pose. C'est optimisé pour les tâches exploratoires et complexes — comprendre un codebase inconnu, débugger un problème mal défini, architecturer une solution.

#Le développeur comme gestionnaire d'agents

Le changement le plus profond que Codex annonce n'est pas technique — il est organisationnel. Si tu peux lancer 6 agents en parallèle sur des tâches différentes, ton rôle change. Tu passes moins de temps à écrire du code et plus de temps à :

• Formuler des tâches claires et actionables
• Review du code généré par les agents
• Prioriser les tâches à déléguer vs celles à faire soi-même
• Maintenir le contexte du projet (AGENTS.md, documentation, tests)

C'est un glissement vers le rôle de tech lead ou de gestionnaire d'agents. La compétence clé devient la capacité à écrire de bons briefs — pas du code.

Ce n'est pas propre à Codex. Boris Cherny, responsable de Claude Code chez Anthropic, affirme ne pas avoir écrit de code depuis plus de deux mois. Des développeurs chez Spotify déclarent n'avoir pas écrit une seule ligne depuis décembre, en utilisant Claude Code via Slack depuis leur téléphone.

La tendance est claire, quel que soit l'outil.

#Ce qu'il faut retenir

• Codex introduit le fire-and-forget dans le développement IA : tu décris une tâche, l'agent travaille en arrière-plan, tu review le résultat
• Les sandbox cloud isolent chaque agent dans son propre conteneur, permettant le parallélisme natif
• Les automations programment des tâches récurrentes, mais tournent encore uniquement en local
• Les limites sont réelles : quotas stricts, sécurité du code généré, impossibilité de corriger en cours de route
• Codex et Claude Code incarnent deux paradigmes complémentaires : délégation asynchrone vs collaboration en temps réel
• Le rôle du développeur évolue vers la gestion d'agents — formuler des tâches, review du code, maintenir le contexte