Codex vs Claude Code : décrypter le gap des benchmarks
#Le chiffre qui fait parler
Tu as peut-être vu passer ce chiffre : un écart de 12 points entre Codex et Claude Code sur certains benchmarks de coding. Sur Terminal-Bench 2.0, le meilleur agent basé sur GPT-5.3-Codex atteint 75,1 % tandis que Claude Code (avec Opus 4.6) plafonne à 58,0 %. L'écart est réel — et il mérite qu'on s'y attarde.
Mais avant de tirer des conclusions, il faut comprendre ce que ces benchmarks mesurent vraiment, et surtout ce qu'ils ne mesurent pas.
#Ce que disent les benchmarks
Trois benchmarks dominent l'évaluation des agents de code en 2026. Chacun teste des compétences différentes.
#Terminal-Bench 2.0
Ce benchmark évalue la capacité d'un agent à résoudre des tâches complexes en ligne de commande : manipulation de fichiers, scripts shell, opérations système. C'est un test de polyvalence terminale.
| Agent | Modèle | Score |
|---|---|---|
| Simple Codex | GPT-5.3-Codex | 75,1 % |
| CodeBrain-1 | GPT-5.3-Codex | 70,3 % |
| Droid | Claude Opus 4.6 | 69,9 % |
| Mux | Claude Opus 4.6 | 66,5 % |
| Codex CLI | GPT-5.2 | 62,9 % |
| Claude Code | Claude Opus 4.6 | 58,0 % |
Ici, Codex domine clairement. L'écart entre le meilleur agent Codex (75,1 %) et Claude Code en tant que produit (58,0 %) atteint 17 points. Même entre agents de même niveau, GPT-5.3-Codex maintient une avance de 5 à 7 points sur les agents Claude.
#SWE-bench Verified
Ce benchmark teste la résolution de vrais bugs dans des dépôts open-source Python. C'est le test le plus cité pour évaluer la capacité d'un modèle à comprendre du code existant et à produire des correctifs fonctionnels.
| Modèle | Score |
|---|---|
| Claude Opus 4.5 | 80,9 % |
| Claude Opus 4.6 | 80,8 % |
| GPT-5.2 | 80,0 % |
| Claude Sonnet 4.5 | 77,2 % |
| Gemini 3 Pro | 76,2 % |
Sur SWE-bench Verified, Claude domine. Opus 4.5 et 4.6 occupent les deux premières places, devant GPT-5.2. L'écart est faible (moins d'un point), mais la tendance est claire : quand il s'agit de corriger des bugs dans du vrai code, les modèles Claude ont l'avantage.
#SWE-bench Pro
Le benchmark Pro de Scale AI utilise un protocole standardisé avec un budget de tokens illimité. Les résultats sont différents des scores auto-rapportés.
| Modèle | Score |
|---|---|
| Claude Opus 4.5 | 45,9 % |
| Claude Sonnet 4.5 | 43,6 % |
| Gemini 3 Pro | 43,3 % |
| Claude Sonnet 4 | 42,7 % |
| GPT-5.2 (High) | 41,8 % |
| GPT-5.2-Codex | 41,0 % |
Sur cette évaluation indépendante, Claude reprend la tête avec environ 5 points d'avance sur GPT-5.2-Codex.
#Pourquoi les chiffres divergent autant
Si tu compares les classements, tu remarques un paradoxe : Codex domine Terminal-Bench, Claude domine SWE-bench. Comment les deux peuvent-ils être "meilleurs" en même temps ?
La réponse tient en trois facteurs.
#Le scaffold compte autant que le modèle
Un scaffold (ou "harness"), c'est l'infrastructure autour du modèle : comment il reçoit les tâches, quels outils il peut utiliser, comment il planifie ses actions. Sur Terminal-Bench 2.0, le même modèle Claude Opus 4.6 obtient 58 % avec le scaffold Claude Code mais 69,9 % avec le scaffold Droid — soit 12 points d'écart juste en changeant l'orchestration.
C'est une nuance cruciale. Quand on dit "Codex bat Claude de 12 points", on compare souvent le meilleur scaffold Codex au produit Claude Code. Pas les modèles bruts.
Le scaffold, c'est comme le châssis d'une voiture de course. Un excellent moteur dans un mauvais châssis sera battu par un moteur correct dans un châssis optimisé. Les benchmarks mesurent l'ensemble moteur + châssis — pas le moteur seul.
#Les benchmarks mesurent des choses différentes
Terminal-Bench teste des tâches terminales (scripts, manipulation de fichiers, commandes système). SWE-bench teste la correction de bugs dans des codebases Python. Ce sont des compétences distinctes.
Un développeur qui passe ses journées à débugger du code Python ne tire pas les mêmes conclusions qu'un devops qui automatise des scripts shell.
#Les scores sont auto-rapportés
La plupart des entrées sur les leaderboards sont soumises par les équipes elles-mêmes. Seul SWE-bench Pro (par Scale AI) utilise un protocole standardisé et indépendant. Sur ce benchmark neutre, l'écart entre Claude et Codex est de 5 points en faveur de Claude.
#Ce que les benchmarks ne capturent pas
Les benchmarks évaluent la résolution de tâches isolées. Mais ton quotidien de développeur, c'est autre chose.
#La cohérence sur les sessions longues
Claude Code est conçu pour des sessions de travail prolongées — des dizaines de minutes, parfois des heures. Il maintient le contexte, planifie ses actions, et revient sur ses erreurs. Les benchmarks ne testent pas cette endurance.
#La collaboration avec le développeur
Claude Code pose des questions de clarification, propose des alternatives, et explique ses choix. Il s'inscrit dans un workflow collaboratif où le développeur reste aux commandes. Codex, de son côté, privilégie la vitesse d'exécution — idéal quand tu sais exactement ce que tu veux, moins quand le problème est ambigu.
#Le déterminisme
Un point relevé par plusieurs développeurs : Claude Code produit des résultats cohérents entre les runs. Si tu relances le même refactoring, tu obtiens sensiblement le même plan de changements. Codex peut produire des implémentations alternatives d'une exécution à l'autre, ce qui complique la reproductibilité.
#La sécurité du code
Sur la détection de vulnérabilités (injections, IDOR, failles OWASP), les tests indépendants montrent que Claude Code identifie significativement plus de vrais positifs que Codex, particulièrement sur les bugs de type IDOR.
#Ce que ça signifie pour toi
Alors, lequel choisir ? La réponse dépend de ton usage.
Claude Code est le bon choix si tu :
- Travailles sur des codebases existantes avec du debugging complexe
- Veux un agent qui explique ses décisions et collabore
- Privilégies la fiabilité et la reproductibilité
- Développes des applications où la sécurité du code compte
Codex est le bon choix si tu :
- Fais beaucoup d'automatisation shell et de scripting
- Veux un prototypage rapide quand la direction est claire
- Préfères un outil open-source que tu peux customiser
Ne choisis pas un outil de code sur la base d'un seul benchmark. Teste les deux sur tes tâches réelles. Un écart de 12 points sur Terminal-Bench ne se traduit pas forcément en 12 % de productivité en plus dans ton contexte.
#L'ère post-benchmark
Nathan Lambert d'Interconnects résume bien la situation : les benchmarks ne prédisent plus de manière fiable les performances en conditions réelles. Google Gemini 3 a été célébré à sa sortie pour ses scores, puis est devenu marginal en quelques semaines.
Ce qui compte en 2026, ce n'est plus le score brut sur un leaderboard. C'est l'orchestration — comment l'agent utilise ses outils, gère son contexte, et s'intègre dans ton workflow. Et sur ce terrain, la compétition entre Codex et Claude Code bénéficie à tout le monde : chaque amélioration de l'un pousse l'autre à progresser.
#Ce qu'il faut retenir
- Terminal-Bench 2.0 : Codex mène avec un écart significatif sur les tâches terminales
- SWE-bench Verified : Claude domine sur la correction de bugs en Python
- SWE-bench Pro (indépendant) : Claude devant de 5 points
- Le scaffold (l'orchestration autour du modèle) influence les scores autant que le modèle lui-même
- Les benchmarks ne capturent pas la cohérence, la collaboration, ni la sécurité du code
- Teste les deux outils sur tes propres tâches avant de trancher