La actividad de Codex, el agente de programación de OpenAI, se disparó en los últimos seis meses. Según el boletín AINews, de Latent Space, la herramienta pasó de entre 550.000 y 700.000 usuarios a comienzos de año a 7 millones, un crecimiento cercano a 10 veces en apenas medio año. La cifra reabre una pregunta incómoda para Anthropic: ¿superó Codex a Claude Code en adopción?
¿De dónde salen los 7 millones?
La secuencia de datos es reciente. GPT-5.6 se lanzó el 9 de julio. El 12 de julio, OpenAI reportó 6 millones de usuarios acumulados en las 48 horas previas. Apenas 24,5 horas después, la cifra ya marcaba 7 millones, es decir, cerca de un millón de usuarios nuevos en un solo día.
Para dimensionar la trayectoria, en marzo OpenAI había comunicado 2 millones de usuarios de Codex, y a comienzos de enero la base rondaba entre 550.000 y 700.000. Con esos puntos de referencia, la conclusión del boletín es que Codex multiplicó por diez su base de usuarios en lo que va del año.
¿Y Claude Code?
La comparación es difícil porque Anthropic dejó de publicar cifras equivalentes. El último dato conocido de Claude Code es de febrero: alrededor de 2 millones de usuarios y 2.500 millones de dólares en ingresos recurrentes anuales (ARR), con la aclaración de que los usuarios activos semanales se habían duplicado desde el 1 de enero.
La interpretación más benévola del silencio de Anthropic, apunta AINews, es que la compañía movió buena parte del uso de programación hacia otra superficie de producto meses atrás, con estadísticas de uso distintas y difíciles de comparar con las de una herramienta de línea de comandos. Aun así, un crecimiento de 10 veces en seis meses es un número difícil de igualar.
Los ajustes de OpenAI a GPT-5.6
El repunte llega en paralelo a una tanda de correcciones que OpenAI aplicó a GPT-5.6 Sol en ChatGPT Work y Codex, tras las quejas por consumo acelerado de la cuota. Entre los cambios: optimizaciones de inferencia que entregan alrededor de un 10% más de uso, la reversión del límite de contexto desde 372.000 de vuelta a 272.000 tokens por sus efectos en la facturación, la marcha atrás en algunos experimentos de esfuerzo de razonamiento y correcciones a un comportamiento demasiado activo de los subagentes en las configuraciones más altas.
La lectura de fondo, más allá de la disputa por el liderazgo, es que la conversación de la industria se corrió desde el precio por token hacia el costo por tarea completada. Varios análisis recientes coinciden en que un modelo más caro puede terminar siendo más barato si delega mejor y evita trabajo innecesario.
