Codex-Statistiken.

Codex ist die agentenbasierte Software-Engineering-Produktlinie von OpenAI: ein Codierungsagent, der über ChatGPT, Cloud-Aufgaben, CLI, IDE-Erweiterungen, GitHub-Workflows, Desktop-Anwendungen und API-Modelle verfügbar ist. Die öffentlichen Statistiken fallen in vier Kategorien, die nicht vermischt werden sollten – unternehmensgemeldete Nutzungsmetriken, Produktveröffentlichungsmeilensteine, Leistungs-Benchmark-Ergebnisse und breitere Umfragen zur Akzeptanz von Entwickler-KI.

Die Schlagzeilenzahl ist unternehmensgemeldet: OpenAI gibt an, dass mehr als 5 Millionen Menschen Codex wöchentlich nutzen, wobei Nicht-Entwickler etwa 20 % der Nutzer ausmachen und mehr als 3× so schnell wachsen wie Entwickler (OpenAI). Dies ist eine Metrik für wöchentliche Nutzer – nicht für monatliche oder tägliche aktive Nutzer, Umsatz, bezahlte Plätze oder Marktanteil. Dieser Artikel fasst die am besten unterstützten Codex-Statistiken aus dem Forschungsdossier zusammen, trennt die Nutzerakzeptanz von Ökosystemsignalen und erläutert die Vorbehalte hinter jeder Zahl.

Top-Statistiken

Die Nutzungszahlen von OpenAI sind unternehmensgemeldet und informativ, aber im Dossier nicht unabhängig geprüft. Lesen Sie sie als Produkt-Ökosystem-Signale, jedes mit einer spezifischen Population und einem Zeitfenster.

Was Codex misst: Produkt, Agent, Modell oder Workflow?

„Codex“ ist keine einzelne Metrikkategorie. In den Materialien von OpenAI bezieht es sich auf eine Produktsuite und Agentenplattform, die Cloud-Aufgaben, CLI, IDE, Web/Mobil, GitHub und CI/CD-ähnliche Workflows umfasst (OpenAI Platform).

Die Grundregel für die Interpretation der Zahlen: Akzeptanzstatistiken beziehen sich auf Personen oder die Nutzung innerhalb des OpenAI-Ökosystems; Modellreferenzstatistiken beziehen sich auf technische Grenzen; Benchmark-Statistiken beziehen sich auf kontrollierte Aufgaben; und Ökosystemstatistiken wie GitHub-Metadaten oder npm-Downloads sind Aufmerksamkeits- oder Verbreitungssignale.

Einführung und Produktzeitplan

Der öffentliche Codex-Zeitplan verknüpft die Akzeptanz- und Benchmark-Zahlen mit der Produktchronologie.

Reuters berichtete später, dass OpenAI seine Partnerschaften mit großen globalen Beratungsunternehmen ausgebaut hat, um die Einführung von Codex in Unternehmen zu beschleunigen (Reuters via Investing.com). Diese Berichte sind nützlich für den Go-to-Market-Kontext, ersetzen aber nicht die eigenen Definitionen von OpenAI für Nutzungszahlen.

Nutzerakzeptanz und Nutzungsstatistiken

Die wichtigste Akzeptanzstatistik ist der Bericht von OpenAI, dass mehr als 5 Millionen Menschen Codex wöchentlich nutzen (OpenAI). Es handelt sich um eine unternehmensgemeldete Zahl wöchentlicher Nutzer und sollte nicht in monatlich aktive Nutzer, täglich aktive Nutzer, bezahlte Abonnenten oder Marktanteile umgerechnet werden.

Dass Nicht-Entwickler etwa 20 % der Nutzer ausmachen und mehr als 3× so schnell wachsen wie Entwickler, ändert die Interpretation von Codex von einem reinen Entwicklertool zu einer breiteren Schnittstelle zur Arbeitsdelegation. Die interne Akzeptanz bei OpenAI scheint ungewöhnlich stark zu sein – aber das Dossier warnt davor, sie als repräsentativ für gewöhnliche Unternehmen zu behandeln. Die Wachstumsfaktoren sind auffällig, aber basislinienempfindlich:

Wachstumsmultiplikatoren können groß erscheinen, wenn die Ausgangsbasis klein ist, daher sollten sie als richtungsweisend nützlich und nicht als eigenständiger Beweis für die Marktgröße gelesen werden. Axios berichtete auch, dass Codex mit über 5 Millionen wöchentlich aktiven Nutzern die Akzeptanz bei Wissensarbeitern schneller wuchs als bei Entwicklern, unter Berufung auf OpenAI-Forschung (Axios) – aber da die zugrunde liegende Statistik von OpenAI stammt, lautet die genaue Formulierung immer noch „OpenAI berichtet“, nicht „unabhängig gemessen“.

Oberflächen: ChatGPT, CLI, IDE, GitHub, App und API

Codex-Statistiken sind leichter zu interpretieren, wenn sie nach Oberfläche gruppiert werden – jede Oberfläche hat einen anderen Messnenner.

In ChatGPT wurde Codex als über die Seitenleiste zugänglicher Codierungsagent eingeführt. In der CLI wurde es zu einem lokalen Agenten-Workflow, der an die Cloud übergeben und über ~/.codex/config.toml mit MCP-Servern verbunden werden kann (OpenAI Platform). Die IDE-Erweiterung unterstützt VS Code, Cursor und andere VS Code-Forks und nutzt den Editor-Kontext, um die Aufforderung zu reduzieren (OpenAI). In GitHub kann Codex Pull-Requests über @codex überprüfen und PRs aus Cloud-Aufgaben erstellen (OpenAI Help). Auf der API-Ebene listet die GPT-5.2-Codex-Modellreferenz ein Kontextfenster von 400.000 Tokens und 128.000 maximale Ausgabetokens auf, während codex-mini-latest 200.000 bzw. 100.000 auflistet (OpenAI Developers).

Leistungs-Benchmarks und was sie nicht beweisen

Benchmark-Statistiken gehören zu den am einfachsten zu zitierenden und überinterpretierenden Codex-Zahlen. OpenAI berichtete GPT-5.3-Codex mit 56,8 % auf SWE-Bench Pro Public, 77,3 % auf Terminal-Bench 2.0 und 64,7 % auf OSWorld-Verified, unter Verwendung von „xhigh“-Denkaufwand (OpenAI).

Dies sind Modellauswertungsergebnisse unter spezifischen Konfigurationen – keine Messungen, wie oft Codex in einem privaten Monorepo eines Unternehmens mit den Tests, Berechtigungen, Abhängigkeiten und Überprüfungsstandards dieses Unternehmens erfolgreich sein wird. Entscheidend ist, dass die drei Benchmarks unterschiedliche Dinge messen und nicht direkt verglichen werden sollten: SWE-Bench Pro betont längerfristige professionelle Aufgaben (Scale AI); Terminal-Bench 2.0 definiert 89 realistische Terminalaufgaben (arXiv); und OSWorld misst die ausführbare Computernutzung über vollständige Betriebssysteme hinweg (arXiv).

Die Vielfalt der Benchmarks verstärkt die Vorsicht. TerminalWorld führt einen automatisch generierten Benchmark mit 1.530 validierten Aufgaben ein und berichtet eine schwache Korrelation (Pearson r = 0,20) mit dem von Experten kuratierten Terminal-Bench, was darauf hindeutet, dass die beiden komplementäre Fähigkeiten messen (arXiv). Das Zeithorizont-Framework von METR fügt eine weitere Dimension hinzu: Sein Time Horizon 1.1-Update erweiterte die Aufgabensuite von 170 auf 228 Aufgaben und lange 8h+-Aufgaben von 14 auf 31 (METR).

Sicherheit, Sandboxing und Bereitstellungskontrollen

Sicherheit ist für Codex-Statistiken von zentraler Bedeutung, da agentenbasierte Codierungstools auf Codebasen, Abhängigkeiten, Tests, Terminals und manchmal vernetzten Ressourcen operieren. Die ursprüngliche Einführung von OpenAI besagte, dass jede Aufgabe in einer isolierten Cloud-Sandbox ausgeführt wird, wobei der Internetzugang während der Ausführung standardmäßig deaktiviert ist (OpenAI).

Die GPT-5-Codex-Systemkarte beschreibt die Bereitstellung über Terminal, IDE, Cloud, GitHub und ChatGPT Mobile sowie Sandboxing und konfigurierbare Netzwerkzugriffs-Minderungen (OpenAI PDF). Dies ist wichtig für Metrikvergleiche: Eine in einer Sandbox ohne Netzwerk abgeschlossene Aufgabe ist nicht direkt vergleichbar mit einer, die mit konfigurierbarem Internetzugang und Browserautomatisierung abgeschlossen wurde. Enterprise- und Education-Release-Notes fügen eine Verwaltungsebene hinzu, einschließlich RBAC, einer Compliance-API und Admin-Kontrollen.

Entwickler-KI-Marktkontext

Die Akzeptanz von Codex ist Teil eines breiteren Wandels hin zur KI-gestützten Softwareentwicklung. Umfragestatistiken sind ein nützlicher Kontext, aber sie messen unterschiedliche Populationen und sollten nicht zu einer einzigen „Entwickler-Akzeptanzrate“ zusammengefasst werden.

Die Stack Overflow-Umfrage von 2025 ergab, dass 60 % der Befragten KI positiv gegenüberstanden, während 46 % der Genauigkeit der KI-Ausgabe misstrauten (ein Anstieg von 31 % im Jahr 2024), 33 % ihr vertrauten und nur 3 % ihr sehr vertrauten (Stack Overflow). Unter den sofort einsatzbereiten KI-Assistenten wurden ChatGPT und GitHub Copilot als die am häufigsten genutzten genannt:

Die JetBrains-Umfrage von 2025 (24.534 Entwickler in 194 Ländern, April–Juni 2025) ergab, dass 85 % regelmäßig KI-Tools verwenden und 62 % sich auf mindestens einen KI-Codierungsassistenten, Agenten oder Code-Editor verlassen (JetBrains). Die GitHub-Umfrage von 2024 ergab, dass mehr als 97 % der befragten Entwickler KI-Codierungstools bei der Arbeit verwendeten, während nur 38 % der US-Entwickler angaben, dass ihre Organisationen die Einführung aktiv förderten (GitHub Blog). Keine dieser Umfragen liefert einen Codex-spezifischen Marktanteilsnenner.

Ökosystemsignale: GitHub, npm und was nicht zu folgern ist

Das Open-Source- und Paket-Ökosystem von Codex liefert nützliche öffentliche Signale, aber keine aktiven Nutzerzahlen. Das kanonische Repository ist openai/codex und das offizielle npm-Paket ist @openai/codex (npm).

Die eigenen Definitionen von GitHub sind entscheidend: stargazers_count, watchers und watchers_count repräsentieren alle Sterne, während subscribers_count Repository-Beobachter repräsentiert (GitHub Docs). Paket-Downloads sind ebenfalls keine aktiven Nutzer – sie können durch CI-Systeme, Neuinstallationen, Spiegelungen und Automatisierung aufgebläht werden. Sterne zeigen Aufmerksamkeit an, Forks zeigen Experimente an; keines beweist die Nutzung in der Produktion. Die wöchentlichen Nutzer- und monatlichen Entwicklerzahlen von OpenAI bleiben die einzigen direkten Produktnutzungsmetriken im Dossier.

Produktivitätsansprüche und Fallstudienvorbehalte

Codex wird oft im Zusammenhang mit Produktivität diskutiert, aber die öffentliche Evidenzbasis ist uneinheitlich. OpenAI gibt an, dass seine Ingenieure Codex täglich in den Bereichen Sicherheit, Produktentwicklung, Frontend, API, Infrastruktur und Performance Engineering verwenden (OpenAI PDF) – aussagekräftige Workflow-Beispiele, aber keine randomisierten Produktivitätsstudien.

Die Codex-Produktseite enthält eine von Harvey gemeldete Reduzierung der frühen Iterationszeit um 30–50 % (OpenAI) – ein vom Kunden gemeldetes Ergebnis, das nicht auf alle Teams als „Codex verbessert die Produktivität um 30–50 %“ verallgemeinert werden sollte. Und die 90%ige Reduzierung der mittleren Aufgabenbearbeitungszeit durch Container-Caching ist eine Systemleistungsstatistik, keine 90%ige Reduzierung der Ingenieurarbeit (OpenAI).

Metrikdefinitionen und häufige Fehlinterpretationen

Der sicherste Weg, Codex zusammenzufassen, besteht darin, die Metrikdefinitionen explizit zu halten.

Hinweis zur Quellenqualität

Dieser Artikel verwendet ausschließlich das bereitgestellte Forschungsdossier als faktische Grundlage. Die stärksten Codex-spezifischen Quellen sind OpenAI-Produktankündigungen, Dokumentationen, Systemkarten, Entwicklermodellreferenzen und Forschungs-PDFs.

Häufig gestellte Fragen

Quellen und weiterführende Literatur