Estadísticas de Codex.

Codex es la línea de productos de ingeniería de software agéntica de OpenAI: un agente de codificación disponible en ChatGPT, tareas en la nube, CLI, extensiones de IDE, flujos de trabajo de GitHub, aplicaciones de escritorio y modelos de API. Las estadísticas públicas se dividen en cuatro categorías que no deben mezclarse: métricas de uso reportadas por la empresa, hitos de lanzamiento de productos, puntuaciones de referencia de capacidad y encuestas más amplias de adopción de IA por parte de los desarrolladores.

La cifra principal es la reportada por la empresa: OpenAI afirma que más de 5 millones de personas usan Codex semanalmente, con un 20% de usuarios no desarrolladores que crecen más de 3 veces más rápido que los desarrolladores (OpenAI). Esa es una métrica de usuarios semanales, no de usuarios activos mensuales o diarios, ingresos, puestos pagados o cuota de mercado. Este artículo resume las estadísticas de Codex mejor respaldadas del dossier de investigación, separa la adopción de usuarios de las señales del ecosistema y explica las advertencias detrás de cada número.

Principales estadísticas

Las cifras de uso de OpenAI son reportadas por la empresa e informativas, pero no auditadas de forma independiente en el dossier. Léalas como señales del ecosistema del producto, cada una con una población y un período de tiempo específicos.

¿Qué mide Codex: producto, agente, modelo o flujo de trabajo?

“Codex” no es una categoría métrica única. En los materiales de OpenAI se refiere a un conjunto de productos y una plataforma de agentes que abarca tareas en la nube, CLI, IDE, web/móvil, GitHub y flujos de trabajo de estilo CI/CD (Plataforma OpenAI).

La regla básica para interpretar los números: las estadísticas de adopción se refieren a personas o uso dentro del ecosistema de OpenAI; las estadísticas de referencia del modelo se refieren a límites técnicos; las estadísticas de referencia se refieren a tareas controladas; y las estadísticas del ecosistema, como los metadatos de GitHub o las descargas de npm, son señales de atención o distribución.

Cronología de lanzamiento y producto

La cronología pública de Codex ancla los números de adopción y referencia a la cronología del producto.

Reuters informó más tarde que OpenAI amplió las asociaciones con las principales firmas de consultoría global para acelerar las implementaciones empresariales de Codex (Reuters a través de Investing.com). Estos informes son útiles para el contexto de comercialización, pero no reemplazan las propias definiciones de OpenAI para los recuentos de uso.

Estadísticas de adopción y uso de usuarios

La estadística de adopción más importante es el informe de OpenAI de que más de 5 millones de personas usan Codex semanalmente (OpenAI). Es una cifra de usuarios semanales reportada por la empresa y no debe convertirse en usuarios activos mensuales, usuarios activos diarios, suscriptores de pago o cuota de mercado.

Que los no desarrolladores representen aproximadamente el 20% de los usuarios y crezcan más de 3 veces más rápido que los desarrolladores cambia la interpretación de Codex de una herramienta de desarrollador pura a una interfaz de delegación de trabajo más amplia. La adopción interna en OpenAI parece inusualmente fuerte, pero el dossier advierte contra tratarla como representativa de las empresas ordinarias. Los multiplicadores de crecimiento son sorprendentes pero sensibles a la línea de base:

Los múltiplos de crecimiento pueden parecer grandes cuando la base inicial es pequeña, por lo que deben leerse como direccionalmente útiles, no como evidencia independiente del tamaño del mercado. Axios también informó que Codex superó los 5 millones de usuarios activos semanales con una adopción por parte de los trabajadores del conocimiento que crece más rápido que la adopción por parte de los desarrolladores, citando una investigación de OpenAI (Axios), pero debido a que la estadística subyacente se origina en OpenAI, la redacción precisa sigue siendo “OpenAI informa”, no “medido de forma independiente”.

Superficies: ChatGPT, CLI, IDE, GitHub, App y API

Las estadísticas de Codex son más fáciles de interpretar cuando se agrupan por superficie; cada superficie tiene un denominador de medición diferente.

En ChatGPT, Codex se lanzó como un agente de codificación accesible desde la barra lateral. En la CLI se convirtió en un flujo de trabajo de agente local que puede transferir a la nube y conectarse a servidores MCP a través de ~/.codex/config.toml (Plataforma OpenAI). La extensión IDE es compatible con VS Code, Cursor y otras bifurcaciones de VS Code, utilizando el contexto del editor para reducir la necesidad de prompts (OpenAI). En GitHub, Codex puede revisar solicitudes de extracción a través de @codex y producir PRs a partir de tareas en la nube (Ayuda de OpenAI). En la capa de API, la referencia del modelo GPT-5.2-Codex enumera una ventana de contexto de 400.000 tokens y 128.000 tokens de salida máximos, mientras que codex-mini-latest enumera 200.000 y 100.000 respectivamente (Desarrolladores de OpenAI).

Benchmarks de capacidad y lo que no prueban

Las estadísticas de los benchmarks son de los números de Codex más fáciles de citar y de sobreinterpretar. OpenAI informó que GPT-5.3-Codex obtuvo un 56.8% en SWE-Bench Pro Public, un 77.3% en Terminal-Bench 2.0 y un 64.7% en OSWorld-Verified, utilizando un esfuerzo de razonamiento “xhigh” (OpenAI).

Estos son resultados de evaluación de modelos bajo configuraciones específicas, no medidas de la frecuencia con la que Codex tendrá éxito en el monorepositorio privado de una empresa, con las pruebas, permisos, dependencias y estándares de revisión de esa empresa. Fundamentalmente, los tres benchmarks miden cosas diferentes y no deben compararse directamente: SWE-Bench Pro enfatiza las tareas profesionales de horizonte más largo (Scale AI); Terminal-Bench 2.0 define 89 tareas de terminal realistas (arXiv); y OSWorld mide el uso ejecutable de computadoras en sistemas operativos completos (arXiv).

La diversidad de los benchmarks refuerza la precaución. TerminalWorld introduce un benchmark generado automáticamente con 1.530 tareas validadas e informa una correlación débil (Pearson r = 0.20) con Terminal-Bench, curado por expertos, lo que sugiere que los dos miden capacidades complementarias (arXiv). El marco de horizonte temporal de METR añade otra dimensión: su actualización Time Horizon 1.1 amplió el conjunto de tareas de 170 a 228 tareas y las tareas largas de más de 8 horas de 14 a 31 (METR).

Controles de seguridad, sandboxing e implementación

La seguridad es fundamental para las estadísticas de Codex porque las herramientas de codificación agénticas operan en bases de código, dependencias, pruebas, terminales y, a veces, recursos en red. El lanzamiento original de OpenAI declaró que cada tarea se ejecuta en un sandbox aislado en la nube con acceso a Internet deshabilitado por defecto durante la ejecución (OpenAI).

La tarjeta del sistema GPT-5-Codex describe la implementación en terminal, IDE, nube, GitHub y ChatGPT móvil, junto con mitigaciones de sandboxing y acceso a la red configurable (PDF de OpenAI). Esto es importante para las comparaciones métricas: una tarea completada en un sandbox sin red no es directamente comparable con una completada utilizando acceso configurable a Internet y automatización del navegador. Las notas de la versión empresarial y educativa añaden una capa administrativa que incluye RBAC, una API de cumplimiento y controles de administración.

Contexto del mercado de IA para desarrolladores

La adopción de Codex se enmarca en un cambio más amplio hacia el desarrollo de software asistido por IA. Las estadísticas de las encuestas son un contexto útil, pero miden poblaciones diferentes y no deben mezclarse en una única “tasa de adopción por parte de los desarrolladores”.

La encuesta de Stack Overflow de 2025 informó que el sentimiento hacia la IA era favorable en un 60%, mientras que el 46% desconfiaba de la precisión de la salida de la IA (frente al 31% en 2024), el 33% confiaba en ella y solo el 3% confiaba mucho en ella (Stack Overflow). Entre los asistentes de IA listos para usar, informó que ChatGPT y GitHub Copilot eran los más utilizados:

La encuesta de JetBrains de 2025 (24.534 desarrolladores en 194 países, abril-junio de 2025) informó que el 85% usa regularmente herramientas de IA y el 62% confía en al menos un asistente de codificación de IA, agente o editor de código (JetBrains). La encuesta de GitHub de 2024 informó que más del 97% de los desarrolladores encuestados usaban herramientas de codificación de IA en el trabajo, mientras que solo el 38% de los desarrolladores de EE. UU. dijeron que sus organizaciones fomentaban activamente la adopción (Blog de GitHub). Ninguno de estos proporciona un denominador de cuota de mercado específico de Codex.

Señales del ecosistema: GitHub, npm y lo que no se debe inferir

El ecosistema de código abierto y paquetes de Codex proporciona señales públicas útiles, pero no recuentos de usuarios activos. El repositorio canónico es openai/codex y el paquete oficial de npm es @openai/codex (npm).

Las propias definiciones de GitHub son cruciales: stargazers_count, watchers y watchers_count representan todas las estrellas, mientras que subscribers_count representa los observadores del repositorio (GitHub Docs). Las descargas de paquetes tampoco son usuarios activos; pueden inflarse por sistemas de CI, reinstalaciones, espejos y automatización. Las estrellas indican conciencia, las bifurcaciones indican experimentación; ninguna prueba el uso en producción. Las cifras semanales de usuarios y mensuales de desarrolladores de OpenAI siguen siendo las únicas métricas directas de uso del producto en el dossier.

Afirmaciones de productividad y advertencias de estudios de caso

Codex se discute a menudo en términos de productividad, pero la base de evidencia pública es desigual. OpenAI dice que sus ingenieros usan Codex diariamente en Seguridad, Ingeniería de Producto, Frontend, API, Infraestructura e Ingeniería de Rendimiento (PDF de OpenAI), ejemplos de flujo de trabajo significativos, pero no ensayos de productividad aleatorios.

La página del producto Codex incluye una reducción del 30-50% en el tiempo de iteración inicial reportada por Harvey (OpenAI), un resultado reportado por el cliente que no debe generalizarse a “Codex mejora la productividad en un 30-50%” en todos los equipos. Y la reducción del 90% en el tiempo medio de finalización de tareas mediante el almacenamiento en caché de contenedores es una estadística de rendimiento del sistema, no una reducción del 90% en la mano de obra de ingeniería (OpenAI).

Definiciones métricas y errores de lectura comunes

La forma más segura de resumir Codex es mantener explícitas las definiciones de las métricas.

Nota sobre la calidad de la fuente

Este artículo utiliza únicamente el dossier de investigación proporcionado como base fáctica. Las fuentes más sólidas específicas de Codex son los anuncios de productos de OpenAI, la documentación, las tarjetas de sistema, las referencias de modelos para desarrolladores y los PDF de investigación.

Preguntas frecuentes

Fuentes y lecturas adicionales