Statistiques Codex.

Codex est la gamme de produits d’ingénierie logicielle agentique d’OpenAI : un agent de codage disponible via ChatGPT, les tâches cloud, la CLI, les extensions d’IDE, les flux de travail GitHub, les applications de bureau et les modèles d’API. Les statistiques publiques se répartissent en quatre catégories qui ne doivent pas être mélangées : les métriques d’utilisation rapportées par l’entreprise, les jalons de lancement de produits, les scores de référence de capacités et les enquêtes plus larges sur l’adoption de l’IA par les développeurs.

Le chiffre principal est rapporté par l’entreprise : OpenAI affirme que plus de 5 millions de personnes utilisent Codex chaque semaine, les non-développeurs représentant environ 20 % des utilisateurs et augmentant plus de 3 fois plus vite que les développeurs (OpenAI). Il s’agit d’une métrique d’utilisateurs hebdomadaires — et non d’utilisateurs actifs mensuels ou quotidiens, de revenus, de sièges payants ou de parts de marché. Cet article résume les statistiques Codex les mieux étayées du dossier de recherche, sépare l’adoption par les utilisateurs des signaux de l’écosystème et explique les mises en garde derrière chaque chiffre.

Statistiques principales

Les chiffres d’utilisation d’OpenAI sont rapportés par l’entreprise et informatifs, mais non audités de manière indépendante dans le dossier. Il faut les lire comme des signaux d’écosystème de produit, chacun avec une population et une fenêtre temporelle spécifiques.

Ce que Codex mesure : produit, agent, modèle ou flux de travail ?

« Codex » n’est pas une catégorie de métrique unique. Dans les documents d’OpenAI, il fait référence à une suite de produits et à une plateforme d’agents couvrant les tâches cloud, la CLI, l’IDE, le web/mobile, GitHub et les flux de travail de type CI/CD (OpenAI Platform).

La règle de base pour interpréter les chiffres : les statistiques d’adoption se réfèrent aux personnes ou à l’utilisation au sein de l’écosystème d’OpenAI ; les statistiques de référence de modèle se réfèrent aux limites techniques ; les statistiques de benchmark se réfèrent aux tâches contrôlées ; et les statistiques d’écosystème telles que les métadonnées GitHub ou les téléchargements npm sont des signaux d’attention ou de distribution.

Lancement et chronologie du produit

La chronologie publique de Codex ancre les chiffres d’adoption et de référence à la chronologie du produit.

Reuters a ensuite rapporté qu’OpenAI avait étendu ses partenariats avec de grandes sociétés de conseil mondiales pour accélérer les déploiements de Codex en entreprise (Reuters via Investing.com). Ces rapports sont utiles pour le contexte de mise sur le marché, mais ils ne remplacent pas les propres définitions d’OpenAI pour les chiffres d’utilisation.

Adoption par les utilisateurs et statistiques d’utilisation

La statistique d’adoption la plus importante est le rapport d’OpenAI selon lequel plus de 5 millions de personnes utilisent Codex chaque semaine (OpenAI). Il s’agit d’un chiffre d’utilisateurs hebdomadaires rapporté par l’entreprise et il ne doit pas être converti en utilisateurs actifs mensuels, utilisateurs actifs quotidiens, abonnés payants ou part de marché.

Le fait que les non-développeurs représentent environ 20 % des utilisateurs et augmentent plus de 3 fois plus vite que les développeurs modifie l’interprétation de Codex, qui passe d’un simple outil de développement à une interface de délégation de travail plus large. L’adoption interne chez OpenAI semble exceptionnellement forte, mais le dossier met en garde contre le fait de la considérer comme représentative des entreprises ordinaires. Les multiplicateurs de croissance sont frappants mais sensibles à la base de référence :

Les multiples de croissance peuvent sembler importants lorsque la base de départ est faible, ils doivent donc être lus comme utiles pour l’orientation, et non comme une preuve autonome de la taille du marché. Axios a également rapporté que Codex a dépassé les 5 millions d’utilisateurs actifs hebdomadaires, l’adoption par les travailleurs du savoir augmentant plus rapidement que l’adoption par les développeurs, citant des recherches d’OpenAI (Axios) — mais comme la statistique sous-jacente provient d’OpenAI, la formulation exacte est toujours « OpenAI rapporte », et non « mesuré indépendamment ».

Surfaces : ChatGPT, CLI, IDE, GitHub, App et API

Les statistiques de Codex sont plus faciles à interpréter lorsqu’elles sont regroupées par surface — chaque surface a un dénominateur de mesure différent.

Dans ChatGPT, Codex a été lancé en tant qu’agent de codage accessible via la barre latérale. Dans la CLI, il est devenu un flux de travail d’agent local qui peut être transféré vers le cloud et se connecter aux serveurs MCP via ~/.codex/config.toml (OpenAI Platform). L’extension IDE prend en charge VS Code, Cursor et d’autres forks de VS Code, utilisant le contexte de l’éditeur pour réduire les invites (OpenAI). Dans GitHub, Codex peut examiner les requêtes de tirage via @codex et produire des PR à partir de tâches cloud (OpenAI Help). Au niveau de l’API, la référence du modèle GPT-5.2-Codex indique une fenêtre contextuelle de 400 000 jetons et un maximum de 128 000 jetons de sortie, tandis que codex-mini-latest indique respectivement 200 000 et 100 000 (OpenAI Developers).

Benchmarks de capacités et ce qu’ils ne prouvent pas

Les statistiques de benchmark sont parmi les chiffres Codex les plus faciles à citer et à surinterpréter. OpenAI a rapporté que GPT-5.3-Codex atteignait 56,8 % sur SWE-Bench Pro Public, 77,3 % sur Terminal-Bench 2.0 et 64,7 % sur OSWorld-Verified, en utilisant un effort de raisonnement « xhigh » (OpenAI).

Il s’agit de résultats d’évaluation de modèles sous des configurations spécifiques — et non de mesures de la fréquence à laquelle Codex réussira dans le monorepo privé d’une entreprise, avec les tests, les autorisations, les dépendances et les normes de révision de cette entreprise. Il est crucial de noter que les trois benchmarks mesurent des choses différentes et ne doivent pas être comparés directement : SWE-Bench Pro met l’accent sur les tâches professionnelles à plus long terme (Scale AI) ; Terminal-Bench 2.0 définit 89 tâches de terminal réalistes (arXiv) ; et OSWorld mesure l’utilisation informatique exécutable sur des systèmes d’exploitation complets (arXiv).

La diversité des benchmarks renforce la prudence. TerminalWorld introduit un benchmark généré automatiquement avec 1 530 tâches validées et rapporte une faible corrélation (Pearson r = 0,20) avec Terminal-Bench, curaté par des experts, suggérant que les deux mesurent des capacités complémentaires (arXiv). Le cadre temporel de METR ajoute une autre dimension : sa mise à jour Time Horizon 1.1 a étendu la suite de tâches de 170 à 228 tâches et les longues tâches de plus de 8 heures de 14 à 31 (METR).

Sécurité, bac à sable et contrôles de déploiement

La sécurité est essentielle aux statistiques de Codex, car les outils de codage agentiques opèrent sur des bases de code, des dépendances, des tests, des terminaux et parfois des ressources réseau. Le lancement original d’OpenAI a déclaré que chaque tâche s’exécute dans un bac à sable cloud isolé avec un accès Internet désactivé par défaut pendant l’exécution (OpenAI).

La carte système GPT-5-Codex décrit le déploiement via le terminal, l’IDE, le cloud, GitHub et ChatGPT mobile, ainsi que les mesures d’atténuation du bac à sable et de l’accès réseau configurable (OpenAI PDF). Cela est important pour les comparaisons de métriques : une tâche accomplie dans un bac à sable sans réseau n’est pas directement comparable à une tâche accomplie avec un accès Internet configurable et l’automatisation du navigateur. Les notes de version pour les entreprises et l’éducation ajoutent une couche administrative comprenant le RBAC, une API de conformité et des contrôles d’administration.

Contexte du marché de l’IA pour les développeurs

L’adoption de Codex s’inscrit dans un mouvement plus large vers le développement logiciel assisté par l’IA. Les statistiques d’enquête sont un contexte utile, mais elles mesurent des populations différentes et ne doivent pas être fusionnées en un seul « taux d’adoption par les développeurs ».

L’enquête 2025 de Stack Overflow a rapporté un sentiment favorable à l’IA de 60 %, tandis que 46 % se méfiaient de la précision des résultats de l’IA (contre 31 % en 2024), 33 % lui faisaient confiance et seulement 3 % lui faisaient une grande confiance (Stack Overflow). Parmi les assistants IA prêts à l’emploi, elle a rapporté que ChatGPT et GitHub Copilot étaient les plus utilisés :

L’enquête 2025 de JetBrains (24 534 développeurs dans 194 pays, avril-juin 2025) a rapporté que 85 % utilisent régulièrement des outils d’IA et 62 % s’appuient sur au moins un assistant de codage IA, un agent ou un éditeur de code (JetBrains). L’enquête 2024 de GitHub a rapporté que plus de 97 % des développeurs interrogés utilisaient des outils de codage IA au travail, tandis que seulement 38 % des développeurs américains ont déclaré que leurs organisations encourageaient activement l’adoption (GitHub Blog). Aucune de ces enquêtes ne fournit un dénominateur de part de marché spécifique à Codex.

Signaux de l’écosystème : GitHub, npm et ce qu’il ne faut pas en déduire

L’écosystème open source et de packages de Codex fournit des signaux publics utiles, mais pas de chiffres d’utilisateurs actifs. Le référentiel canonique est openai/codex et le package npm officiel est @openai/codex (npm).

Les définitions de GitHub sont cruciales : stargazers_count, watchers et watchers_count représentent tous les étoiles, tandis que subscribers_count représente les observateurs de référentiel (GitHub Docs). Les téléchargements de packages ne sont pas non plus des utilisateurs actifs — ils peuvent être gonflés par les systèmes CI, les réinstallations, les miroirs et l’automatisation. Les étoiles indiquent la notoriété, les forks indiquent l’expérimentation ; aucun ne prouve l’utilisation en production. Les chiffres d’utilisateurs hebdomadaires et de développeurs mensuels d’OpenAI restent les seules métriques directes d’utilisation du produit dans le dossier.

Revendications de productivité et mises en garde des études de cas

Codex est souvent discuté en termes de productivité, mais la base de preuves publiques est inégale. OpenAI affirme que ses ingénieurs utilisent Codex quotidiennement dans les domaines de la sécurité, de l’ingénierie produit, du frontend, de l’API, de l’infrastructure et de l’ingénierie des performances (OpenAI PDF) — des exemples de flux de travail significatifs, mais pas des essais de productivité randomisés.

La page produit de Codex inclut une réduction de 30 à 50 % du temps d’itération précoce rapportée par Harvey (OpenAI) — un résultat rapporté par le client qui ne doit pas être généralisé en « Codex améliore la productivité de 30 à 50 % » dans toutes les équipes. Et la réduction de 90 % du temps médian d’achèvement des tâches via la mise en cache des conteneurs est une statistique de performance du système, et non une réduction de 90 % du travail d’ingénierie (OpenAI).

Définitions des métriques et erreurs d’interprétation courantes

La manière la plus sûre de résumer Codex est de maintenir les définitions des métriques explicites.

Note sur la qualité des sources

Cet article utilise uniquement le dossier de recherche fourni comme base factuelle. Les sources les plus solides spécifiques à Codex sont les annonces de produits OpenAI, la documentation, les cartes système, les références de modèles de développeurs et les PDF de recherche.

Questions fréquemment posées

Sources et lectures complémentaires