Statistiche Codex.

Codex è la linea di prodotti di ingegneria del software agentica di OpenAI: un agente di codifica disponibile su ChatGPT, attività cloud, CLI, estensioni IDE, flussi di lavoro GitHub, app desktop e modelli API. Le statistiche pubbliche rientrano in quattro categorie che non dovrebbero essere mescolate: metriche di utilizzo riportate dall’azienda, tappe di rilascio del prodotto, punteggi di benchmark delle capacità e sondaggi più ampi sull’adozione dell’IA da parte degli sviluppatori.

Il numero principale è riportato dall’azienda: OpenAI afferma che oltre 5 milioni di persone usano Codex settimanalmente, con i non sviluppatori che rappresentano circa il 20% degli utenti e crescono più di 3 volte più velocemente degli sviluppatori (OpenAI). Questa è una metrica di utenti settimanali, non utenti attivi mensili o giornalieri, entrate, posti a pagamento o quota di mercato. Questo articolo riassume le statistiche Codex meglio supportate dal dossier di ricerca, separa l’adozione degli utenti dai segnali dell’ecosistema e spiega le avvertenze dietro ogni numero.

Statistiche principali

I dati di utilizzo di OpenAI sono riportati dall’azienda e informativi, ma non verificati in modo indipendente nel dossier. Leggeteli come segnali dell’ecosistema del prodotto, ciascuno con una popolazione e una finestra temporale specifiche.

Cosa misura Codex: prodotto, agente, modello o flusso di lavoro?

“Codex” non è una singola categoria metrica. Nei materiali di OpenAI si riferisce a una suite di prodotti e a una piattaforma di agenti che comprende attività cloud, CLI, IDE, web/mobile, GitHub e flussi di lavoro in stile CI/CD (OpenAI Platform).

La regola base per interpretare i numeri: le statistiche di adozione si riferiscono a persone o utilizzo all’interno dell’ecosistema di OpenAI; le statistiche di riferimento del modello si riferiscono ai limiti tecnici; le statistiche di benchmark si riferiscono a compiti controllati; e le statistiche dell’ecosistema come i metadati di GitHub o i download di npm sono segnali di attenzione o distribuzione.

Lancio e cronologia del prodotto

La cronologia pubblica di Codex ancora i numeri di adozione e benchmark alla cronologia del prodotto.

Reuters ha successivamente riferito che OpenAI ha ampliato le partnership con le principali società di consulenza globali per accelerare le implementazioni aziendali di Codex (Reuters tramite Investing.com). Questi rapporti sono utili per il contesto di go-to-market, ma non sostituiscono le definizioni di OpenAI per i conteggi di utilizzo.

Statistiche di adozione e utilizzo degli utenti

La statistica di adozione più importante è il rapporto di OpenAI secondo cui oltre 5 milioni di persone usano Codex settimanalmente (OpenAI). È un dato di utenti settimanali riportato dall’azienda e non dovrebbe essere convertito in utenti attivi mensili, utenti attivi giornalieri, abbonati a pagamento o quota di mercato.

Il fatto che i non sviluppatori rappresentino circa il 20% degli utenti e stiano crescendo più di 3 volte più velocemente degli sviluppatori cambia l’interpretazione di Codex da puro strumento per sviluppatori a un’interfaccia più ampia per la delega del lavoro. L’adozione interna di OpenAI sembra insolitamente forte, ma il dossier avverte di non considerarla rappresentativa delle imprese ordinarie. I moltiplicatori di crescita sono sorprendenti ma sensibili alla base di partenza:

I moltiplicatori di crescita possono sembrare grandi quando la base di partenza è piccola, quindi dovrebbero essere letti come utili per la direzione, non come prove autonome delle dimensioni del mercato. Axios ha anche riferito che Codex ha superato i 5 milioni di utenti attivi settimanali con un’adozione da parte dei lavoratori della conoscenza in crescita più rapida rispetto all’adozione da parte degli sviluppatori, citando la ricerca di OpenAI (Axios) — ma poiché la statistica sottostante proviene da OpenAI, la formulazione accurata è ancora “OpenAI riporta”, non “misurato in modo indipendente”.

Superfici: ChatGPT, CLI, IDE, GitHub, App e API

Le statistiche di Codex sono più facili da interpretare se raggruppate per superficie — ogni superficie ha un denominatore di misurazione diverso.

In ChatGPT, Codex è stato lanciato come agente di codifica accessibile tramite barra laterale. Nella CLI è diventato un flusso di lavoro di agente locale che può passare al cloud e connettersi ai server MCP tramite ~/.codex/config.toml (OpenAI Platform). L’estensione IDE supporta VS Code, Cursor e altre fork di VS Code, utilizzando il contesto dell’editor per ridurre il prompting (OpenAI). In GitHub, Codex può rivedere le pull request tramite @codex e produrre PR da attività cloud (OpenAI Help). A livello API, il riferimento del modello GPT-5.2-Codex elenca una finestra di contesto di 400.000 token e 128.000 token di output massimi, mentre codex-mini-latest elenca rispettivamente 200.000 e 100.000 (OpenAI Developers).

Benchmark di capacità e cosa non dimostrano

Le statistiche di benchmark sono tra i numeri di Codex più facili da citare e da sovrainterpretare. OpenAI ha riportato GPT-5.3-Codex al 56,8% su SWE-Bench Pro Public, 77,3% su Terminal-Bench 2.0 e 64,7% su OSWorld-Verified, utilizzando uno sforzo di ragionamento “xhigh” (OpenAI).

Questi sono risultati di valutazione del modello in configurazioni specifiche — non misure di quanto spesso Codex avrà successo nel monorepo privato di un’azienda, con i test, le autorizzazioni, le dipendenze e gli standard di revisione di quell’azienda. Fondamentalmente, i tre benchmark misurano cose diverse e non dovrebbero essere confrontati direttamente: SWE-Bench Pro enfatizza attività professionali a orizzonte più lungo (Scale AI); Terminal-Bench 2.0 definisce 89 attività terminali realistiche (arXiv); e OSWorld misura l’utilizzo eseguibile del computer su sistemi operativi completi (arXiv).

La diversità dei benchmark rafforza la cautela. TerminalWorld introduce un benchmark generato automaticamente con 1.530 attività validate e riporta una debole correlazione (Pearson r = 0,20) con Terminal-Bench curato da esperti, suggerendo che i due misurano capacità complementari (arXiv). Il framework dell’orizzonte temporale di METR aggiunge un’altra dimensione: il suo aggiornamento Time Horizon 1.1 ha ampliato la suite di attività da 170 a 228 attività e le attività lunghe di 8 ore+ da 14 a 31 (METR).

Sicurezza, sandboxing e controlli di distribuzione

La sicurezza è fondamentale per le statistiche di Codex perché gli strumenti di codifica agentici operano su codebase, dipendenze, test, terminali e talvolta risorse di rete. Il lancio originale di OpenAI ha dichiarato che ogni attività viene eseguita in una sandbox cloud isolata con accesso a Internet disabilitato per impostazione predefinita durante l’esecuzione (OpenAI).

La scheda di sistema GPT-5-Codex descrive la distribuzione su terminale, IDE, cloud, GitHub e ChatGPT mobile, insieme a mitigazioni di sandboxing e accesso alla rete configurabile (OpenAI PDF). Questo è importante per i confronti metrici: un’attività completata in una sandbox senza rete non è direttamente paragonabile a una completata utilizzando l’accesso a Internet configurabile e l’automazione del browser. Le note di rilascio per le aziende e l’istruzione aggiungono un livello amministrativo che include RBAC, un’API di conformità e controlli amministrativi.

Contesto del mercato dell’IA per sviluppatori

L’adozione di Codex si inserisce in un più ampio spostamento verso lo sviluppo software assistito dall’IA. Le statistiche dei sondaggi sono un contesto utile, ma misurano popolazioni diverse e non dovrebbero essere fuse in un’unica “percentuale di adozione da parte degli sviluppatori”.

Il sondaggio 2025 di Stack Overflow ha riportato un sentimento favorevole all’IA del 60%, mentre il 46% diffidava dell’accuratezza dell’output dell’IA (in aumento dal 31% nel 2024), il 33% si fidava e solo il 3% si fidava molto (Stack Overflow). Tra gli assistenti AI pronti all’uso, ha riportato ChatGPT e GitHub Copilot come i più utilizzati:

Il sondaggio 2025 di JetBrains (24.534 sviluppatori in 194 paesi, aprile-giugno 2025) ha riportato che l’85% utilizza regolarmente strumenti AI e il 62% si affida ad almeno un assistente di codifica AI, agente o editor di codice (JetBrains). Il sondaggio 2024 di GitHub ha riportato che oltre il 97% degli sviluppatori intervistati utilizzava strumenti di codifica AI al lavoro, mentre solo il 38% degli sviluppatori statunitensi ha affermato che le loro organizzazioni incoraggiavano attivamente l’adozione (GitHub Blog). Nessuno di questi fornisce un denominatore di quota di mercato specifico per Codex.

Segnali dell’ecosistema: GitHub, npm e cosa non inferire

L’ecosistema open-source e di pacchetti di Codex fornisce utili segnali pubblici, ma non conteggi di utenti attivi. Il repository canonico è openai/codex e il pacchetto npm ufficiale è @openai/codex (npm).

Le definizioni di GitHub sono cruciali: stargazers_count, watchers e watchers_count rappresentano tutti le stelle, mentre subscribers_count rappresenta gli osservatori del repository (GitHub Docs). Anche i download dei pacchetti non sono utenti attivi — possono essere gonfiati da sistemi CI, reinstallazioni, mirror e automazione. Le stelle indicano attenzione, i fork indicano sperimentazione; nessuno dei due prova l’utilizzo in produzione. I dati settimanali di OpenAI sugli utenti e mensili sugli sviluppatori rimangono le uniche metriche dirette di utilizzo del prodotto nel dossier.

Affermazioni sulla produttività e avvertenze sui casi di studio

Codex è spesso discusso in termini di produttività, ma la base di prove pubbliche è disomogenea. OpenAI afferma che i suoi ingegneri usano Codex quotidianamente in Sicurezza, Ingegneria del Prodotto, Frontend, API, Infrastruttura e Ingegneria delle Prestazioni (OpenAI PDF) — esempi di flusso di lavoro significativi, ma non prove randomizzate di produttività.

La pagina del prodotto Codex include una riduzione del 30-50% del tempo di iterazione iniziale riportata da Harvey (OpenAI) — un risultato riportato dal cliente che non dovrebbe essere generalizzato in “Codex migliora la produttività del 30-50%” in tutti i team. E la riduzione del 90% del tempo mediano di completamento delle attività tramite caching dei container è una statistica sulle prestazioni del sistema, non una riduzione del 90% del lavoro di ingegneria (OpenAI).

Definizioni delle metriche e errori comuni di lettura

Il modo più sicuro per riassumere Codex è mantenere esplicite le definizioni delle metriche.

Nota sulla qualità della fonte

Questo articolo utilizza solo il dossier di ricerca fornito come base fattuale. Le fonti più solide specifiche per Codex sono gli annunci di prodotto di OpenAI, la documentazione, le schede di sistema, i riferimenti ai modelli per sviluppatori e i PDF di ricerca.

Domande frequenti

Fonti e ulteriori letture