Estatísticas do Codex.

Codex é a linha de produtos de engenharia de software agêntica da OpenAI: um agente de codificação disponível no ChatGPT, tarefas em nuvem, CLI, extensões de IDE, fluxos de trabalho do GitHub, aplicativos de desktop e modelos de API. As estatísticas públicas se enquadram em quatro categorias que não devem ser misturadas — métricas de uso relatadas pela empresa, marcos de lançamento de produtos, pontuações de benchmark de capacidade e pesquisas mais amplas de adoção de IA por desenvolvedores.

O número principal é relatado pela empresa: a OpenAI afirma que mais de 5 milhões de pessoas usam o Codex semanalmente, com não desenvolvedores representando cerca de 20% dos usuários e crescendo mais de 3× mais rápido que os desenvolvedores (OpenAI). Essa é uma métrica de usuário semanal — não usuários ativos mensais ou diários, receita, assentos pagos ou participação de mercado. Este artigo resume as estatísticas do Codex mais bem suportadas do dossiê de pesquisa, separa a adoção do usuário dos sinais do ecossistema e explica as ressalvas por trás de cada número.

Principais Estatísticas

Os números de uso da OpenAI são relatados pela empresa e informativos, mas não auditados independentemente no dossiê. Leia-os como sinais do ecossistema do produto, cada um com uma população e janela de tempo específicas.

O que o Codex está medindo: Produto, Agente, Modelo ou Fluxo de Trabalho?

“Codex” não é uma única categoria métrica. Nos materiais da OpenAI, refere-se a um conjunto de produtos e plataforma de agentes que abrange tarefas em nuvem, CLI, IDE, web/mobile, GitHub e fluxos de trabalho estilo CI/CD (Plataforma OpenAI).

A regra básica para interpretar os números: as estatísticas de adoção referem-se a pessoas ou uso dentro do ecossistema da OpenAI; as estatísticas de referência do modelo referem-se a limites técnicos; as estatísticas de benchmark referem-se a tarefas controladas; e as estatísticas do ecossistema, como metadados do GitHub ou downloads npm, são sinais de atenção ou distribuição.

Lançamento e Linha do Tempo do Produto

A linha do tempo pública do Codex ancora os números de adoção e benchmark à cronologia do produto.

A Reuters posteriormente relatou que a OpenAI expandiu parcerias com grandes empresas de consultoria globais para acelerar as implantações empresariais do Codex (Reuters via Investing.com). Esses relatórios são úteis para o contexto de entrada no mercado, mas não substituem as próprias definições da OpenAI para contagens de uso.

Adoção do Usuário e Estatísticas de Uso

A estatística de adoção mais importante é o relatório da OpenAI de que mais de 5 milhões de pessoas usam o Codex semanalmente (OpenAI). É um número de usuário semanal relatado pela empresa e não deve ser convertido em usuários ativos mensais, usuários ativos diários, assinantes pagos ou participação de mercado.

O fato de que não desenvolvedores representam cerca de 20% dos usuários e estão crescendo mais de 3× mais rápido que os desenvolvedores muda a interpretação do Codex de uma ferramenta puramente para desenvolvedores para uma interface mais ampla de delegação de trabalho. A adoção interna na OpenAI parece excepcionalmente forte — mas o dossiê adverte contra tratá-la como representativa de empresas comuns. Os multiplicadores de crescimento são impressionantes, mas sensíveis à linha de base:

Os múltiplos de crescimento podem parecer grandes quando a base inicial é pequena, então devem ser lidos como direcionalmente úteis, não como evidência autônoma de tamanho de mercado. A Axios também relatou que o Codex ultrapassou 5 milhões de usuários ativos semanais com a adoção de trabalhadores do conhecimento crescendo mais rápido do que a adoção de desenvolvedores, citando pesquisa da OpenAI (Axios) — mas como a estatística subjacente se origina na OpenAI, a redação precisa ainda é “OpenAI relata”, não “medido independentemente”.

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

As estatísticas do Codex são mais fáceis de interpretar quando agrupadas por superfície — cada superfície tem um denominador de medição diferente.

No ChatGPT, o Codex foi lançado como um agente de codificação acessível na barra lateral. No CLI, tornou-se um fluxo de trabalho de agente local que pode ser transferido para a nuvem e se conectar a servidores MCP através de ~/.codex/config.toml (Plataforma OpenAI). A extensão do IDE suporta VS Code, Cursor e outros forks do VS Code, usando o contexto do editor para reduzir a solicitação (OpenAI). No GitHub, o Codex pode revisar pull requests via @codex e produzir PRs a partir de tarefas em nuvem (Ajuda OpenAI). Na camada da API, a referência do modelo GPT-5.2-Codex lista uma janela de contexto de 400.000 tokens e 128.000 tokens de saída máximos, enquanto o codex-mini-latest lista 200.000 e 100.000, respectivamente (Desenvolvedores OpenAI).

Benchmarks de Capacidade e o que eles não provam

As estatísticas de benchmark estão entre os números do Codex mais fáceis de citar e superinterpretar. A OpenAI relatou o GPT-5.3-Codex com 56,8% no SWE-Bench Pro Public, 77,3% no Terminal-Bench 2.0 e 64,7% no OSWorld-Verified, usando esforço de raciocínio “xhigh” (OpenAI).

Esses são resultados de avaliação de modelo sob configurações específicas — não medidas de quantas vezes o Codex terá sucesso no monorepo privado de uma empresa, com os testes, permissões, dependências e padrões de revisão dessa empresa. Crucialmente, os três benchmarks medem coisas diferentes e não devem ser comparados diretamente: o SWE-Bench Pro enfatiza tarefas profissionais de horizonte mais longo (Scale AI); o Terminal-Bench 2.0 define 89 tarefas de terminal realistas (arXiv); e o OSWorld mede o uso executável do computador em sistemas operacionais completos (arXiv).

A diversidade de benchmarks reforça a cautela. O TerminalWorld introduz um benchmark gerado automaticamente com 1.530 tarefas validadas e relata uma correlação fraca (Pearson r = 0,20) com o Terminal-Bench curado por especialistas, sugerindo que os dois medem capacidades complementares (arXiv). A estrutura de horizonte de tempo do METR adiciona outra dimensão: sua atualização Time Horizon 1.1 expandiu o conjunto de tarefas de 170 para 228 tarefas e tarefas longas de 8h+ de 14 para 31 (METR).

Segurança, Sandboxing e Controles de Implantação

A segurança é central para as estatísticas do Codex porque as ferramentas de codificação agênticas operam em bases de código, dependências, testes, terminais e, às vezes, recursos de rede. O lançamento original da OpenAI afirmou que cada tarefa é executada em um sandbox de nuvem isolado com acesso à internet desabilitado por padrão durante a execução (OpenAI).

O cartão do sistema GPT-5-Codex descreve a implantação em terminal, IDE, nuvem, GitHub e ChatGPT mobile, juntamente com sandboxing e mitigações de acesso à rede configuráveis (PDF OpenAI). Isso é importante para comparações métricas: uma tarefa concluída em um sandbox sem rede não é diretamente comparável a uma concluída usando acesso configurável à internet e automação do navegador. As notas de lançamento para empresas e educação adicionam uma camada administrativa que inclui RBAC, uma API de conformidade e controles de administrador.

Contexto de Mercado de IA para Desenvolvedores

A adoção do Codex se insere em uma mudança mais ampla em direção ao desenvolvimento de software assistido por IA. As estatísticas de pesquisa são um contexto útil, mas medem populações diferentes e não devem ser misturadas em uma única “taxa de adoção por desenvolvedores”.

A pesquisa de 2025 do Stack Overflow relatou um sentimento de IA de 60% favorável, enquanto 46% desconfiavam da precisão da saída da IA (aumento de 31% em 2024), 33% confiavam nela e apenas 3% confiavam muito (Stack Overflow). Entre os assistentes de IA prontos para uso, relatou ChatGPT e GitHub Copilot como os mais usados:

A pesquisa de 2025 da JetBrains (24.534 desenvolvedores em 194 países, abril-junho de 2025) relatou que 85% usam regularmente ferramentas de IA e 62% dependem de pelo menos um assistente de codificação de IA, agente ou editor de código (JetBrains). A pesquisa de 2024 do GitHub relatou que mais de 97% dos desenvolvedores pesquisados usavam ferramentas de codificação de IA no trabalho, enquanto apenas 38% dos desenvolvedores dos EUA disseram que suas organizações incentivavam ativamente a adoção (GitHub Blog). Nenhuma dessas pesquisas fornece um denominador de participação de mercado específico do Codex.

Sinais do Ecossistema: GitHub, npm e o que não inferir

O ecossistema de código aberto e pacotes do Codex fornece sinais públicos úteis, mas não contagens de usuários ativos. O repositório canônico é openai/codex e o pacote npm oficial é @openai/codex (npm).

As próprias definições do GitHub são cruciais: stargazers_count, watchers e watchers_count representam todas as estrelas, enquanto subscribers_count representa os observadores do repositório (Documentos do GitHub). Os downloads de pacotes também não são usuários ativos — eles podem ser inflacionados por sistemas de CI, reinstalações, espelhos e automação. As estrelas indicam conscientização, os forks indicam experimentação; nenhum prova o uso em produção. Os números de usuários semanais e desenvolvedores mensais da OpenAI permanecem as únicas métricas diretas de uso do produto no dossiê.

Alegações de Produtividade e Ressalvas de Estudo de Caso

O Codex é frequentemente discutido em termos de produtividade, mas a base de evidências públicas é desigual. A OpenAI afirma que seus engenheiros usam o Codex diariamente em Segurança, Engenharia de Produto, Frontend, API, Infraestrutura e Engenharia de Desempenho (PDF OpenAI) — exemplos de fluxo de trabalho significativos, mas não testes de produtividade randomizados.

A página do produto Codex inclui uma redução de 30 a 50% no tempo de iteração inicial relatada pela Harvey (OpenAI) — um resultado relatado pelo cliente que não deve ser generalizado para “o Codex melhora a produtividade em 30 a 50%” em todas as equipes. E a redução de 90% no tempo médio de conclusão da tarefa via cache de contêiner é uma estatística de desempenho do sistema, não uma redução de 90% no trabalho de engenharia (OpenAI).

Definições de Métricas e Interpretações Equivocadas Comuns

A maneira mais segura de resumir o Codex é manter as definições de métricas explícitas.

Nota de Qualidade da Fonte

Este artigo usa apenas o dossiê de pesquisa fornecido como base factual. As fontes mais fortes específicas do Codex são anúncios de produtos da OpenAI, documentação, cartões de sistema, referências de modelos de desenvolvedores e PDFs de pesquisa.

Perguntas Frequentes

Fontes e Leitura Adicional