No contratas un agente. Cableas un mecanismo.

"Codex vs Claude Code" es una pregunta de contratación, y el veredicto de Professor Glitch de julio 2026 es honesto: Codex es el mejor agente de código puro con el mejor benchmark, Claude Code es el harness más profundo sobre el que construyes una operación. La lectura del Honest Architect es un nivel más afilada. No contratas un agente. Cableas un mecanismo. El benchmark mide; el harness compone; y la topología rutea antes de que elijas.

Conclusiones clave

• El veredicto del texto es honesto: Codex CLI en GPT-5.5 anota 82.2% en Terminal-Bench 2.0 (julio 2026), el mejor producto en shipping del top 10, mientras la mejor entrada Claude-powered anota 80.2% (Professor Glitch, "Codex vs Claude Code in 2026", 2026).
• Un benchmark es una medición; un harness es un mecanismo. Teorema 3: una propiedad se garantiza exactamente cuando su mecanismo está implementado y medido — el líder del benchmark hoy no es el líder del mecanismo mañana.
• No eliges Codex o Claude. The space is the router: la topología decide qué agente se dispara antes de que elijas, y el "both answer" es una versión débil de un ensemble.
• El HAI Engine corre en producción desde 2016 con mecanismos cableados, no agentes contratados; las Sisters son agentes tipados cuyo desacuerdo se vuelve señal, no un hedge de $40/mes.

El texto acierta el veredicto, para la pregunta equivocada

En julio 2026, Professor Glitch publicó "Codex vs Claude Code in 2026: Which Agent Do You Actually Hire?", y el veredicto se gana con hechos, no con vibes de launch week. En el leaderboard de Terminal-Bench 2.0, revisado julio 2026, Codex CLI corriendo GPT-5.5 anota 82.2%, el mejor resultado por un producto en shipping en el top 10, y ninguna entrada Claude-powered lo supera ahí — la mejor, un research harness en Claude Opus 4.7, anota 80.2%. La realidad de pricing está puesta clara: Codex está incluido en todo plan de ChatGPT de Free hasta Pro a $100/mes, Claude Code viene en Claude Pro a $20/mes con Max a $100 y $200, y arriba ambas compañías cobran números idénticos por 5x y 20x de uso.

El movimiento honesto del texto es nombrar dónde está el centro de gravedad de cada producto. El centro de Codex es ChatGPT y el trabajo de software — una feature de la app de IA más usada del mundo, una ventaja de distribución, cada superficie orbitando a la audiencia que sube código dentro de los muros de OpenAI. El centro de Claude Code es el harness mismo — la apuesta de Anthropic de que el agente es el producto, con memory, hooks, subagents, Routines agendadas y un SDK para que construyas algo durable encima. Esa es la distinción real que traza el texto, y es correcta.

La objeción del Honest Architect es con la pregunta, no con la respuesta. "Qué agente contratas" trata al agente como la unidad de decisión, y el agente no es la unidad. El mecanismo lo es. Un benchmark te dice qué agente midió mejor en una tarea fija este julio; un harness te dice qué mecanismo compone a través de las tareas que le entregarás el próximo año. La pregunta de contratación responde un trimestre; la pregunta de cableado responde una operación. El texto insinúa esto — "un agente que usas versus un agente sobre el que construyes" — y luego te pide contratar uno de todas formas.

El benchmark mide; el harness compone

El número de Terminal-Bench 2.0 es una medición real, y el texto es honesto de que se voltea en cada release de modelo. GPT-5.5 lanzó el 23 de abril 2026; Claude Opus 4.8 lanzó el 28 de mayo 2026; el modelo dedicado GPT-5.3-Codex se deprecó el 26 de mayo 2026. OpenAI cambia el cerebro de Codex unas cuantas veces al año, y cada cambio ha sido una mejora. Esa cadencia es la razón de que un benchmark sea una instantánea y no una propiedad: la medición describe un modelo en una versión, y la versión cambia debajo de ti.

Un harness es una categoría distinta. Instrucciones CLAUDE.md más memory automática que compone entre sesiones, hooks que disparan shell commands en eventos de lifecycle, subagents con context windows aisladas, Routines que corren en el cloud de Anthropic en un schedule, y un Agent SDK — esos son mecanismos, y un mecanismo es una propiedad exactamente cuando está implementado y medido. El texto lo nombra: las partes de Claude Code han estado en producción más tiempo, componen más, y la capa de automatización (hooks más Routines más SDK) no tiene equivalente completo en Codex todavía. El stack de Codex — AGENTS.md, skills, plugins, MCP — está convergiendo rápido, crédito donde se debe, pero convergencia no es todavía composición.

Esta es la distinción del Honest Architect que el texto casi hace y luego retrocede. El benchmark es una medición de un modelo; el harness es un mecanismo que da forma a cada modelo que corre dentro de él. Elige por benchmark y re-eliges cada trimestre; elige por harness y eliges una vez, y el harness sigue pagando mientras los modelos cambian debajo. El líder del benchmark hoy no es el líder del mecanismo mañana, y mañana es el presupuesto más largo.

The space is the router: no eliges, ruteas

[UNIQUE INSIGHT] La pregunta "Codex o Claude" está mal formada porque te pide elegir antes de que el trabajo esté ruteado. The space is the router: una topología de network, community y room decide quién ve qué antes de que cualquier cosa responda, y la misma forma aplica a los agentes. La tarea decide qué agente se dispara. Un job de code-shipping dentro de un equipo estandarizado en ChatGPT rutea a Codex, porque el edge del benchmark, el code review de GitHub y el remote phone-to-desktop están construidos para ese trabajo. Un job de reporting agendado a las 4pm del viernes rutea a Claude Code, porque Routines, memory y el SDK están construidos para ese trabajo. No contratas un agente; cableas una topología que rutea cada tarea al agente cuyo mecanismo encaja.

El "both answer" del texto — mantener ambos CLIs en el repo root, AGENTS.md y CLAUDE.md coexistiendo, un agente escribe el fix y el otro lo revisa — es una versión débil y manual de esto. Dos modelos frontier en desacuerdo sacan a la luz bugs que ninguno atrapa solo, y el texto tiene razón en eso. La versión estructural es lo que hacemos: agentes tipados (las Sisters) cada uno produce un draft, y el Oracle los mergea en un forecast calibrado, con la suma-a-uno y la entropía del ensemble verificadas en cada merge. El desacuerdo no es un hedge de $40/mes que recuerdas correr; es un mecanismo que corre por estructura y produce una medición (la entropía) en cada merge. El "both answer" es un ensemble que pagas y operas a mano. El mecanismo es un ensemble que la topología opera por ti.

La regla de ruteo es también por qué los splits de audiencia del texto mapean a una topología. Professional developer, founder-operator, non-technical: cada uno es un room en la network, y el room rutea la tarea al agente cuyo mecanismo encaja con la audiencia. El texto da tres veredictos para tres audiencias; la versión del Honest Architect es una topología con tres rutas, y la ruta es la decisión, no el veredicto.

Lo que aprendimos cableando agentes desde 2016

[PERSONAL EXPERIENCE] El HAI Engine corre en producción desde 2016, y la lección es la misma que el texto traza sin nombrarla: el agente no es la unidad, el mecanismo lo es. No contratamos una Sister; cableamos una Personality cargada en runtime desde un archivo TOML, y editar la personality no requiere recompilar, porque el mecanismo es la regla de ruteo más el merge, no el modelo. Las Sisters nunca escriben a Postgres — retornan un SisterOutput y el Loom persiste, porque el mecanismo que garantiza el invariante es el port, no el agente. Cambia el modelo y el mecanismo se sostiene; cambia el agente y el mecanismo se sostiene; el benchmark se mueve y la propiedad se queda.

La disclosure del texto — "todo mi negocio corre en Claude Code" — es la versión honesta de la misma observación. La operación no es Claude Code; la operación es un CLAUDE.md que sostiene identidad y reglas, skills que sostienen workflows, MCP servers que alcanzan sistemas reales, memory que carga contexto semana a semana. El agente es la parte que cambia; el harness es la parte que compone. Tagueamos la infraestructura de agentes de la plataforma como Production ✅ porque los mecanismos están cableados y observados — el Oracle normaliza en un lugar, la fuente de World Monitor que se auto-deshabilita cuando su key no está es un estado "deshabilitada" medido — no porque una Sister particular sea la mejor Sister. La Sister es un modelo; el mecanismo es la propiedad.

El límite de alcance civil-y-defensivo decide qué jobs de agente cableamos y cuáles declinamos, y la medición es el deal que declinamos, observable en el pipeline. La soberanía del cliente — tu network, tu brand, tu data — es la regla de ruteo que mantiene la topología tuya: los agentes rutean dentro de tu network, y la propiedad del data es el export log, no la página de marketing. Ambos son mecanismos, no eslóganes, y ambos son la razón de que la pregunta de cableado importe más que la de contratación.

Teorema 3: el benchmark es una medición, no un mecanismo

[ORIGINAL DATA] La serie de 21 papers especifica el Teorema 3: una propiedad se garantiza exactamente cuando su mecanismo está implementado y medido. Léelo como la prueba para cada reclamo en la comparación. "Codex es el mejor agente de código puro" es una medición, cierta en julio 2026 contra Terminal-Bench 2.0, y una medición no es una propiedad — es un número que describe un modelo en una versión. "Claude Code es el harness más profundo" es un reclamo sobre un mecanismo, y un mecanismo es una propiedad exactamente cuando está implementado y medido: hooks que disparan, Routines que corren en un schedule, subagents con context windows aisladas, un SDK que construye agentes custom. El primer reclamo se voltea en cada release; el segundo compone a través de releases.

Por esto nuestras etiquetas de honestidad no son adjetivos y por qué el veredicto de la comparación no es una etiqueta. Production ✅ significa que el mecanismo está implementado y su medición está en un dashboard que alguien mira. La calibración del Oracle es Production ✅ porque la suma-a-uno y la entropía del ensemble se verifican en cada merge. La topología es Production ✅ porque la network, community y room rutean antes de que cualquier cosa responda. Un score de benchmark no es una etiqueta; es una medición, y una medición sin un mecanismo es un número, no una propiedad. El texto dice "Codex publica los mejores números de benchmark" y eso es cierto, y el Teorema 3 dice: muéstrame el mecanismo, porque el número no es la propiedad.

El mismo teorema es por qué no prometeremos resultados de Wallet & Token, Super App, o Community Credit — esos son Roadmap 🔵, el mecanismo no está todavía implementado y medido, y un forecast que no podemos medir no es un forecast que podamos vender honestamente. Solo alcance civil y defensivo, y sin promesas de resultados de token o community-credit, porque el review Howey no ha corrido sobre un mecanismo que aún no existe. Taguear un ítem Roadmap con el brillo de un benchmark sería el mismo error que llamar a una medición una propiedad, y la honestidad de la comparación es el estándar que nos aplicamos.

El "both answer" es un ensemble débil

El "both answer" del texto es real y más barato que la versión Cursor de la misma pregunta. Ambos son CLIs, coexisten en el mismo repo sin fricción, Codex lee AGENTS.md y Claude Code lee CLAUDE.md, y mantener ambos archivos en el repo root es ya práctica común. A $20 cada uno, ambos cuestan $40/mes, y si ya pagas ChatGPT Plus el costo marginal del both-answer es $20. Para un developer que trabaja, el texto lo llama el hedge más barato del software, y para la second-opinion machine de un solo developer, lo es.

La versión del Honest Architect es que el both-answer es un ensemble que operas a mano. Un agente escribe, el otro revisa, y recuerdas correr ambos. La versión estructural — agentes tipados que cada uno drafx, un merge que calibra, una medición de entropía en cada merge — es un ensemble que la topología opera por ti, y produce una medición (la entropía) que te dice cuándo los agentes discrepan lo suficiente para importar. El desacuerdo del both-answer saca bugs que ninguno atrapa solo; el desacuerdo del ensemble produce un forecast calibrado con un score. El primero es un hedge; el segundo es un mecanismo.

La regla de ruteo te dice cuándo aplica cada uno. Un solo developer subiendo código: el both-answer es la forma correcta, porque eres una persona y el hedge es barato. Una plataforma que corre trabajo para muchos rooms: el ensemble es la forma correcta, porque la topología rutea el trabajo y el merge produce la medición, y no puedes operar un hedge a mano entre muchos rooms sin que se vuelva el bottleneck. El "dónde saltaría el both" del texto — non-developers y first-time operators, elige uno y construye sobre él tres meses — es la regla de ruteo para una topología de un room, y es correcta.

Preguntas frecuentes

¿Codex o Claude Code es el mejor agente en 2026?

En Terminal-Bench 2.0 en julio 2026, Codex CLI en GPT-5.5 anota 82.2% y la mejor entrada Claude-powered anota 80.2%, así que Codex tiene la delantera de benchmark hoy. El benchmark es una medición que se voltea en cada release de modelo. La pregunta más profunda es qué harness compone, y los hooks, Routines, subagents y SDK de Claude Code han estado en producción más tiempo y componen más.

¿Qué significa "no contratas un agente, cableas un mecanismo"?

Significa que el agente no es la unidad de decisión; el mecanismo lo es. Un benchmark te dice qué agente midió mejor este trimestre; un harness te dice qué mecanismo compone a través de las tareas que le entregarás el próximo año. The space is the router: la topología decide qué agente se dispara antes de que elijas, y la ruta es la decisión, no el veredicto.

¿Por qué el "both answer" es un ensemble débil?

Porque es un ensemble que operas a mano. Un agente escribe, el otro revisa, y recuerdas correr ambos. La versión estructural — agentes tipados que cada uno drafx, un merge que calibra, una medición de entropía en cada merge — es un ensemble que la topología opera por ti, y produce un score. El both-answer es un hedge; el ensemble es un mecanismo, y un mecanismo es una propiedad exactamente cuando está implementado y medido.

¿Cómo se aplica el Teorema 3 a una comparación Codex vs Claude Code?

Un benchmark es una medición, no una propiedad; un harness es un mecanismo, y una propiedad se garantiza exactamente cuando su mecanismo está implementado y medido. "Codex publica el mejor benchmark" es cierto y es una medición que se voltea en cada release. "Claude Code es el harness más profundo" es un reclamo sobre un mecanismo que compone a través de releases. El Teorema 3 dice: muéstrame el mecanismo, porque el número no es la propiedad.

¿Cómo se mapea esto a las etiquetas de honestidad de Everythink?

Production ✅ significa que el mecanismo está implementado y medido — la calibración del Oracle, el ruteo de la topología, la auto-deshabilitación del World Monitor están cableados y observados. Un score de benchmark no es una etiqueta; es una medición. Roadmap 🔵 significa que el mecanismo aún no está implementado, y ningún brillo de benchmark lo sube. Las etiquetas son la medición del mecanismo, no una vibra sobre el agente.

Fuentes

• Professor Glitch, "Codex vs Claude Code in 2026: Which Agent Do You Actually Hire?", 2026, retrieved 2026-08-23, https://www.askglitch.com/blog/claude-code-vs-codex
• OpenAI, "Codex pricing", 2026, referenced via Professor Glitch, https://developers.openai.com/codex/pricing
• Anthropic, "Claude pricing", 2026, referenced via Professor Glitch, https://claude.com/pricing
• Terminal-Bench, "Terminal-Bench 2.0 leaderboard", 2026, referenced via Professor Glitch, https://www.tbench.ai/leaderboard/terminal-bench/2.0

Si tu network está lista para cablear mecanismos en lugar de contratar agentes, crea tu network — la topología rutea cada tarea al agente cuyo mecanismo encaja, y el Oracle mergea su desacuerdo en una medición calibrada.