Szybka odpowiedź: Claude, ChatGPT czy Gemini do programowania?
- Do programowania wybieram Claude Code z Opus 5.5, bo w moich projektach ten zestaw sprawdza się obecnie najlepiej.
- Codex z GPT-6 Astra i GPT-6.1 Sol jest drugim agentem, któremu przekazuję część zadań i przede wszystkim przegląd kodu.
- Gemini Code Assist nie jest dla mnie równorzędnym narzędziem do kodu. Nie sprawdził się i odstaje od Claude Code i Codexa.
Ten temat starzeje się szybciej niż artykuły o CSS, dlatego od razu wyjaśniam, że opisuje stan z 15 listopada 2026 roku, a od poprzedniej wersji tekstu wymieniły się flagowe modele wszystkich trzech producentów i zmieniło się moje główne narzędzie.
Claude Code vs Codex: jak dzielę między nie pracę
Moim głównym narzędziem jest Claude Code z modelem Opus 5.5 i to przy współpracy z nim powstaje większość mojego kodu, od nowych funkcji przez refaktoryzacje po szukanie przyczyn błędów. Wybieram effort, czyli wysiłek modelu, w zależności od zadania, ale najbezpieczniej wybrać maksymalny, szczególnie w najtrudniejszych zadaniach. Od czasu do czasu korzystałem także z modelu Fable i o ile oceniam ten model wysoko, o tyle zmiany związane z dostępnością w ramach abonamentu osłabiły mój entuzjazm (raz był dostępny w ramach zwykłego limitu, a innym razem trzeba za niego dodatkowo płacić). Rozwiązaniem było wprowadzenie kolejnego modelu, ale od innego dostawcy, czyli najpierw Sol, a potem Astra od OpenAI.
Z kolei Codex jest u mnie drugim agentem, raczej wspomagającym pracę pierwszego. Korzystam w nim z modeli GPT-6 Astra i GPT-6.1 Sol na dwa sposoby. Pierwszy to wymiana zadań, czyli przekazanie Codexowi pracy zaczętej w Claude Code albo poproszenie go o własne podejście do tego samego problemu. Drugi to przegląd kodu, w którym zmianę przygotowaną przez jednego agenta sprawdza drugi. Model innego producenta ma inne nawyki, więc częściej zauważa to, co autor zmiany uznał za oczywiste. Sprawdza się to bardzo dobrze i rekomendowałbym właśnie takie podejście, chociaż to oznacza kolejną subskrypcję i kolejne wydatki.
Oczywiście sam wybór agenta to część pracy, ponieważ o jakości wyników decyduje też środowisko, w którym agent funkcjonuje i mam tu na myśli instrukcje, narzędzia, testy i punkty kontroli. Opisuję to w artykule o tym, czym jest harness engineering, a na przykładzie pracy z danymi pokazuję w tekście o harness engineeringu w SEO. Powtarzalne instrukcje dla Claude Code najwygodniej zapisać jako Claude Skills, a bez testów i przeglądu zmian praca z agentem szybko zamienia się w vibe coding, który ma sens głównie w prototypach. Prototyp interfejsu przed implementacją możesz z kolei przygotować w Claude Design.
Z czego konkretnie wynikają moje wnioski?
Moje pierwsze doświadczenia w pracy z Claude Code sięgają mniej więcej połowy 2025, kiedy pojawił się na rynku Opus 4. Mniej więcej w tym samym czasie rozpocząłem pracę z Codexem od OpenAI, a wszystko w środowisku VS Code, do którego jestem najbardziej przyzwyczajony. Starałem się traktować obu dostawców i ich modele w podobny sposób, testując je i zamieniając rolami w bardzo różnych obszarach, przy okazji ucząc się cały czas współpracy z agentami AI, dobrych praktyk, sztuki precyzyjnego promptowania i kontroli nad jakością ich pracy. Po kilku miesiącach postawiłem wyraźnie w programowaniu na Claude Code i Opus (główna część pracy), a do zadań dodatkowych, np. tworzenia tekstu czy dokumentacji, szedł któryś z modeli od OpenAI (praca dodatkowa, wspomagająca) ze świeżym limitem tokenów.
Wszystko funkcjonowało dobrze, aż do wydania modelu Opus 4.7. Model był tak słaby i tak bardzo komplikował proste zadania, że od razu wróciłem do Codexa i to dosłownie po kilku dniach. Podobnie było z Opus 5, który za bardzo komplikował proste zadania, a przy tym zjadał pokaźne ilości tokenów. Według nie tylko moich obserwacji modele zostały z różnych powodów celowo osłabione i stały się na tyle mało pewne, że przestały być u mnie faworytami. Modele z rodziny Fable, czyli najmocniejsze warianty od Anthropic, niewiele tu zmieniły. Choć oferują ogromne możliwości, zużywają zbyt wiele tokenów, przez co nie sprawdzały się u mnie jako narzędzia do codziennej pracy. Dodatkowo ich dostępność i limity w poszczególnych planach często się zmieniały, co utrudniało oparcie na nich stałego procesu. Właśnie wtedy postawiłem na OpenAI, sięgając najpierw po model Sol, a później po Astrę. Taki sposób pracy utrzymał się przez kilka miesięcy.
Premiera modelu Opus 5.5 całkowicie odwróciła jednak tę sytuację, co dobrze pokazuje dużą zmienność tego rynku. Okazał się on niezwykle skuteczny i wydajny, radząc sobie w praktyce lepiej niż Sol, Luna czy Terra. Nie chcę przesądzać, co skłoniło Anthropic do wypuszczenia aż tak dopracowanego modelu, ale jednym z powodów może być przygotowanie firmy do wejścia na giełdę. Pozostaje mieć nadzieję, że Opus 6 przebije swojego poprzednika, choć na ostateczną weryfikację przyjdzie jeszcze czas.
Gemini Code Assist i Gemini CLI: dlaczego nie używam ich do kodu
Teraz o wielkim przegranym moich testów, czyli o Gemini Code Assist. Jego praca w repozytorium zrobiła na mnie nienajlepsze wrażenie, a miałem okazję z nim pracować około 3 miesięcy, po otrzymaniu darmowej subskrypcji w ramach uczestnictwa w szkoleniu Umiejętności Jutra AI od Google. Co konkretnie się działo? Ciągłe wieszanie się nawet najprostszych operacji, gubienie kontekstu czy szybkie wyczerpanie limitu zniechęciły mnie na tyle, że nie planuję korzystać kiedykolwiek z tego narzędzia. Na tę chwilę wystarcza mi w zupełności para Claude Code i Codex. Szukając jakichś pozytywów, odkryłem wtedy, że Gemini świetnie poprawia płynność tekstu, choć robi też przy tym błędy ortograficzne, jakich nie robi Claude czy ChatGPT.
Sam Google również ograniczył dostęp do swoich narzędzi programistycznych. Od 18 czerwca 2026 roku Gemini CLI przestało obsługiwać konta prywatne, w tym subskrypcje Google AI Pro i Ultra, przekierowując użytkowników indywidualnych do Antigravity CLI. Samo środowisko Antigravity zestawiam z Cursorem w porównaniu Cursor czy Antigravity. Z kolei od 9 października nie da się już kupić nowych licencji Gemini Code Assist w planach Standard oraz Enterprise. Czym innym jest jednak podpięcie modelu pod własną aplikację. Gemini 4 Argon, ogólnie dostępny od 13 października 2026 roku, kosztuje w API mniej niż flagowe modele Anthropic i OpenAI, dzięki czemu staje się sensownym kandydatem przy produktach rozwijanych na Google Cloud. To już jednak osobna decyzja dotycząca samego API.
Do czego używam narzędzi spod znaku Gemini?
Brutalnie i prosto z mostu: generalnie do wszystkiego, ale nie do programowania. Może pomóc mi w innych zadaniach, jak pisanie tekstu czy research, poza tym subskrypcja obejmuje większą liczbę narzędzi – korzystam z NotebookLM, gdy pracuję na własnych dokumentach i materiałach źródłowych. To pomocne narzędzie i warto na nie rzucić okiem. Cały ekosystem Google jest pomocny organizacyjnie. Do narzędzi stricte do programowania od Google nie zamierzam natomiast wracać.
Jak porównać agentów AI na własnym repozytorium?
Realnie patrząc na sam poziom zaawansowania czołowych modeli, stawka jest dziś dość wyrównana. W mojej codziennej pracy zdecydowanie najwydajniej wypada jednak Opus 5.5, ponieważ oferuje najlepszy balans między jakością odpowiedzi, szybkością działania a zużyciem limitów. Astra ma wprawdzie większą surową moc i lepiej radzi sobie z głęboką analizą złożonych zależności, ale jest na tyle tokenożerna, że szybkie wyczerpywanie limitu tokenów blokuje płynną pracę. Z tego powodu traktuję ją raczej jako model do punktowego przeglądu kodu, weryfikacji architektury czy trudniejszych konsultacji, a nie jako podstawowe narzędzie do codziennego wytwarzania kodu. Mój wybór też wynika z moich projektów, a jak chcesz samodzielnie zbadać temat, najlepiej przygotuj mały test na 10–30 prawdziwych zadaniach:
- Wybierz podobną liczbę poprawek błędów, refaktoryzacji, nowych funkcji i testów.
- Zapisz stan początkowy jako commit albo osobny worktree, żeby każdy agent zaczynał od identycznego kodu.
- Użyj tej samej instrukcji, limitu czasu, zestawu narzędzi i poziomu uprawnień.
- Uruchom testy, lint i kontrolę typów, a wynik oceniaj bez informacji o modelu, jeśli to możliwe.
- Zapisz skuteczność za pierwszym podejściem, liczbę iteracji, koszt, rozmiar diffu, regresje i czas własnego przeglądu.
Jak liczyć koszt na zadanie, z tokenami myślenia, cache i ponowieniami, pokazuję na przykładzie premiery Claude Opus 4.8.
Jak dobrać rodzaj automatyzacji do zadania, możesz zobaczyć we wpisie o matrycy decyzyjnej dla pracy z AI.
Prywatność i bezpieczeństwo kodu w Claude, ChatGPT i Gemini
Poziom ochrony danych zależy od konkretnego wariantu usługi, wybranego planu oraz konfiguracji organizacji. Zasady różnią się w zależności od tego, czy korzystasz z czatu konsumenckiego, rozwiązania biznesowego czy API. Warto się z tym zapoznać najpierw:
W webowych planach dla osób indywidualnych zasady retencji i trenowania modeli mogą być inne niż w API oraz planach Business i Enterprise.
OpenAI deklaruje, że domyślnie nie wykorzystuje danych z API ani ofert biznesowych do trenowania modeli. Nadal trzeba sprawdzić retencję i ustawienia organizacji.
W Google płatny poziom Gemini API nie wykorzystuje promptów ani odpowiedzi do ulepszania produktów, a darmowy poziom ma inne warunki przetwarzania danych.
Sprawdź cały przepływ danych, czyli model, dostawcę, region, integracje, logi, pamięć agenta i narzędzia MCP. Poza tym nie przekazuj agentowi danych uwierzytelniających, sekretów ani danych osobowych klientów. Uruchamiaj go na osobnej gałęzi lub w worktree, przeglądaj diff i wymagaj testów przed połączeniem zmian, a uprawnienia ogranicz do tego, czego potrzebuje konkretne zadanie.
Modele i ceny API: Claude, ChatGPT i Gemini w 2026
Każdy z producentów ma dziś jeden model najmocniejszy i kilka tańszych, a obok nich własnego agenta do pracy w repozytorium. Tabela zbiera to, co potwierdziłem w dokumentacji i cennikach.
| Kryterium | Anthropic | OpenAI | |
|---|---|---|---|
| Najmocniejszy model | Claude Fable 5.2 | GPT-6 Astra | Gemini 4 Argon |
| Pozostałe modele | Opus 5.5, Sonnet 5.5, Haiku 5.5 | GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna | Gemini 3.8 Flash, 3.6 Flash, 3.5 Flash-Lite |
| Agent do pracy w repozytorium | Claude Code | Codex | Antigravity CLI, a Gemini CLI tylko z płatnym kluczem API lub licencją firmową |
| Okno kontekstowe w API | 1 mln tokenów | 1,05 mln tokenów | 1 mln tokenów w Gemini 4 Argon |
| Cena API za 1 mln tokenów, wejście i wyjście | Fable 5.2: $8 / $40, Opus 5.5: $4 / $20, Sonnet 5.5: $2 / $10 | Astra: $10 / $50, Sol: $2 / $10, Terra: $1 / $5 | Argon: $2 / $10 do 30 listopada 2026, potem $4 / $20 |
Ceny OpenAI dotyczą wejścia do 272 tys. tokenów, a powyżej tego progu rosną, na przykład w modelu Astra do $20 za wejście i $75 za wyjście. Przy pracy z agentem rzadko jednak płacisz bezpośrednio za , bo Claude Code i Codex rozliczasz zwykle z abonamentu. Claude Code jest dostępny od planu Pro wzwyż, a w planie darmowym go nie ma.
Osobno trzeba potraktować rodzinę modeli Fable i jej ostatnią wersję, czyli 5.2. Jest to najmocniejszy model Anthropic, ale w planie Pro opłacasz go kredytami, a w planach Max i Ultra możesz przeznaczyć na niego najwyżej połowę tygodniowego limitu. Odpowiednik od OpenAI, czyli wspomniana Astra, nie ma takich ograniczeń w planie, ale też szybko zużywa limit tokenów, dlatego sięgam po nią głównie przy przeglądzie kodu. Warto mieć na uwadze, że Fable 5.2 w API kosztuje dwa razy więcej niż Opus 5.5.


