Qué es Codex: un agente que trabaja con herramientas
Codex es el agente de OpenAI para realizar trabajo de desarrollo de software y tareas relacionadas mediante modelos de IA y herramientas. Puede investigar un proyecto, modificar archivos, ejecutar comandos, revisar cambios y presentar resultados. Su unidad de trabajo es una tarea con contexto y acciones, no únicamente una respuesta de texto o una sugerencia de autocompletado.
Hay que separar tres capas: el modelo que interpreta y genera, el sistema que coordina sus acciones y la interfaz desde la que se utiliza. Cambiar de modelo no convierte una sesión local en una sesión de nube ni concede acceso a un repositorio. La utilidad depende de qué información y herramientas tiene disponibles, además de la calidad del modelo.
La CLI se publica con licencia Apache 2.0. Eso permite inspeccionar y adaptar ese componente; no significa que los modelos, la aplicación de escritorio o los servicios gestionados tengan la misma licencia ni que ejecutar el agente sea siempre gratuito.
Documentación de referencia: OpenAI — Codex CLI · OpenAI — Codex App Server · OpenAI — Open agent harness · OpenAI — Codex open-source repository.
Historia: del modelo de 2021 al agente de 2025
El nombre Codex se utilizó primero para un modelo anunciado el 10 de agosto de 2021, derivado de GPT-3 y orientado a generar código; fue parte del origen de GitHub Copilot. La herramienta actual es un producto posterior. No corresponde trasladar a su versión presente los resultados de evaluación o las limitaciones de aquel modelo como si fueran mediciones actuales.
El 16 de abril de 2025 apareció Codex CLI, un agente local de código abierto. El 16 de mayo llegó la vista previa de investigación del servicio en la nube, inicialmente apoyado en codex-1, una adaptación de o3 para ingeniería de software. El trabajo se ejecutaba en entornos separados con el repositorio y devolvía cambios para revisión.
GPT-5-Codex, presentado en septiembre de 2025, avanzó hacia tareas de programación prolongadas. GPT-5.3-Codex llegó el 5 de febrero de 2026 y amplió la combinación de programación, razonamiento y trabajo profesional. El 12 de febrero se presentó Spark, una variante de baja latencia sobre hardware Cerebras. Son hitos históricos, no una lista de modelos que sigan disponibles en todas las cuentas.
El 19 de marzo de 2026 OpenAI anunció un acuerdo para adquirir Astral, creadora de herramientas Python como uv, Ruff y ty. El anuncio estaba sujeto a condiciones de cierre; no basta para atribuir a Codex cualquier función de esos proyectos como integración ya implantada.
Documentación de referencia: OpenAI — Original Codex model, 2021 · OpenAI — Introducing Codex, May 2025 · OpenAI — GPT-5-Codex and long tasks · OpenAI — GPT-5.3-Codex · OpenAI — Codex-Spark · OpenAI — Astral acquisition announcement.
Cómo trabaja Codex con código y contexto
Codex es una herramienta de OpenAI para desarrollar, mantener y revisar software con asistencia de inteligencia artificial. Su documentación describe trabajo con código, terminal, revisión de cambios y herramientas conectadas. Una petición útil aporta el resultado esperado, los archivos relevantes y las condiciones que deben mantenerse; el resultado puede incluir modificaciones y comprobaciones, además de una explicación.
El entorno importa. El trabajo local utiliza el directorio del proyecto; un worktree permite aislar cambios en otra copia de trabajo de Git; una tarea en la nube dispone de su propio espacio. Los archivos locales, sesiones de navegador o accesos de red del ordenador no se transfieren automáticamente a la nube. Es necesario comprobar qué contexto y permisos tiene realmente cada tarea.
Documentación de referencia: OpenAI — Developers: Codex development workflows · OpenAI — Codex environments.
Aplicación, evolución de modelos y disponibilidad actual
La aplicación para macOS apareció en febrero de 2026 y la versión para Windows en marzo. El 9 de julio se integró en la aplicación de escritorio ChatGPT, manteniendo la experiencia Codex junto a Chat y Work. Es una evolución del acceso al producto, no la desaparición de sus tareas de programación.
GPT-5.4 se incorporó en marzo de 2026. Después cambiaron las opciones: Spark se retiró el 14 de septiembre y GPT-5.5 dejó de ofrecerse con acceso mediante ChatGPT el 14 de octubre. La disponibilidad mediante API sigue reglas distintas. La documentación actual incluye GPT-6.1 Sol, condicionado por cuenta, cliente y administración del espacio.
Para mantener un proceso reproducible, registra el modelo utilizado y las condiciones de la tarea. Una mejora del modelo puede cambiar estilo, coste o comportamiento, por lo que conviene volver a ejecutar los casos de aceptación relevantes cuando se actualiza un flujo importante. La versión del modelo es solo una parte: también influyen herramientas, instrucciones, dependencias y datos.
Documentación de referencia: OpenAI — Product updates · OpenAI — Codex changelog · OpenAI — Current workspace model boundaries.
Cómo funciona el ciclo de trabajo
El sistema que rodea al modelo, denominado harness, mantiene la conversación, coordina herramientas y comunica eventos y solicitudes de aprobación. Codex App Server expone ese ciclo a interfaces e integraciones mediante conversaciones, turnos y resultados de acciones. Su documentación lo trata como una interfaz experimental; no debe suponerse estabilidad de producción por el mero hecho de que exista.
En una corrección típica, el agente recibe un objetivo, inspecciona archivos, formula una hipótesis, modifica código y ejecuta comprobaciones. Cada observación puede cambiar el siguiente paso. Si una prueba falla, la evidencia útil es el mensaje y el caso que falla, no repetir la misma instrucción con más énfasis.
El usuario define qué significa terminar. Para un informe de SST, «generar un archivo» es menos preciso que «generar un informe que conserve la población prevista, señale duplicados y pueda reproducirse con la misma entrada». Esa especificación conecta el ciclo técnico con un resultado evaluable.
Documentación de referencia: OpenAI — Codex App Server · OpenAI — Open agent harness.
Terminal, editor, escritorio y nube
- CLI: permite trabajar desde el terminal sobre archivos y herramientas locales; el modo no interactivo facilita tareas acotadas en scripts.
- Editor y escritorio: acercan conversación, contexto de código y revisión visual de diferencias al trabajo del desarrollador.
- Worktree: ofrece otro directorio de trabajo de Git para una tarea paralela, sin convertirla por ello en ejecución remota.
- Nube: utiliza un entorno publicado con repositorios, dependencias y accesos, y crea un espacio aislado para cada tarea.
La nube puede continuar mientras el ordenador está apagado; una tarea local necesita su entorno local. La documentación distingue además los entornos actuales de Codex Cloud de los flujos heredados que todavía soportan determinadas integraciones. Al seguir un tutorial, comprueba a cuál se refiere.
Un worktree ayuda a separar cambios, pero no resuelve automáticamente conflictos cuando dos tareas modifican una misma regla. Por ejemplo, ampliar un exportador y cambiar sus identificadores en paralelo exige coordinar el contrato de datos. Antes de combinar resultados, revisa el conjunto y vuelve a comprobar los casos afectados.
Documentación de referencia: OpenAI — Codex CLI · OpenAI — Reusable cloud environments · OpenAI — Worktrees · OpenAI — Authentication.
Instrucciones reutilizables, skills y plugins
AGENTS.md conserva instrucciones del proyecto, como convenciones y comprobaciones. Una skill empaqueta un procedimiento con recursos; un plugin puede distribuir skills y conexiones mediante MCP. Son mecanismos distintos: instrucciones, proceso reutilizable y acceso a herramientas. Instalar una conexión no define por sí mismo cuándo debe utilizarse.
Para un equipo que mantiene recursos de SST en tres idiomas, las instrucciones podrían fijar las rutas de traducción, prohibir modificar cifras sin fuente y exigir comprobar enlaces. Una skill podría describir la revisión de una ficha desde sus fuentes hasta la previsualización. La herramienta conectada aportaría lectura o escritura en el sistema autorizado.
Conviene separar material de referencia de órdenes. Un comentario en un archivo, una página externa o un documento aportado puede contener texto que parezca una instrucción; su presencia no lo convierte en una autorización para cambiar el alcance. La tarea debe indicar qué fuentes explican el problema y quién decide qué se modifica.
Documentación de referencia: OpenAI — Project instructions with AGENTS.md · OpenAI — Skills and plugins.
Integraciones con entornos de desarrollo y diseño
Xcode 26.3 incorporó Codex para trabajar con proyectos Apple, con herramientas de compilación, pruebas y documentación. GitHub añadió Codex a Agent HQ en febrero de 2026. La integración con Figma mediante MCP conecta contexto de diseño e implementación. Cada entorno mantiene sus requisitos de acceso y no debe confundirse una integración anunciada con su activación en una cuenta.
Estas conexiones reducen pasos manuales cuando aportan el contexto adecuado. En una web de formación, un diseño puede servir para implementar la interfaz, pero la aceptación necesita comprobar navegación por teclado, legibilidad, traducciones y comportamiento con contenido real. Que el código se parezca a una imagen no demuestra que el recurso funcione.
Antes de conectar un sistema, delimita qué dato se consulta y qué acción se permite. Una revisión de enlaces puede requerir leer páginas y producir un informe; una corrección autorizada añade escritura. Son alcances distintos y conviene que las herramientas disponibles reflejen esa diferencia.
Documentación de referencia: Apple — Agentic coding in Xcode · GitHub — Agent HQ, February 2026 · OpenAI/Figma — Design and code workflow.
Permisos, ejecución y tratamiento de datos
El aislamiento del entorno limita acciones técnicas; la política de aprobación determina cuándo se solicita autorización. No son equivalentes. Los perfiles de permisos actuales, todavía beta, delimitan archivos y red para comandos locales. Su lista de destinos de red no es una política universal para navegador, conectores y todas las demás herramientas.
La autenticación también marca una frontera. El acceso con ChatGPT sigue los controles del espacio correspondiente; una clave API sigue los de la organización de API. Los clientes locales admiten ambas vías, mientras que Codex Cloud requiere iniciar sesión con ChatGPT. Hay que comprobar el entorno real antes de atribuirle una política de conservación o acceso.
Para transformar registros de SST, comienza con datos ficticios y una copia de trabajo. Identifica archivos permitidos, salida esperada y acciones excluidas del encargo. Un script que lee datos no necesita necesariamente acceso de escritura al sistema del que proceden. Las credenciales deberían suministrarse mediante los mecanismos del entorno y no aparecer en ejemplos, informes o registros de depuración.
La comprobación final debe incluir una revisión de lo que cambió y de lo que salió del entorno. Un error puede estar en el contenido del archivo generado o en un destino incorrecto. La trazabilidad útil conecta solicitud, cambios, comprobaciones y resultado, sin almacenar más información sensible de la necesaria.
Documentación de referencia: OpenAI — Command permission profiles · OpenAI — Agent approvals and security · OpenAI — Authentication.
Codex Security y Patch the Planet
Codex Security se presentó el 6 de marzo de 2026 como evolución de Aardvark, cuya beta privada se anunció en octubre de 2025. Trabaja sobre seguridad de aplicaciones: construye contexto y un modelo de amenazas, busca problemas, intenta validarlos y propone correcciones. Esta «seguridad» se refiere al software; no es una evaluación de seguridad y salud laboral.
La documentación actual distingue plugin local, CLI, SDK y Codex Security Cloud. La modalidad cloud sigue figurando como vista previa y requiere los accesos pertinentes. Un hallazgo y una propuesta de parche son resultados distintos: identificar una ruta vulnerable no demuestra que cualquier modificación sugerida la cierre sin alterar otras funciones.
El 22 de junio de 2026 OpenAI presentó Patch the Planet, una iniciativa de Daybreak con Trail of Bits para ayudar a mantenedores de código abierto a encontrar y corregir vulnerabilidades. Los resultados divulgados por el proveedor corresponden a sus evaluaciones y proyectos; no constituyen una garantía sobre un repositorio ajeno.
En un portal de SST, una revisión podría investigar si un enlace de descarga expone documentos fuera del grupo autorizado. El criterio de aceptación incluiría comprobar acceso permitido, acceso rechazado y comportamiento de documentos antiguos, además del caso que originó el hallazgo. La revisión técnica protege el recurso, pero no verifica la corrección del contenido preventivo.
Documentación de referencia: OpenAI — Codex Security launch · OpenAI — Aardvark, October 2025 · OpenAI — Current Codex Security documentation · OpenAI — Patch the Planet.
Adopción, vulnerabilidades históricas y calidad de parches
OpenAI comunicó más de dos millones de usuarios activos semanales en marzo de 2026. La expansión se produjo en un mercado competitivo de asistentes y agentes de programación. La adopción comercial aporta contexto, pero no equivale a una comparación controlada de calidad o productividad.
BeyondTrust divulgó en 2026 un fallo ya corregido relacionado con nombres de ramas de GitHub y ejecución de comandos durante la preparación del entorno. Podía comprometer tokens. El episodio muestra que también debe revisarse la infraestructura que conecta al agente con herramientas, no solo el texto que genera.
La calidad de los parches ha generado otro debate. En agosto, Dark Reading recogió objeciones de un investigador de 1Password sobre resultados de Patch the Planet. El estudio FLAWED de 1Password analizó modelos y vulnerabilidades concretos, con restricciones experimentales: no mide una tasa universal de fallo de Codex. Distingue corregir el problema, cambiar el comportamiento y dejar o introducir una vulnerabilidad.
Para una adopción responsable, mide cambios aceptados tras revisión, regresiones y esfuerzo total. Aceptar más líneas o terminar antes la primera propuesta no indica necesariamente que disminuya el trabajo posterior. Un piloto útil incluye fallos conocidos y casos nuevos, y permite comparar qué detecta la herramienta y qué sigue necesitando el equipo.
Documentación de referencia: OpenAI — Astral acquisition announcement · BeyondTrust — Codex command injection disclosure · 1Password — FLAWED research · Dark Reading — Patch quality debate.
Cómo puede contribuir a recursos de SST
Las siguientes aplicaciones son propuestas editoriales de Sabentis para desarrollo técnico, no capacidades de evaluación preventiva autónoma:
- Preparación de información: ayudar a escribir un programa que valide columnas, tipos de datos e identificadores antes de elaborar un informe.
- Mantenimiento web: localizar enlaces rotos, textos sin traducir o inconsistencias en recursos informativos sobre prevención.
- Revisión de cambios: investigar si una modificación conserva reglas conocidas, como excluir datos personales de registros técnicos.
La aportación consiste en convertir una especificación en código revisable. El personal competente debe definir qué significa cada indicador o estado. Un programa puede funcionar conforme a una instrucción equivocada y producir una conclusión preventiva incorrecta.
Ejemplo hipotético: calcular cobertura sin ocultar pendientes
Un equipo necesita preparar un informe de formación a partir de un archivo autorizado y sin datos de salud. Quiere conservar la población prevista y distinguirla de quienes han finalizado.
- Definir columnas de entrada: identificador ficticio de participante, grupo, curso, versión y estado. Documentar qué personas forman parte de la población prevista.
- Establecer casos de aceptación antes de programar: dieciocho finalizaciones de veinte personas equivalen al 90 %; un grupo sin población definida debe mostrar «no calculable», no 0 % ni 100 %.
- Pedir a Codex que prepare la transformación y señale registros duplicados, estados desconocidos y campos ausentes. Esas excepciones deben quedar visibles.
- Revisar el código y ejecutar los casos con datos ficticios. Comprobar que repetir una persona no aumenta el denominador ni la cifra de finalizaciones.
- Comparar manualmente una muestra con el origen y documentar fecha de corte, filtros y versión del programa antes de utilizar el resultado.
La salida verificable es un informe reproducible con excepciones identificadas. La cobertura de finalización sigue sin demostrar competencia práctica: el programa calcula una definición, no valida su interpretación profesional.
Añade una segunda comprobación independiente: veinte participantes previstos, dieciocho finalizaciones y una fila duplicada deben seguir produciendo 90 %, no 95 %. Si cambia la versión del curso, la clave del registro debe distinguirla sin mezclar finalizaciones de versiones diferentes. Conserva el archivo ficticio, el resultado esperado y la versión del programa para repetir la prueba tras futuras modificaciones.
Límites: instrucciones, pruebas y acciones
OpenAI documenta el uso de reglas en AGENTS.md para orientar revisiones sobre convenciones del repositorio. Estas reglas pueden recordar límites de datos o compatibilidad, pero la propia documentación mantiene pruebas, protecciones de ramas y aprobaciones como controles complementarios.
Trabaja con el mínimo contexto necesario y no introduzcas credenciales en ejemplos. Revisa las diferencias reales y las pruebas ejecutadas: una afirmación del agente no equivale a evidencia. Distingue código preparado, guardado y desplegado. Una comprobación que pasa tampoco demuestra que se hayan cubierto permisos, datos extremos o todas las condiciones del entorno de producción.
Documentación de referencia: OpenAI — Custom Code Review rules for Codex.
Cuándo elegir Codex y con qué complementarlo
Conviene evaluarlo cuando existe una tarea de desarrollo concreta, acceso autorizado al proyecto y capacidad para revisar el resultado. El criterio de elección debe incluir calidad del cambio, claridad de la evidencia y facilidad de mantenimiento.
Cursor permite comparar otra experiencia de trabajo asistido sobre código. Excel puede ayudar a contrastar una muestra pequeña del cálculo antes de incorporarlo a un proceso repetible. Define siempre cuál es el origen autorizado de los datos y evita que las copias de comprobación se conviertan en registros oficiales paralelos.
Preguntas frecuentes sobre Codex en SST
¿Codex certifica que un cálculo preventivo es correcto?
No. Puede ayudar a programar y comprobar una fórmula, pero la metodología, las entradas y la interpretación requieren validación por responsables competentes.
¿Una tarea en la nube ve los archivos de mi ordenador?
No automáticamente. Utiliza los archivos y servicios disponibles en su entorno. Hay que aportar el contexto autorizado que necesite.
¿Qué entrega conviene pedir al terminar?
Una explicación del cambio, los archivos modificados, los casos comprobados y lo que quede sin verificar. Esa evidencia permite decidir si el resultado puede aceptarse.
Documentación de referencia: OpenAI — Codex environments.
