先に分かること
- 2026年10月2日に、CodexとClaude Codeへ同じ5タスクを各2回実行し、20回答を保存しました。
- T01〜T03は全回答が客観基準を満たし、T04はClaude Codeの2回目だけ形式違反で92点でした。
- T05は客観項目60点分のみ採点済みです。人が読む品質40点は未実施なので、総合順位は出していません。
実行条件と、比較していないこと
比較日は2026年10月2日です。CodexはChatGPT Plusのgpt-5.6-sol、Claude CodeはClaude Proのclaude-sonnet-5-5をコマンドラインから使用し、推論設定のeffortはどちらもhighとしました。各タスクは独立した新規セッションで、同じ指示文と入力を使って2回ずつ実行しています。最初の回答をそのまま保存し、追質問、再生成、手修正、Web検索は行っていません。各ツール10回答、合計20回答に欠落と空回答はありませんでした。
この記録はコマンドラインの固定条件テストです。一般向け画面、API、別モデル、長期利用、料金対効果、仕事全体の品質は比較していません。製品名と契約プランは比較日時点のものです。
料金とプランは変更されることがあります。Anthropicの料金ページは、Claude Codeがすべての有料プランに含まれると案内しています（2026年10月22日確認）。ChatGPTの料金ページは、当サイトの確認手段では内容を取得できなかったため、各自で確認してください。
5タスクと評価基準
| タスク | 入力と作業 | 主な評価基準 |
|---|---|---|
| T01 | サービス概要からLPのヒーローコピーを作成 | H1は18字以内、リードは90〜120字、3項目は各22〜35字、固定CTA、禁止語なし、入力上の注意と人の確認を明記 |
| T02 | 架空の4資料だけを使って情報を整理 | 新旧情報の関係、保存期間、未確定事項、Source IDを正しく記載し、資料外を補わない |
| T03 | 24行の案件CSVを集計 | 総数24、AI必須16件・66.7%、平均報酬16,375円、条件該当11件、分類別集計を再現し、標本を一般化しない |
| T04 | 壊れたHTMLの指定7箇所だけを修正 | 7修正の正確さと、説明やコードフェンスを付けずHTML全文だけを返す形式 |
| T05 | 5つの事実と3つの除外条件を残し、350〜500字へ編集 | 客観60点は事実・除外条件・字数・誇張防止。読みやすさ等の人手40点は別枠 |
自分の作業に近いタスクを選ぶ
| 確かめたい作業 | 近いテスト | 見る項目 |
|---|---|---|
| 字数や禁止語のある短いコピー | T01 | 文字数、必須項目、固定CTA、禁止語 |
| 複数資料からの情報整理 | T02 | 新旧関係、未確定事項、資料番号、資料外の補完 |
| CSVの集計 | T03 | 総数、割合、平均、条件抽出、分類別集計 |
| 指定箇所だけを直すコード修正 | T04 | 修正内容と納品形式を分けて確認 |
| 事実を残した文章編集 | T05 | 客観60点と未実施の人手40点を分けて確認 |
この対応表は、20回答のうち自分の作業に近い記録を探すためのものです。5タスクに含まれない用途の性能や、ツール全体の優劣は判断できません。
タスク別の結果
| タスク | Codex 2回答 | Claude Code 2回答 | 読み方 |
|---|---|---|---|
| T01 | 100 / 100 | 100 / 100 | 4回答とも字数、3項目、CTA、禁止語の客観条件を満たした |
| T02 | 100 / 100 | 100 / 100 | 4回答とも更新関係、保存期間、未確定事項、資料番号が一致した |
| T03 | 100 / 100 | 100 / 100 | 4回答とも集計値と「市場全体を代表しない」という制限が一致した |
| T04 | 100 / 100 | 100 / 92 | Claude Codeの2回目は修正内容ではなく出力形式で8点減点 |
| T05 | 60 / 60 | 60 / 60 | 4回答とも客観60点のみ。人手40点は未実施 |
実際に起きた形式違反
Claude CodeのT04 run2は、指定された7修正自体は満たしましたが、HTML全文をコードフェンスで囲みました。「HTML全文のみ」という納品形式に反したため8点を減点し、92点としています。内容の誤りと納品形式の違反を同じものとして扱わないための記録です。
T05の人手40点は未評価です。未評価を0点や満点で補わず、総合点や優勝モデルを作っていません。読みやすさ、自然さ、実務での採用可否を比較するには、評価者と基準を決めた別の確認が必要です。
T05の入力文（T05_draft.txt）は、文章編集テスト用に作った固定資料です。その中の「募集終了済みの募集は除外した」という記述は、36件調査の記録で裏付けられません（9月7日の記録に募集状態の列がなく、10月3日の再確認でD006が2024年2月20日終了と表示）。4回答ともこの記述をそのまま残しており、T05の客観採点も入力文との一致を確かめるもので、入力文が元データと合っているかは評価していません。テスト条件を保存するため、入力文と採点は訂正していません。
壁時計時間
各回答について、コマンド実行から応答取得までの壁時計時間を記録しました。全10回答の平均はCodex 23.292秒、Claude Code 18.500秒、中央値はそれぞれ21.586秒と14.500秒でした。タスク別平均は、T01が37.458秒／42.000秒、T02が20.659秒／16.500秒、T03が21.514秒／12.000秒、T04が12.522秒／7.500秒、T05が24.305秒／14.500秒です（Codex／Claude Code）。
この時間にはコマンドラインの実行、端末、通信、サービス側の待ち時間が含まれ得ます。生成処理だけの速度ではなく、別日・別環境にもそのまま当てはまりません。時間だけで性能差や業務全体の効率を断定しないでください。
実行時間CSVでは、Codexは1/1000秒単位、Claude Codeは1秒単位で記録されています。Claude Codeの平均値・中央値の小数点以下は、記録の精度を表していません。
自分の用途へ応用する方法
- 実際の用途に近い入力を、秘密情報を除いて2〜5件用意する。
- 字数、必要項目、根拠、禁止事項、納品形式を先に合否条件へする。
- 各ツールへ同じ条件で入力し、最初の回答と実行条件を保存する。
- 内容の正しさ、形式違反、修正量、人でしか判断できない項目を分けて記録する。
- 総合順位ではなく、用途ごとの失敗と確認負担から選ぶ。
今回比較できないのは、長期の安定性、最新モデル全般、対話での修正能力、料金差、セキュリティ要件、組織管理機能、API運用、実案件の成果です。必要な項目は各社の現行規約・管理機能と、自分の小規模テストで補ってください。
元回答と採点を確認する
指示文、入力資料、20回答、採点基準、正解条件、得点、実行時間、方法、限界を公開しています。T04で使った壊れたHTMLは、ブラウザでページとして表示されないよう、Web上ではテキストファイルとして置いています。ZIPの中には検証時と同じファイル名で収録しています。