Claude czy ChatGPT do firmy? Wynik testu 4 codziennych zadań

Otworzyłem dwa środowiska agentowe, podałem im te same fikcyjne pliki i te same polecenia. Bez doprecyzowań. Jedna próba na zadanie. Potem wyniki dostał niezależny oceniający, który nie wiedział, które narzędzie przygotowało wariant A, a które B.

Test objął cztery rzeczy bliskie codziennej pracy małej firmy:

• brief decyzyjny na podstawie oferty i notatek;
• analizę jakości danych w pliku CSV;
• aktualny research oficjalnych polityk danych;
• szkic odpowiedzi na trudny e-mail klienta.

W tej próbce lepiej wypadł Codex CLI z modelem gpt-5.6-sol. Zdobył 117 punktów na 120. Claude Code z Claude Sonnet 4.6 przez Amazon Bedrock zdobył 65 punktów.

Mocny wynik. Ale od razu ważne zastrzeżenie: nie testowaliśmy całego ChatGPT przeciw całemu Claude. Nie porównywaliśmy też wszystkich modeli, planów, aplikacji biurowych, pamięci, integracji ani możliwości pracy zespołowej.

Sprawdziliśmy dwie konkretne konfiguracje agentowe 8 października 2026 roku:

• Codex CLI 0.160.1, gpt-5.6-sol, reasoning high, środowisko tylko do odczytu;
• Claude Code, eu.anthropic.claude-sonnet-4-6 przez Amazon Bedrock w regionie eu-central-1.

Jeśli pytasz „Claude czy ChatGPT do firmy?”, wynik daje sensowny punkt startowy. Nie daje licencji na ogłoszenie zwycięzcy na zawsze.

Krótka odpowiedź: co wybrać do małej firmy

Jeśli Twoje zadania przypominają te z testu, czyli analizujesz pliki, liczysz dane, robisz research i przygotowujesz robocze odpowiedzi, zacząłbym pilotaż od Codex CLI z gpt-5.6-sol. W naszej próbce popełnił mniej błędów, lepiej pilnował granic i potrzebował mniej pracy człowieka.

Claude Code nadal był użyteczny w briefie i szkicu maila. Potrafił wybrać właściwy pakiet, poprawnie policzyć koszt początkowy i oznaczyć kwestie wymagające decyzji człowieka. Poległ jednak na analizie CSV, a zadania z aktualnym researchem nie ukończył w użytej konfiguracji.

Dla właściciela firmy praktyczny wniosek jest więc trochę mniej wygodny niż proste „kup X”: wybierz narzędzie na podstawie własnych, powtarzalnych zadań. Sprawdź nie tylko, czy wynik dobrze brzmi, ale także czy liczby się zgadzają, czy agent kończy research i ile poprawek zostawia człowiekowi.

Jak zrobiliśmy test Claude Code i Codex CLI

Użyliśmy tych samych fikcyjnych danych, żeby żadna ze stron nie miała przewagi wynikającej z dostępu do wcześniejszej rozmowy albo innego zestawu plików.

Warunki były zamrożone:

1. Ten sam prompt w każdym zadaniu.
2. Te same pliki wejściowe.
3. Jedna próba bez dodatkowych wyjaśnień.
4. Brak prawdziwych danych klientów i pracowników.
5. Brak wysyłki, publikacji i zmian zewnętrznych.
6. Wynik wyłącznie tekstowy.

Niezależna ocena obejmowała sześć kryteriów: poprawność, kompletność, kontrolę, użyteczność, trzymanie granic i nakład poprawek człowieka. Każde kryterium było punktowane od 0 do 5.

Nazwy narzędzi odsłoniliśmy dopiero po zapisaniu ocen.

Wyniki testu

Sama suma ukrywa najciekawszą część. W briefie i mailu oba narzędzia przygotowały materiał, z którym dało się dalej pracować. Duża różnica pojawiła się przy liczbach oraz zadaniu wymagającym pracy ze źródłami online.

Zadanie 1: brief decyzyjny

Fikcyjny klient miał 12 stanowisk i pytał o pakiet obsługi IT. W materiałach brakowało potwierdzenia terminu, zasad rabatu oraz informacji, czy dwa laptopy poza Warszawą wchodzą do zakresu.

Oba narzędzia poprawnie wskazały pakiet Plus. Claude zauważył również najważniejsze ryzyko: oferta dotyczyła biur w Warszawie, a dwie osoby pracowały zdalnie poza miastem.

Problem pojawił się w następnym kroku. Claude zaproponował wysłanie klientowi trzech pytań, choć dostępność technika i polityka rabatowa były sprawami wewnętrznymi do potwierdzenia przez usługodawcę. Jedno pytanie powtarzało informację, którą klient już podał.

Codex skierował te niewiadome do człowieka po właściwej stronie procesu i pozostawił ofertę warunkową do czasu ich rozstrzygnięcia.

Wynik: 30/30 dla Codex i 22/30 dla Claude.

To różnica ważna w zwykłej firmie. Agent może przygotować poprawne podsumowanie, a potem zaproponować zły ruch operacyjny. Treść wygląda rozsądnie, tylko przerzuca wewnętrzną pracę na klienta.

Zadanie 2: analiza CSV i błąd, którego nie widać na pierwszy rzut oka

Drugie zadanie dotyczyło 30 fikcyjnych zgłoszeń. W pliku znajdowały się niespójne statusy, cztery braki czasu, wartość ujemna, zero wymagające wyjaśnienia i potencjalnie odstający czas 240 minut.

Codex poprawnie znormalizował statusy: 21 zamkniętych, 5 w toku i 4 otwarte. Dla 20 zamkniętych rekordów z nieujemnym czasem policzył medianę 36,5 minuty i średnią 44,15 minuty. Po wyłączeniu wartości 240 średnia wyniosła około 33,84 minuty. Sam rekord 240 został oznaczony do sprawdzenia, a nie automatycznie usunięty.

Claude przygotował czytelny raport, ale zawarł w nim kilka konkretnych błędów:

• podał 16 wystąpień statusu zamkniete, choć było ich 20 plus jeden zapis ZAMKNIETE;
• napisał w nagłówku o co najmniej 17 procentach nierozwiązanych zgłoszeń, choć w dalszej części sam policzył 9 z 30, czyli 30 procent;
• podał medianę 38 minut zamiast 36,5;
• oszacował średnią z wartością 240 na około 55 minut zamiast 44,15;
• zbyt pewnie nazwał wartość 0 wewnętrzną sprzecznością, chociaż bez definicji pola można było jedynie oznaczyć ją do wyjaśnienia.

Wynik: 30/30 dla Codex i 15/30 dla Claude.

To był najbardziej praktyczny moment całego testu. Raport Claude wyglądał profesjonalnie. Miał nagłówki, tabelę, rekomendacje i techniczny komentarz. Gdyby ktoś przeczytał tylko podsumowanie, mógłby nie zauważyć, że podstawowe liczby są niespójne.

Przy analizie CSV nie pozwalałbym żadnemu modelowi samodzielnie zatwierdzić raportu. Obliczenia powinien sprawdzić kod, arkusz albo zapytanie do bazy. Model może opisać znaczenie wyniku. Arytmetyka potrzebuje osobnej kontroli.

Zadanie 3: aktualny research nie został ukończony przez Claude Code

Trzecie zadanie miało sprawdzić w oficjalnych źródłach, czy OpenAI i Anthropic domyślnie używają danych klientów komercyjnych do trenowania modeli. Odpowiedź miała rozdzielić fakty, interpretację i niewiadome.

Codex ukończył research i podał bezpośrednie linki do dokumentacji producentów. Poprawnie rozdzielił trzy różne kwestie:

• użycie danych do treningu;
• przetwarzanie potrzebne do wykonania usługi;
• retencję danych i logów.

Claude Code nie dostarczył odpowiedzi merytorycznej. Pierwsza próba zatrzymała się na wymaganiu uprawnienia do WebFetch. Uruchomiliśmy techniczne ponowienie z jawnym dostępem do WebFetch i WebSearch. Po 15 turach sesja osiągnęła limit kosztu 0,60 USD i zakończyła się bez finalnego wyniku.

Wynik: 30/30 dla Codex i 6/30 dla Claude. Te sześć punktów wynikało z przejrzystego zatrzymania bez wymyślania odpowiedzi, nie z wykonania researchu.

Nie interpretowałbym tego jako dowodu, że Sonnet 4.6 nie potrafi prowadzić researchu. Test pokazał coś bardziej przyziemnego: w tej konfiguracji Claude Code nie ukończył zadania przy danych uprawnieniach i limicie budżetu.

Dla firmy efekt końcowy jest jednak prosty. Nie było wyniku. Człowiek musiałby wykonać zadanie od początku.

Zadanie 4: szkic odpowiedzi klientowi

Klient prosił o rabat, konkretny termin startu, obsługę laptopów poza Warszawą i gwarancję reakcji krótszej niż dwie godziny. Materiały nie pozwalały obiecać żadnej z tych rzeczy.

Oba narzędzia poprawnie policzyły koszt początkowy na 2690 zł netto i oznaczyły kwestie wymagające człowieka. Oba przygotowały użyteczny szkic.

Codex lepiej utrzymał granice oferty. Nie potwierdził terminu, rabatu, zasięgu geograficznego ani szybszej reakcji. Dostał 27/30, bo sformułowanie o braku rabatu było odrobinę zbyt kategoryczne, a wynik zawierał dodatkowy komentarz techniczny do usunięcia przed wysyłką.

Claude dostał 22/30. Użył słowa „gwarantuje” przy czasie reakcji, chociaż oferta mówiła jedynie „reakcja do 4 godzin roboczych”. Na końcu stwierdził też, że zakres dla 12 stanowisk można zaoferować pewnie, mimo nierozstrzygniętej obsługi dwóch laptopów poza Warszawą.

Tu przewaga Codex była mniejsza. Claude przygotował materiał, który po korekcie mógłby zostać użyty. Nie był to pusty albo losowy wynik.

Gdzie Claude był użyteczny

Łatwo po wyniku 117 do 65 zrobić z artykułu reklamę zwycięzcy. Dane nie dają do tego podstaw.

Claude w dwóch zadaniach dobrze rozpoznał główną decyzję biznesową:

• wskazał właściwy pakiet dla 12 stanowisk;
• zauważył problem urządzeń poza Warszawą;
• poprawnie policzył koszt startowy;
• nie przyznał samodzielnie rabatu;
• pozostawił termin do potwierdzenia przez człowieka.

Jego słabsze wyniki wynikały z kilku konkretnych uchybień, a nie z całkowitej bezużyteczności. Przy prostych szkicach i podsumowaniach Claude Code pozostał kandydatem do pilotażu. Po tym teście nie dałbym mu natomiast prawa do samodzielnego zatwierdzania raportu liczbowego.

Model, produkt i konfiguracja to różne rzeczy

Najwięcej błędnych porównań zaczyna się od mieszania pięciu warstw.

1. Model

W teście pracowały gpt-5.6-sol i Claude Sonnet 4.6. Wynik dotyczy tych wersji użytych 8 października 2026 roku. Nie opisuje innych modeli OpenAI lub Anthropic ani przyszłych aktualizacji.

2. Produkt

Codex CLI i Claude Code to narzędzia agentowe działające w terminalu. ChatGPT i aplikacja Claude mają inne interfejsy, funkcje, limity oraz sposoby pracy. Wyniku z terminala nie można automatycznie przenieść na zwykły czat używany przez właściciela firmy.

3. Konfiguracja

Codex działał z reasoning high i w trybie tylko do odczytu. Claude korzystał z Sonnet 4.6 przez Bedrock. Przy researchu znaczenie miały dostęp do sieci, zgody na narzędzia oraz limit kosztu. Zmiana tych ustawień mogłaby zmienić wynik.

4. Plan i rozliczenie

Test nie porównywał planów ChatGPT Business i Claude Team. Nie mierzył też porównywalnego kosztu obu stron. Dla Claude przez Bedrock zapisaliśmy koszt 1,84602195 USD za test dostępu, cztery zadania i techniczne ponowienie researchu, plus pomijalnie małe wywołanie diagnostyczne. Codex działał w uwierzytelnionym środowisku, ale test nie zapisał równoważnego kosztu jednostkowego.

Nie wolno więc wyciągać z tej próby wniosku, że jedna marka jest tańsza.

5. Prywatność, trening i retencja

„Dane nie służą domyślnie do treningu” nie oznacza „dane nie są przechowywane”. To osobne pytania.

OpenAI deklaruje dla ChatGPT Business, Enterprise i API, że dane organizacji nie są domyślnie używane do trenowania modeli. Dokumentacja API podaje jednak, że standardowe logi monitorowania nadużyć mogą być przechowywane do 30 dni, z wyjątkami opisanymi w dokumentacji i dodatkowymi ustawieniami dla uprawnionych klientów.

Anthropic deklaruje, że wejścia i wyjścia z produktów komercyjnych, takich jak Claude for Work i API, nie są domyślnie używane do treningu. Wyraźny feedback albo inny opt-in może być wyjątkiem. Dla Anthropic API standardowa retencja wejść i wyjść wynosi do 30 dni, z wyjątkami, a zapisane rozmowy w produktach Claude for Work są przechowywane, aby użytkownik mógł do nich wracać.

W naszym teście Claude Code korzystał z Amazon Bedrock. Dokumentacja AWS opisuje osobne ustawienia retencji na poziomie konta lub projektu. Test nie zapisuje pełnej konfiguracji retencji tego środowiska, więc nie należy jej zgadywać.

W praktyce przed wdrożeniem trzeba sprawdzić konkretny kanał dostępu, plan, ustawienia administratora, umowę i funkcje dodatkowe. Sama nazwa modelu nie odpowiada na pytanie o dane.

Tabela decyzji dla właściciela małej firmy

Jak powtórzyć taki test u siebie

Wybierz kilka zadań, które rzeczywiście wracają w tygodniu. Nie twórz quizu dla modelu. Użyj tego, co później ma trafić do pracownika, klienta albo systemu.

Dla każdego zadania zapisz:

• pliki wejściowe;
• dokładne polecenie;
• czego model nie może dopisać;
• oczekiwany wynik;
• błąd, którego proces nie może przepuścić;
• sposób sprawdzenia liczb i źródeł;
• moment obowiązkowego przejęcia przez człowieka.

Potem uruchom narzędzia bez podpowiadania im, który wynik chcesz zobaczyć. Usuń nazwy produktów przed oceną. Zapisz poprawność, kompletność, kontrolę, użyteczność i czas poprawek.

Jeśli agent nie ukończy zadania, nie dopisuj mu odpowiedzi ręcznie tylko po to, żeby tabela wyglądała równo. Brak wyniku też jest wynikiem operacyjnym.

Mój praktyczny wniosek po tej próbie

Do zadań podobnych do naszego zestawu wybrałbym dziś Codex CLI jako pierwszy pilotaż. Przewaga nie wynikała z ładniejszego stylu. Codex lepiej policzył dane, poprawniej rozdzielił decyzje wewnętrzne od pytań do klienta i ukończył research ze źródłami.

Claude Code zostawiłbym w porównaniu jako drugiego kandydata, szczególnie do briefów i roboczych szkiców. Przed szerszym użyciem poprawiłbym konfigurację researchu i dołożył twardą walidację liczb.

Cztery zadania to nadal mała próbka. Wystarczają, by wybrać kolejność pilotażu. Nie wystarczają, by kupić konta całej firmie albo ogłosić, że jedna marka jest lepsza we wszystkim.

Jeśli celem nie jest porównanie samych narzędzi, lecz wybór sposobu wdrożenia, zacznij od opisania procesu i granic odpowiedzialności. Tak podchodzimy do projektowania asystentów AI dla firm.

FAQ: Claude czy ChatGPT do firmy

Co wygrało test: Claude czy ChatGPT?

W tej konkretnej próbie Codex CLI z gpt-5.6-sol zdobył 117/120, a Claude Code z Claude Sonnet 4.6 przez Amazon Bedrock 65/120. Nie był to test całego ChatGPT ani całego Claude.

Dlaczego Claude dostał tylko 6 punktów za research?

Nie dostarczył odpowiedzi merytorycznej. Pierwsza próba zatrzymała się na zgodzie dla WebFetch, a ponowienie z dostępem do sieci osiągnęło limit kosztu po 15 turach. Punkty przyznano za przejrzyste zatrzymanie bez wymyślania faktów.

Czy błąd CSV oznacza, że Claude nie nadaje się do liczb?

Nie daje podstaw do tak szerokiego wniosku. Pokazuje, że Sonnet 4.6 w tej pojedynczej próbie popełnił kilka błędów rachunkowych i logicznych. Każdy model używany do raportów powinien mieć deterministyczną kontrolę obliczeń.

Czy Codex jest częścią ChatGPT Business?

Codex jest produktem OpenAI dostępnym w różnych powierzchniach i planach. Ten artykuł opisuje wynik Codex CLI w konkretnym uwierzytelnionym środowisku. Nie potwierdza zachowania zwykłego czatu ChatGPT ani opłacalności konkretnego planu.

Czy Claude i OpenAI trenują modele na danych firmowych?

Według oficjalnych polityk sprawdzonych 8 października 2026 roku dane z komercyjnych ofert OpenAI i Anthropic nie są domyślnie używane do treningu. Wyjątki mogą obejmować jawny opt-in lub feedback. Retencja jest osobnym zagadnieniem i zależy od produktu, kanału oraz ustawień.

Czy po tym teście warto kupić narzędzie całemu zespołowi?

Nie. Wynik uzasadnia kolejność pilotażu dla podobnych zadań. Najpierw trzeba sprawdzić własne dokumenty, arkusze, uprawnienia i koszt poprawek człowieka.

Jeśli chcesz ułożyć własną próbę, zobacz też jak testować modele AI i nie dać się zwieść benchmarkom. Tam znajdziesz pełniejszy protokół budowania zestawu, oceny błędów i testu regresji.

Źródła

• Falcon Works: claude_chatgpt_test/TEST_CONTRACT.md, warunki i ograniczenia testu; test z 8.10.2026.
• Falcon Works: claude_chatgpt_test/TEST_RESULTS.md, mapowanie konfiguracji, punktacja i koszty; sprawdzone 8.10.2026.
• Falcon Works: claude_chatgpt_test/BLIND_EVALUATION.md, niezależna ocena zanonimizowanych wyników; sprawdzone 8.10.2026.
• Falcon Works: claude_chatgpt_test/results/codex/ i claude_chatgpt_test/results/claude/, surowe odpowiedzi obu konfiguracji; sprawdzone 8.10.2026.
• OpenAI: Business data privacy, security and compliance, domyślne wyłączenie danych biznesowych z treningu i kontrola retencji; sprawdzone 8.10.2026.
• OpenAI: Data controls in the OpenAI platform, trening, logi monitorowania nadużyć i ustawienia retencji API; sprawdzone 8.10.2026.
• Anthropic: Is my data used for model training?, produkty komercyjne, opt-in i feedback; aktualizacja 18.08.2026, sprawdzone 8.10.2026.
• Anthropic: How long do you store my organization’s data?, retencja API i produktów komercyjnych; aktualizacja 1.07.2026, sprawdzone 8.10.2026.
• AWS: Data retention in Amazon Bedrock, tryby retencji na poziomie konta lub projektu; sprawdzone 8.10.2026.
• Anthropic: Claude on Amazon Bedrock, modele i sposób użycia Claude przez Bedrock; sprawdzone 8.10.2026.