Claude Code vs Cursor vs GPT-5 Codex — 50 Aufgaben im echten Vergleich

Der Aufbau

Nach meinem 60-Tage-Experiment mit Claude Code kam die logische Folgefrage: wie schneiden die Konkurrenten ab? Ich hab 50 Aufgaben definiert, verteilt auf fünf Kategorien, und jedem der drei Tools identisch gestellt. Gleiche Prompts, gleiche Repos, gleiche Erwartungen.

Die Tools:

• Claude Code 2.4.1 mit Claude Opus 4.7 — direktes Terminal-Interface
• Cursor 0.48 mit Claude Sonnet 4.6 als Backend — Editor-Integration
• GPT-5 Codex via API — direkter Coding-Agent von OpenAI, als CLI-Wrapper

Alle drei bekommen dasselbe Repo, dieselben Files, denselben Prompt. Ich messe: Zeit bis erste Antwort, Korrektheit, Anzahl Review-Zyklen bis brauchbar, Code-Qualität.

Die fünf Kategorien

Zehn Aufgaben pro Kategorie.

Kategorie A — Neue Features nach bekanntem Muster Beispiel: "Hier ist unser User-Service mit CRUD. Bau denselben für Subscriptions."

Kategorie B — Refactoring Beispiel: "Der ProductService hat 600 Zeilen und sieben Verantwortungen. Split in sinnvolle Services."

Kategorie C — Bug-Fixing aus Stack-Trace Beispiel: "Hier ist der Trace, fix den Fehler ohne das bestehende Behavior zu brechen."

Kategorie D — Test-Generierung Beispiel: "Bau Tests für OrderService mit min. 80% Coverage."

Kategorie E — Komplexe Multi-File-Operationen Beispiel: "Wir migrieren von Django-Rest-Framework zu FastAPI. Hier sind 4 bestehende DRF-Views, port zu FastAPI."

Die Ergebnisse — zusammengefasst

| Kategorie | Claude Code | Cursor | GPT-5 Codex | |---|---|---|---| | A · Neue Features | 9/10 ✓ | 10/10 ✓ | 8/10 ✓ | | B · Refactoring | 10/10 ✓ | 8/10 ✓ | 7/10 ✓ | | C · Bug-Fixing | 7/10 ✓ | 6/10 ✓ | 9/10 ✓ | | D · Test-Generierung | 10/10 ✓ | 9/10 ✓ | 8/10 ✓ | | E · Multi-File | 9/10 ✓ | 5/10 ✓ | 8/10 ✓ | | Gesamt | 45/50 (90%) | 38/50 (76%) | 40/50 (80%) |

"✓" heißt: Ergebnis ohne mehr als zwei Review-Zyklen brauchbar. Wenn ich mehr als zwei Mal korrigieren musste, zählt es als Fehlschlag.

Die Zeit-Messung

Durchschnitt pro Aufgabe über alle 50:

| Metrik | Claude Code | Cursor | GPT-5 Codex | |---|---|---|---| | Zeit bis brauchbar | 8:42 min | 6:15 min | 10:18 min | | Review-Zyklen bis fertig | 1.3 | 1.6 | 1.8 | | Eigene Korrektur-Zeit (pro Aufgabe) | 2:30 min | 4:45 min | 4:12 min | | Netto-Zeit pro Aufgabe | 11:12 min | 11:00 min | 14:30 min |

Cursor ist in der reinen Output-Geschwindigkeit schneller, aber die höhere Fehlerquote frisst den Vorsprung auf. Claude Code und Cursor kommen netto fast gleich raus. GPT-5 Codex ist sichtbar langsamer.

Was jedes Tool besonders gut macht

Claude Code — die Refactoring-Königin

Bei allen Refactoring-Aufgaben hat Claude Code die besten Ergebnisse geliefert. Es denkt klar in Verantwortungen, erkennt Coupling-Probleme, und schlägt saubere Dekompositionen vor. Der Split des 600-Zeilen-ProductService war bei Claude in einem Wurf brauchbar — die anderen beiden brauchten mindestens zwei Iterationen.

Die Multi-File-Operations sind Claudes andere Stärke. Beim DRF-zu-FastAPI-Port hat Claude alle vier Views in einem Zug migriert und dabei die Authentifizierung konsistent mitgezogen. Cursor hat Auth-Logik vergessen, Codex hat eine View komplett ausgelassen.

Cursor — der schnellste Coder für einfache Aufgaben

Wenn es um neue Features nach bekanntem Muster geht, ist Cursor in der reinen Geschwindigkeit vorn. Die Editor-Integration zeigt direkt an was geändert wird, du siehst Diffs in Echtzeit, akzeptierst oder nicht. Das fühlt sich flüssiger an als bei den anderen.

Was Cursor aber zuverlässig schlechter macht: Multi-File-Operations. Sobald es über den aktiven Editor-Tab hinausgeht, verliert es Kontext. Das ist ein Design-Tradeoff — Cursor optimiert auf "im Editor schnell sein", nicht auf "große Refactorings orchestrieren".

GPT-5 Codex — der Bug-Hunter

Die eine Kategorie wo Codex klar vorn lag: Bug-Fixing aus Stack-Trace. Codex scheint besonders gut darin, Fehler-Ketten zu folgen und die Root-Cause zu finden. In zwei Fällen hat es Bugs identifiziert die Claude und Cursor als "kein Problem in diesem File" abgehakt hatten.

Was Codex deutlich schwächer macht: Anweisung-Treue. Wenn ich explizit gesagt habe "mach nichts außer X", hat Codex trotzdem gerne noch "hilfreiche Nebenänderungen" eingebaut. Das ist frustrierend und gefährlich in kritischen Kontexten.

Die interessante Überraschung

Bei Kategorie C (Bug-Fixing) war GPT-5 Codex besser als beide Claude-basierten Tools. Ich hab das drei Mal gegenprüft weil mir das nicht einleuchtete. Claude hat sogar in zwei Fällen behauptet "das Problem liegt nicht im Code sondern im Aufruf" — was falsch war, der Code hatte einen klaren Bug.

Hypothese: OpenAIs Codex wurde stärker auf Debug-Traces trainiert. Claude wurde stärker auf "saubere Architektur" trainiert. Das zeigt sich in den Stärken.

Die praktische Konsequenz: Wenn du einen nervigen Bug hast den du nicht knackst, ist es einen Versuch wert zu Codex zu wechseln — auch wenn Claude dein Haupt-Tool ist.

Wer sollte was nehmen?

| Dein Kontext | Empfehlung | |---|---| | Solo-Dev der viel refactorn muss | Claude Code | | Team mit bestehendem VSCode-Setup | Cursor (wegen Team-Integration) | | Tief in OpenAI-Stack gebettet | GPT-5 Codex als Dev-Tool | | Kleines Startup mit Sicherheits-Fokus | Claude Code (bester Prompt-Injection-Schutz) | | Legacy-Code-Projekte mit viel Bug-Jagd | GPT-5 Codex primary, Claude für Features | | Nur gelegentliche Coding-Aufgaben | Cursor (niedrigste Einstiegshürde) |

Was kein Tool davon ersetzt

Ich wiederhol mich hier aus dem 60-Tage-Tagebuch: Keins der drei Tools trifft gute Architektur-Entscheidungen. Keins fragt bei Unklarheit zurück. Keins bringt Kontinuität über Tage hinweg.

Die Tools beschleunigen was du sowieso machen würdest. Sie ersetzen nicht das Nachdenken.

Die Rohdaten

Die vollständigen 50 Prompts mit allen drei Outputs plus meine Bewertungs-Notizen stelle ich als CSV bereit: coding-tool-benchmark-2026-04.csv. Wer bei einem bestimmten Test-Case zweifelt kann die exakten Outputs lesen und selbst urteilen.

Weiterlesen

Im 60-Tage-Tagebuch ging's um einen langen Zeitraum mit einem Tool. Dieser Artikel war der direkte Vergleich. Als Nächstes in der Säule: wie du einen eigenen MCP-Server baust um dein bevorzugtes Tool zu erweitern.

Eigene Tool-Vergleiche gefahren, andere Ergebnisse? Im Discord Zone "Coding & Projekte" teilen wir solche Benchmarks.