Ich nutze Milliarden von Codex-Token. Hier ist mein Setup und das habe ich gelernt.
Viele Leute unterschätzen massiv, was Codex kann. Selbst einige meiner Kollegen nutzen Codex noch nicht voll aus, aber sie sind begierig darauf, zu experimentieren, sobald man ihnen ambitionierte Anwendungsfälle zeigt. Deshalb wollte ich das hier aufschreiben und breiter teilen, in der Hoffnung, dass es mehr Leute inspiriert.
In diesem Beitrag teile ich mein einfaches Setup und bespreche einige Killer-Anwendungsfälle, bei denen ich regelmäßig Hunderte Millionen Token verbrauche. Insgesamt habe ich diesen Monat 10.000 $ für API-Kosten ausgegeben, was mich zu einem der produktivsten Nutzer in meinem Team macht. Absolut lohnenswert.
Abschließend reflektiere ich, wie Organisationen meiner Meinung nach in naher Zukunft deutlich effizienter werden könnten.
Kontinuierliche Notizen
Mein persönliches Setup ist unglaublich einfach: Git-Worktrees, viele Shell-Fenster und eine VSCode-Instanz pro Worktree, damit ich Code-Änderungen durchstöbern kann. Im Grunde bekommt man dieses Setup standardmäßig in der neuen Codex-App. Lasst euch nicht von übertrieben ausgefeilten Tools blenden.
Der große Durchbruch war, Codex dazu zu bringen, seine eigenen Arbeitsabläufe kontinuierlich zu dokumentieren und zu verbessern. Das habe ich für mein persönliches Setup komplett selbst zusammengebastelt. Codex wird bei Aufgaben, die ich damit erledige, stetig besser und schneller, einfach weil ich die Angewohnheit habe, es zu bitten, Notizen zu machen und sich zu verbessern. Während der Arbeit speichert Codex Notizen und Helfer in meinem persönlichen Ordner in unserem Monorepo. Nach ein paar Interaktionen mit einem neuen Teil der Codebasis stabilisieren sich diese Helfer normalerweise. Ich habe diese Notizen nie wirklich gelesen, ihr Nutzen für mich liegt einzig in der Wirkung auf die Leistung von Codex.
Da mein Setup nun in der Lage ist, Wissen über Sitzungen hinweg zu akkumulieren, habe ich mich wohlgefühlt, die Aufgaben, für die ich es nutze, zu skalieren. Lass uns in zwei Aufgaben eintauchen, für die ich kürzlich Hunderte Millionen Token ausgegeben habe.
Skalierung der Forschung
Forschung geht schnell voran. Experimente sind teuer und leicht falsch zu konfigurieren, daher ist es entscheidend, über die neuesten Erkenntnisse und Fallstricke informiert zu sein. Glücklicherweise ist Codex eine erstaunliche Suchmaschine.
Wenn ich schnell ein einmaliges Experiment in einem Teil der Codebasis implementieren möchte, den ich nicht kenne, lasse ich Codex umfassende Sorgfalt walten. Codex durchsucht relevante Slack-Kanäle, liest verwandte Diskussionen, holt experimentelle Branches aus diesen Diskussionen und pickt nützliche Änderungen für mein Experiment heraus. All dies wird in einem umfangreichen Satz von Notizen zusammengefasst, mit Links zurück zu den Fundstellen. Mithilfe dieser Notizen verdrahtet Codex das Experiment und trifft eine Reihe von Hyperparameter-Entscheidungen, die ich ohne viel mehr Aufwand unmöglich treffen könnte.
Eine zweite Meinung einzuholen, erhöht mein Vertrauen in das, was ich ausliefere, enorm. In Umgebungen, in denen Fehler teuer sind, möchte man einen unglaublich sorgfältigen Suchagenten mit hohem Recall. Codex erfüllt dieses Bedürfnis für mich regelmäßig.
Programmieragenten sind auch großartig für die Datenanalyse und haben es sehr einfach gemacht, schnell Erkenntnisse aus Daten zu gewinnen. Derzeit besteht der eigentliche Engpass darin, herauszufinden, was analysiert werden soll.
Kürzlich habe ich einige unserer Modellverhaltensbemühungen mit Codex aggressiv skaliert. Mir wurde klar, dass unser interner Slack voller Diskussionen, Berichte und Daten zu verschiedenen Arten von Modellverhalten ist, die wir vielleicht strenger testen wollen. Ich habe Codex verwendet, um die entsprechenden Kanäle zu lokalisieren und umfassend zu durchsuchen und Beschreibungen von testbaren Hypothesen zu generieren. Neben dem Lesen von Slack hat es sich Screenshots angesehen, die Leute geteilt haben, Dokumente zum Modellverhalten abgerufen und Tabellenkalkulationen durchforstet. Über mehrere Stunden hinweg führte dies zu über 700 neuen Hypothesen, die derzeit unser Verständnis von Modellverhalten und Benutzerpräferenzen verbessern.
Der größte Teil dieser Arbeit wurde mit GPT-5.2 erledigt, aber ich teste seit ein paar Tagen das neue GPT-5.3-Codex-Modell. Meine täglich verbrauchten Token steigen, was ich locker mit meiner Produktivität korreliere.
Ich finde, dass GPT-5.3-Codex besonders gut darin ist, mehrere Unteragenten gleichzeitig zu verwalten. Außerdem fühlt sich die gesamte Unteragenten-Erfahrung durch die jüngsten Geschwindigkeitssteigerungen im Codex-Stack viel flotter an.
Mein Workflow verlagert sich derzeit dahin, nur noch mit einem Agenten zu sprechen, der wiederum eine Schar von Agenten orchestriert, um Slack-Recherche, Code-Recherche, Code-Schreiben und Data Science zu erledigen. Dies reduziert die Anzahl der Kontextwechsel, die ich vornehmen muss, um meine Arbeit durch Agenten zu parallelisieren, drastisch. Wenn ich jedoch eine entscheidende Aufgabe erledigen muss, spreche ich immer noch direkt mit diesem spezifischen Unteragenten.
Auswirkungen auf die Gesellschaft
Diese Arbeitsabläufe offenbaren etwas Grundlegendes darüber, wie Organisationen funktionieren können. In beiden meiner Anwendungsfälle habe ich organisationsübergreifenden Wissenstransfer ohne manuelle Koordination erreicht. Keine Meetings, keine E-Mails, kein Herumfragen. Ich habe Codex einfach auf das Problem angesetzt und es hat Wissen von Dutzenden von Menschen aggregiert, die nicht einmal wussten, dass sie zu meinem Anliegen beitragen.
Ich kann nicht anders, als darüber nachzudenken, wie sich dies auf die Gesellschaft auswirken wird. Traditionell zahlen Organisationen eine Art Kopfsteuer: Mehr Leute hinzuzufügen erhöht die Gesamtleistung, aber jeder zusätzliche Mensch trägt weniger bei, weil der Koordinationsaufwand steigt. Das ist ein riesiges Problem. Moderne Organisationen nutzen Tools wie unstrukturierte Kommunikationskanäle (Slack, Teams), gemeinsame Codebasen und zentralisierte Dokumentation, um dies abzumildern, aber es gibt immer noch massive Reibungsverluste. Das Auffinden des richtigen Kontexts für eine bestimmte Entscheidung erfordert immer noch erheblichen menschlichen Aufwand.
Mit der heute verfügbaren Technologie können wir die gesamte Informationslandschaft einer Organisation durchqueren und relevanten Kontext bei Bedarf synthetisieren. Wir können einen echten Einfluss auf die Ineffizienzen nehmen, unter denen jede Organisation auf dem Planeten leidet.
Ich glaube, dass unsere modernen Institutionen so viel effizienter gemacht werden können, und es stellt sich heraus, dass wir vielleicht nur fragen müssen.
