Uso billones de tokens de codex. Aquí está mi configuración y lo que aprendí.
Mucha gente subestima drásticamente lo que codex puede hacer. Incluso algunos de mis colegas todavía infrautilizan codex, pero están ansiosos por experimentar cuando les muestras casos de uso ambiciosos. Por eso, quería escribir algo y compartirlo más ampliamente, con la esperanza de inspirar a más personas.
En este artículo, compartiré mi sencilla configuración y hablaré de algunos casos de uso increíbles, en los que asigno rutinariamente cientos de millones de tokens. En total, gasté 10.000 dólares en costes de API este mes, lo que me convierte en uno de los usuarios más prolíficos de mi equipo. Totalmente vale la pena.
Finalmente, reflexiono sobre cómo creo que las organizaciones podrían volverse significativamente más eficientes en un futuro cercano.
Toma de notas continua
Mi configuración personal es increíblemente simple: git worktrees, muchas ventanas de shell y una instancia de VSCode por worktree para poder navegar por los cambios de código. Básicamente obtienes esta configuración directamente en la nueva aplicación de codex. No te dejes engañar por herramientas demasiado sofisticadas.
El gran avance fue lograr que codex documentara y mejorara continuamente sus propios flujos de trabajo. Esto es algo que improvisé completamente para mi configuración personal. Codex mejora constantemente y se vuelve más rápido en las tareas que uso, simplemente porque tengo el hábito de pedirle que tome notas y mejore. Mientras trabajo, codex guarda notas y ayudas en mi carpeta personal dentro de nuestro monorepo. Después de algunas interacciones con una nueva parte del código, estas ayudas tienden a estabilizarse. Nunca he leído esas notas; su utilidad para mí es puramente el efecto en el rendimiento de codex.
Con mi configuración ahora capaz de acumular conocimiento entre sesiones, me sentí cómodo escalando las tareas para las que lo usaba. Vamos a sumergirnos en dos tareas en las que recientemente gasté cientos de millones de tokens.
Investigación a escala
La investigación avanza rápido. Los experimentos son costosos y fáciles de configurar mal, por lo que mantenerse al tanto de los hallazgos y los errores más recientes es crucial. Por suerte, codex es un motor de búsqueda increíble.
Cuando quiero implementar rápidamente un experimento único en una parte del código que no conozco, le pido a codex que haga una debida diligencia exhaustiva. Codex explora los canales de Slack relevantes, lee discusiones relacionadas, obtiene ramas experimentales de esas discusiones y selecciona cambios útiles para mi experimento. Todo esto se resume en un conjunto extenso de notas, con enlaces a dónde se encontró cada información. Usando estas notas, codex conecta el experimento y toma una serie de decisiones de hiperparámetros que yo no podría tomar sin mucho más esfuerzo.
Pedir una segunda opinión aumenta enormemente mi confianza en lo que estoy produciendo. En situaciones donde los errores son costosos, quieres un agente de búsqueda increíblemente diligente y con alta sensibilidad. Codex satisface esa necesidad rutinariamente.
Los agentes de codificación también son excelentes para el análisis de datos, y han hecho que sea muy fácil obtener información rápidamente a partir de los datos. Actualmente, el verdadero cuello de botella es decidir qué analizar.
Recientemente, escalé agresivamente algunos de nuestros esfuerzos de comportamiento de modelos usando codex. Me di cuenta de que nuestro Slack interno está lleno de discusiones, informes y datos, todos relacionados con diferentes tipos de comportamiento de modelos que quizás querríamos probar de forma más rigurosa. Usé codex para localizar y rastrear extensivamente los canales apropiados y generar descripciones de hipótesis comprobables. Además de leer Slack, revisó capturas de pantalla que la gente compartió, extrajo documentos relacionados con el comportamiento de modelos y navegó por hojas de cálculo. En el transcurso de varias horas, esto resultó en más de 700 nuevas hipótesis que actualmente están mejorando nuestra comprensión del comportamiento de los modelos y las preferencias de los usuarios.
La mayor parte de este trabajo se hizo con GPT-5.2, pero he estado probando el nuevo modelo GPT-5.3-codex desde hace unos días. Mis tokens usados por día están aumentando, lo que creo que se correlaciona libremente con mi productividad.
Encuentro que GPT-5.3-codex es particularmente bueno gestionando múltiples subagentes de forma concurrente. Además, las recientes aceleraciones en la pila de codex hacen que toda la experiencia con subagentes se sienta mucho más ágil.
Mi flujo de trabajo actualmente se está moviendo hacia hablar solo con un agente, que a su vez orquesta un batallón de agentes para hacer investigación en Slack, investigación de código, escritura de código y ciencia de datos. Esto reduce drásticamente la cantidad de cambios de contexto que necesito hacer para paralelizar mi trabajo a través de agentes. Sin embargo, cuando necesito hacer una tarea crucial, todavía opto por hablar directamente con ese subagente específico.
Implicaciones para la sociedad
Estos flujos de trabajo revelan algo fundamental sobre cómo pueden operar las organizaciones. En ambos casos de uso, logré una transferencia de conocimiento integral entre organizaciones sin coordinación manual. Sin reuniones, sin correos electrónicos, sin preguntar por ahí. Simplemente apunté a codex al problema y agregó conocimiento de docenas de personas, que ni siquiera sabían que estaban contribuyendo a mi causa.
No puedo evitar preguntarme cómo impactará esto en la sociedad. Tradicionalmente, las organizaciones pagan un impuesto por número de empleados: añadir más personas aumenta la producción total, pero cada persona adicional contribuye menos porque la sobrecarga de coordinación crece. Esto es un gran problema. Las organizaciones modernas utilizan herramientas como canales de comunicación no estructurados (Slack, Teams), bases de código compartidas y documentación centralizada para mitigar esto, pero aún hay una fricción enorme. Encontrar el contexto adecuado para cualquier decisión todavía requiere un esfuerzo humano significativo.
Con la tecnología disponible hoy, podemos recorrer todo el panorama de información de una organización y sintetizar el contexto relevante bajo demanda. Podemos reducir significativamente las ineficiencias de las que sufre toda organización del planeta.
Creo que nuestras instituciones modernas pueden volverse mucho más eficientes, y resulta que quizás solo necesitemos preguntar.
