J'utilise des milliards de jetons codex. Voici ma configuration et ce que j'ai appris.
Beaucoup de gens sous-estiment considérablement ce que codex peut faire. Même certains de mes collègues sous-utilisent encore codex, mais ils sont impatients d'expérimenter dès qu'on leur montre des cas d'usage ambitieux. J'ai donc voulu écrire quelque chose et le partager plus largement, dans l'espoir d'inspirer davantage de personnes.
Dans cet article, je vais partager ma configuration simple et discuter de quelques cas d'usage imparable, où j'alloue régulièrement des centaines de millions de tokens. Au total, j'ai dépensé 10 000 $ en frais d'API ce mois-ci, ce qui fait de moi l'un des utilisateurs les plus prolifiques de mon équipe. Ça en vaut vraiment la peine.
Enfin, je réfléchis à la manière dont les organisations pourraient devenir beaucoup plus efficaces dans un avenir proche.
Prise de notes continue
Ma configuration personnelle est incroyablement simple : des git worktrees, plusieurs fenêtres de terminal, et une instance VSCode par worktree pour pouvoir parcourir les modifications de code. Vous obtenez essentiellement cette configuration prête à l'emploi dans la nouvelle application codex. Ne vous laissez pas tenter par des outils trop sophistiqués.
La grande avancée a été de faire en sorte que codex documente et améliore continuellement ses propres processus. C'est quelque chose que j'ai entièrement bricolé pour ma configuration personnelle. Codex devient systématiquement meilleur et plus rapide pour les tâches que je lui confie, simplement parce que j'ai l'habitude de lui demander de prendre des notes et de s'améliorer. Pendant le travail, codex enregistre des notes et des assistants dans mon dossier personnel au sein de notre monorepo. Après quelques interactions avec une nouvelle partie du code source, ces assistants ont tendance à se stabiliser. Je n'ai jamais lu ces notes, leur utilité pour moi réside uniquement dans l'effet sur les performances de codex.
Avec ma configuration désormais capable de capitaliser les connaissances d'une session à l'autre, je me suis senti à l'aise pour étendre les tâches que je lui confiais. Parlons de deux tâches sur lesquelles j'ai récemment dépensé des centaines de millions de tokens.
Passage à l'échelle de la recherche
La recherche évolue vite. Les expériences sont coûteuses et faciles à mal configurer, il est donc crucial de rester informé des dernières découvertes et des pièges à éviter. Heureusement, codex est un moteur de recherche étonnant.
Quand je veux rapidement implémenter une expérience ponctuelle dans une partie du code source que je ne connais pas, je demande à codex de faire une vérification approfondie. Codex explore les canaux Slack pertinents, lit les discussions associées, récupère les branches expérimentales issues de ces discussions, et sélectionne les modifications utiles pour mon expérience. Tout cela est résumé dans un ensemble de notes détaillées, avec des liens vers l'origine de chaque information. En utilisant ces notes, codex met en place l'expérience et prend une série de décisions sur les hyperparamètres que je ne pourrais pas prendre sans beaucoup plus d'efforts.
Demander un second avis augmente considérablement ma confiance dans ce que je livre. Dans des contextes où les erreurs coûtent cher, vous voulez un agent de recherche extrêmement consciencieux et à haut rappel. Codex répond régulièrement à ce besoin.
Les agents de codage sont également excellents pour l'analyse de données, et ils ont rendu très facile l'obtention rapide d'informations à partir des données. Actuellement, le vrai goulot d'étranglement consiste à déterminer quoi analyser.
Récemment, j'ai intensifié certains de nos efforts sur le comportement des modèles en utilisant codex. Je me suis rendu compte que notre Slack interne regorge de discussions, de rapports et de données tous liés à différents types de comportements de modèles que nous pourrions vouloir tester plus rigoureusement. J'ai utilisé codex pour localiser et explorer en profondeur les canaux appropriés, et générer des descriptions d'hypothèses testables. Au-delà de la lecture de Slack, il a examiné les captures d'écran partagées, extrait des documents liés au comportement des modèles, et navigué dans des feuilles de calcul. En plusieurs heures, cela a abouti à plus de 700 nouvelles hypothèses qui améliorent actuellement notre compréhension du comportement des modèles et des préférences des utilisateurs.
La majeure partie de ce travail a été effectuée avec GPT-5.2, mais je teste le nouveau modèle GPT-5.3-codex depuis quelques jours. Mes tokens utilisés par jour augmentent, ce qui, je pense, est en corrélation lâche avec ma productivité.
Je trouve que GPT-5.3-codex est particulièrement bon pour gérer plusieurs sous-agents simultanément. De plus, les récentes accélérations de la pile codex rendent l'expérience des sous-agents beaucoup plus réactive.
Mon flux de travail évolue actuellement vers le fait de ne parler qu'à un seul agent, qui orchestre à son tour un bataillon d'agents pour faire des recherches sur Slack, des recherches de code, de l'écriture de code et de la science des données. Cela réduit considérablement le nombre de changements de contexte que je dois effectuer pour paralléliser mon travail via des agents. Cependant, lorsque j'ai une tâche cruciale à accomplir, je choisis encore de parler directement à ce sous-agent spécifique.
Implications pour la société
Ces flux de travail révèlent quelque chose de fondamental sur la façon dont les organisations peuvent fonctionner. Dans mes deux cas d'usage, j'ai réalisé un transfert de connaissances transversal complet sans coordination manuelle. Pas de réunions, pas d'e-mails, pas de demande d'informations. J'ai simplement pointé codex vers le problème et il a agrégé les connaissances de dizaines de personnes, qui ne savaient même pas qu'elles contribuaient à mon objectif.
Je ne peux m'empêcher de me demander quel sera l'impact sur la société. Traditionnellement, les organisations paient une « taxe sur les effectifs » : ajouter plus de personnes augmente la production totale, mais chaque personne supplémentaire contribue moins car les frais de coordination augmentent. C'est un énorme problème. Les organisations modernes utilisent des outils comme les canaux de communication non structurés (Slack, Teams), les bases de code partagées et la documentation centralisée pour atténuer cela, mais il y a encore des frictions massives. Trouver le bon contexte pour une décision donnée nécessite encore un effort humain important.
Avec la technologie disponible aujourd'hui, nous pouvons désormais parcourir l'ensemble du paysage informationnel d'une organisation et synthétiser le contexte pertinent à la demande. Nous pouvons réduire considérablement les inefficacités dont souffrent toutes les organisations de la planète.
Je crois que nos institutions modernes peuvent être rendues tellement plus efficaces, et il s'avère que nous n'avons peut-être qu'à le demander.
