Codex d'OpenAI : première prise en main

Quelle différence entre Codex et ChatGPT ?

Codex est le nouveau modèle de code d’OpenAI, publié en 2025. Pourtant, les modèles GPT inclus dans l’interface de ChatGPT savent déjà générer du code informatique de bonne qualité. Alors pourquoi utiliser Codex ?

Codex est un véritable agent IA pour la programmation informatique, comparable à Claude Code chez Anthropic, Codestral chez Mistral, ou Composer chez Cursor par exemple. Il se destine plutôt à être utilisé par des développeurs professionnels qui veulent gagner en productivité, les fameux “vibe coders” ou développeurs augmentés par l’IA.

Par exemple les équipes de Temporal, un très puissant orchestrateur de workflows, mentionnent de bons résultats avec Codex.

Découvrons les bases pour commencer avec Codex ainsi qu’un exemple d’utilisation avancée pour tester la qualité du code généré par l’IA de code d’OpenAI.

Par où commencer avec Codex : créer un projet GitHub

Codex peut être utilisé dans un éditeur de texte comme VS Code, Cursor ou Windsurf, ou via sa version web.

Pour découvrir son fonctionnement, commençons par une petite expérimentation directement dans le navigateur.

Pour utiliser la version web de Codex, il faut activer la connexion à GitHub, et aussi ajouter un degré de sécurité supplémentaire dans ChatGPT avec l’authentification double-facteur.

L’authentification sécurisée est importante pour qu’un hacker ne puisse pas générer des malwares en piratant de votre compte OpenAI, ou l’utilise pour attaquer d’autres projets informatiques sur GitHub !

Le mieux est de créer un nouveau projet GitHub à la main et l’initialiser avec un fichier README, et de ne donner accès à Codex qu’à ce projet. Cela évite tout risque d’accès à vos dépôts privés, un problème très réel comme l’a démontrée la faille de sécurité de l’IA GitLab Duo, qui permettait de faire fuiter le code privé des utilisateurs…

Au niveau de l’interface, on appréciera moyennement les mauvaises traductions automatiques typiques d’OpenAI, par exemple “/plan” pour planifier qui devient “forfait” au sens d’un plan d’abonnement, ou “repository” qui devient “référentiel” au lieu de dépôt GitHub… mais passons, c’est un détail par rapport à ce que l’IA générative peut apporter aux développeurs informatiques !

Coder une nouvelle IA avec l’IA : premier essai de Codex sur un projet complexe

Pour cet essai, je vais utiliser Codex pour me former aux bases de l’apprentissage profond.

J’aimerais créer un réseau de neurones en Python, pour observer son fonctionnement réel. Il est bien plus parlant de créer son propre modèle d’IA que de lire un énorme livre sur les fondements théoriques du deep learning !

J’ai choisi un cas d’usage très complexe sur le fond, mais qui devrait pouvoir fonctionner en seulement quelques lignes de code. C’est un bon moyen de tester si Codex peut m’aider dans l’apprentissage de nouvelles technologies, et s’il comprend bien le problème à résoudre au-delà de savoir générer des lignes de code automatiquement.

Ne sachant pas exactement quelle direction prendre, j’active le mode “planification”.

Mon premier prompt pose quelques questions techniques sur la meilleure façon de concevoir mon réseau de neurones profond. Attention, c’est un peu complexe si vous n’êtes pas familiers avec le machine learning.

I want to create an application 
that demoes the training of a basic deep neural network.

The entry of the network is a number below 255. 
The expected output is the same number, + 1. 
So we don't need to prebuild a dataset, 
just generate random numbers, 
and then the expected result should be "input +1".

- Should I use scikit-learn or tensorflow?
- What should be the input size of the network 
(for instance for numbers between 0 and 255 ?) ?
- How many data point do I need?
- What's the most basic architecture I can test, 
I guess a fully connected single layer network?

Ma question n’est pas simple, et pourtant la réponse a été très pertinente, Codex me confirme les choix techniques à privilégier (TensorFlow) et me donne une idée à laquelle je n’avais pas pensé : normaliser les valeurs entre 0 et 1, car les réseaux de neurones n’apprécient pas les grands ensembles de valeurs.

Il m’indique que quelques dizaines de valeurs suffisent pour le test que je veux mener, c’est une bonne nouvelle car la puissance de calcul nécessaire sera négligeable.

Passons à l’implémentation. Je demande tout simplement à Codex de se lancer et créer du code !

Ok, implement a script that demoes the recommended architecture, 
trains over a few dozens values, 
and then computes the error for a test set of a few dozens values. 

Write it in a single Python script. 
We will use uv project manager for installing dependencies.

Fichiers générés par Codex

On peut saluer les précautions prises par Codex au niveau de l’accès à Internet, désactivé par défaut pour éviter les injections de prompt, la vulnérabilité numéro 1 des IA génératives LLM d’après le classement owasp.

Codex ne déclenche pas des installations de packages dans le code qu’il a généré

A-t-on toujours besoin de développeurs informatiques avec l’IA ?

Pour tester ce code, je vais devoir repasser en local en téléchargeant la pull request créée par Codex sur ma machine.

C’est à ce stade que l’on comprend la nécessité d’être développeur : je me suis heurté à des problèmes de version de python (3.13 ne supportant pas la version de tensorflow utilisée dans le projet), résolus après quelques commandes uv.

L’IA assiste les développeurs et développeuses informatiques, elle est très loin de les remplacer !

# Commande pour lancer le script généré par Codex
# Il a fallu changer la version de Python (3.12 au lieu de 3.13)
# uv s'occuppe d'installer toutes les dépendances du script
uv run --python 3.12 ./increment_demo.py

Il est aussi nécessaire de relire le code pour vérifier que l’on n’exécute pas sur son ordinateur un script contenant des paquets malveillants.

Les attaques par la chaîne logistique, c’est-à-dire consistant à s’attaquer à des dépendances open source peu connues du grand public, sont extrêmement populaires aujourd’hui, et les IA génératives y sont particulièrement vulnérables.

L’étape la plus longue aura finalement été le téléchargement du module “tensforflow-cpu” sur mon ordinateur, qui permet d’entraîner un réseau de neurones profond quand on a pas de carte graphique GPU.

Vous pouvez trouver le résultat final sur GitHub.

Conclusion : Cursor, Claude Code, Codestral, Codex, Gemini… lequel choisir ?

La différence entre Codex et ses concurrents paraît finalement assez minime. Tous ont un fonctionnement assez similaire, et je n’ai pas de doute qu’ils puissent générer la petite application testée dans cet exemple.

On peut avoir une préférence personnelle pour un modèle d’IA ou un autre, mais pour la majorité des tâches de développement l’écart est assez faible entre les différents fournisseurs.

Le problème va plutôt résider dans votre capacité à mettre en place les bonnes pratiques pour construire une relation saine avec l’IA. Il faudra configurer votre projet et former votre équipe pour que le code généré réponde à vos critères, soit maintenable, testé automatiquement, lisible par l’humain, exempt de failles de sécurité et ainsi de suite.

Le critère pour choisir votre assistant IA sera peut-être tout simplement votre portefeuille, Codex étant inclus avec l’abonnement payant ChatGPT Plus.

Utiliser un éditeur de texte qui intègre l’IA comme Cursor reste notre recommandation pour apprendre le vibe coding.