GitHub Copilot, Claude Code oder Codex? So würde ich für ein Unternehmen entscheiden
Diese Frage bekomme ich in fast jedem Erstgespräch, meist als „Welcher schreibt den besten Code?“. Das ist die falsche Frage. Alle drei schreiben guten Code, öffnen Pull Requests und können stundenlang allein arbeiten. Was sich wirklich unterscheidet: wo sie leben, wie weit sie ohne Menschen gehen, wie Ihr Security-Team sie steuern kann und wie sie abgerechnet werden. Liegt man bei diesen vier Punkten falsch, hat man am Ende drei Tools, keine zentrale Policy und eine Rechnung, die niemand erklären kann. Das ist der Vergleich, den ich mit Kunden durchgehe, auf Basis der Dokumentation und Changelogs der Anbieter, Stand November 2026, plus die Regeln, die ich für alle drei setze, bevor jemand startet.
11 Min. Lesezeit
1. Die vier Fragen hinter der Wahl
Vor jeder Demo frage ich vier Dinge. Wo lebt Ihre Arbeit: GitHub Enterprise, eine andere Git-Plattform, ChatGPT als KI-Arbeitsplatz der Firma oder das Terminal einiger Plattform-Engineers? Wie autonom soll der Agent sein: Zeilen vervollständigen, ein Ticket als Pull Request abschliessen oder eine Migration stundenlang gegen ein Ziel fahren? Was muss Security zentral erzwingen: gesperrte Befehle, Netzwerkzugriff, erlaubte Modelle und MCP-Server, Audit-Logs im SIEM? Und wie wollen Sie bezahlen: pro Seat, pro Token oder gemischt mit Budgets pro Team? Die Antworten zeigen meist innerhalb von zehn Minuten auf ein Haupt-Tool. Benchmarks zählen weniger, als viele denken, denn alle drei Anbieter bringen alle paar Monate neue Modelle, während Integrations- und Governance-Entscheidungen jahrelang bei Ihnen bleiben.
2. GitHub Copilot: am nächsten an Ihren Repositories
Wenn Code und Reviews in GitHub leben, ist Copilot der einfachste Start. Sein Cloud-Agent nimmt ein Issue, arbeitet in einer kurzlebigen GitHub-Actions-Umgebung, deren Internetzugang über eine Firewall mit empfohlener Allowlist läuft, pusht nur auf seinen eigenen copilot/-Branch und öffnet einen Pull Request. Laut GitHubs Doku zu Risiken und Gegenmassnahmen kann er seinen eigenen Pull Request weder als bereit markieren noch genehmigen oder mergen, Workflows warten auf die Freigabe durch jemanden mit Schreibrechten, und bestehende Branch Protection und Pflicht-Checks gelten weiter. Governance ist Copilots Stärke. Die Agent Control Plane ist seit dem 26. Februar 2026 allgemein verfügbar, mit Audit-Log-Einträgen, die Agenten-Aktionen kennzeichnen und festhalten, für wen der Agent gehandelt hat, plus Events auf Session-Ebene. Seit dem 9. September erlauben Enterprise Managed Permissions Admins von Business und Enterprise, Shell-Befehle, Datei-Lese- und Schreibzugriffe und Netzwerk-Domains als gesperrt, freigabepflichtig oder erlaubt zu markieren, in der Copilot-App, der Copilot CLI und in VS-Code-Sessions mit Agent Host, und Nutzer können sie nicht abschwächen. Die Abrechnung läuft seit dem 1. Juni über GitHub AI Credits: Business bleibt bei 19 und Enterprise bei 39 Dollar pro Nutzer und Monat, jeweils mit demselben Betrag an Credits, organisationsweit gepoolt, mit Budgets auf Enterprise-, Kostenstellen- und Nutzerebene.
Tipp aus der Praxis
Seit September kann das Copilot-Code-Review Pull Requests genehmigen, standardmässig ausgeschaltet. Für alles, worauf die Branch Protection baut, lasse ich es aus: Eine Freigabe sollte von einer Person kommen, die für die Änderung geradesteht.
3. Claude Code: die tiefsten Agenten-Workflows
Claude Code ist am stärksten bei langer, autonomer Engineering-Arbeit: Es läuft im Terminal, in der IDE, in der Desktop-App und in der Cloud und hat die vollständigste Auswahl an Wegen, ohne Sie weiterzuarbeiten, mit /goal bis zu einer prüfbaren Bedingung, /loop während Sie arbeiten und Cloud Scheduled Tasks, ausgelöst per Zeitplan, API-Aufruf oder GitHub-Event. Hooks führen eigene Prüfungen vor oder nach Tool-Aufrufen aus. Für die Governance beschreibt die Managed-Settings-Doku drei Wege: eine managed-settings.json in einem Systemverzeichnis, eine MDM- oder Betriebssystem-Policy oder serververwaltete Einstellungen aus der Admin-Konsole von claude.ai, die auch Cloud-Sessions erreichen. Managed Settings stehen ganz oben in der Rangfolge. Typische Schlüssel sind Deny-Regeln, disableBypassPermissionsMode, allowManagedPermissionRulesOnly, damit nur die Allow-Regeln der Organisation zählen, allowManagedHooksOnly, Allow- und Deny-Listen für MCP-Server und availableModels. Preislich startet Team bei 20 Dollar pro Standard-Seat und 100 Dollar pro Premium-Seat und Monat bei jährlicher Abrechnung, und Enterprise kostet 20 Dollar pro Seat plus Nutzung zu API-Preisen, mit SCIM, Audit-Logs, Ausgabenlimits und einer Compliance-API.
{
"permissions": {
"deny": ["Read(./.env)", "Read(./secrets/**)", "Bash(kubectl delete *)"],
"disableBypassPermissionsMode": "disable"
},
"allowManagedPermissionRulesOnly": true,
"allowManagedHooksOnly": true,
"availableModels": ["opus", "sonnet", "haiku"]
}4. Codex: für Teams, die in ChatGPT leben
Codex ist in den ChatGPT-Plänen enthalten und läuft in der ChatGPT-Desktop-App, der CLI, der IDE-Erweiterung und als Cloud-Tasks. Es hat einen Goal Mode, und seit der DevDay im September können Dots, OpenAIs immer aktive Agenten, selbst Codex-Tasks anlegen und fortsetzen. Wenn Ihre Firma ChatGPT Business oder Enterprise ohnehin als KI-Arbeitsplatz nutzt, bedeutet Codex keinen neuen Anbieter, eine Identität und gemeinsame Nutzung. Die Governance läuft über zwei Ebenen aus OpenAIs Doku: config.toml für persönliche Voreinstellungen und requirements.toml, verwaltet unter Agent Security, die Approval Policies, Sandbox-Modi, Berechtigungsprofile, Websuche, Hooks und die von Nutzern aktivierbaren MCP-Server begrenzt. Business kostet 20 Dollar pro Nutzer und Monat bei jährlicher Abrechnung, mit SAML-SSO und standardmässig ohne Training auf Geschäftsdaten; Enterprise und Edu gibt es auf Angebot. Für CI läuft Codex auch mit API-Key zu API-Preisen, ohne die Cloud-Funktionen.
5. Im direkten Vergleich
Nebeneinander gestellt geht es um Ort, Tiefe und Kontrolle. Copilot läuft dort, wo GitHub ist: der Cloud-Agent in GitHub Actions, dazu Copilot-App, CLI und IDE; die Admin-Kontrollen sind der Tab AI Controls, die Agent Control Plane mit Audit-Logs und die Enterprise Managed Permissions; abgerechnet wird pro Seat mit enthaltenen AI Credits und Budgets; am besten passt es zu einer Firma, die auf GitHub standardisiert ist und Agenten in ihren bestehenden Review-Prozess holen will. Claude Code läuft im Terminal, in der IDE, auf dem Desktop und in Anthropics Cloud; die Kontrollen sind Managed Settings per Datei, MDM oder Admin-Konsole, dazu Audit-Logs und Ausgabenlimits in Enterprise; abgerechnet wird pro Team- oder Enterprise-Seat, bei Enterprise mit Nutzung zu API-Preisen; am besten passt es zu Plattform- und DevOps-Engineers mit langer, autonomer Arbeit. Codex läuft in der ChatGPT-Desktop-App, in CLI, IDE und Cloud, mit Dots obendrauf; die Kontrollen sind requirements.toml, die Workspace-Policy und die Compliance-API mit Audit-Events; abgerechnet wird über ChatGPT-Pläne oder API-Keys; am besten passt es zu einer Firma, deren Leute ohnehin in ChatGPT arbeiten. Mit der Tabelle unten filtern Sie nach dem, was Ihnen wichtig ist.
Interaktiv
Die drei im direkten Vergleich
Wählen Sie, was Ihnen am wichtigsten ist. Stand November 2026, aus Doku und Changelogs der Anbieter (siehe Quellen).
6. Regeln, die für alle drei gelten
Egal, was Sie wählen, dieselben fünf Regeln tragen den grössten Teil der Risikominderung. Eine Anweisungsdatei pro Repository, AGENTS.md, CLAUDE.md oder .github/copilot-instructions.md, über CODEOWNERS im Besitz des Plattform-Teams, denn diese Dateien ändern, was ein Agent tut. Agenten arbeiten nur auf Branches, mit Branch Protection oder Rulesets und Pflicht-Status-Checks, damit ein Agent nichts mergen kann, was die CI nicht bestanden hat. Ein Mensch merged, und die Person, die den Agenten beauftragt hat, ist nicht die einzige Freigabe. Keine Produktions-Zugangsdaten auf einem Rechner oder in einer Umgebung, in der ein Agent läuft; Agenten bekommen eng begrenzte, kurzlebige Tokens für genau die Systeme, die sie brauchen. Und jede Agenten-Aktion wird dort protokolliert, wo Ihr Security-Team ohnehin hinschaut: Copilots Audit-Log und Session-Streaming, die Enterprise-Audit-Logs von Claude Code, die Compliance-API und Audit-Events von ChatGPT für Codex. Wer nicht beantworten kann, „welcher Agent hat diese Zeile für wen geändert, und wer hat es freigegeben“, ist nicht bereit zu skalieren.
# .github/CODEOWNERS
# Instruction and agent config files change what agents do: platform team owns them.
AGENTS.md @your-org/platform
CLAUDE.md @your-org/platform
.github/copilot-instructions.md @your-org/platform
.claude/ @your-org/platform
.codex/ @your-org/platform
.github/workflows/ @your-org/platformTipp aus der Praxis
Machen Sie „Review durch Code Owners erforderlich“ zum Teil der Branch-Regel, sonst schlägt CODEOWNERS Reviewer nur vor, und die Änderung eines Agenten an seiner eigenen Anweisungsdatei kann durchrutschen.
7. Meine übliche Empfehlung und wie man sie pilotiert
Wählen Sie nicht ein Tool für alle. Geben Sie dem ganzen Entwicklungsteam das, was zu Ihrer Plattform passt, meist Copilot, wenn Sie auf GitHub Enterprise sind, oder Codex, wenn ChatGPT schon Ihr KI-Arbeitsplatz ist, und geben Sie den Plattform- und DevOps-Engineers den tiefsten Agenten für lange, autonome Arbeit, in meinen Projekten oft Claude Code. Dann fahren Sie einen vierwöchigen Pilot, der vergleicht, keine Demo, die beeindruckt: dieselben 20 bis 30 echten Tickets auf zwei Tools, aufgeteilt nach Typ (Bugfixes, Dependency-Upgrades, kleine Features, Testreparaturen). Messen Sie die Durchlaufzeit vom Ticket bis zur gemergten Änderung, Review-Minuten pro Pull Request, wie oft eine Änderung Nacharbeit brauchte, und die Kosten pro gemergter Änderung aus den Nutzungsdaten jedes Anbieters. Setzen Sie die zentralen Policies vor dem Pilot, nicht danach, damit Sie die Tools in der Konfiguration messen, die Sie wirklich betreiben würden. Meiner Erfahrung nach ist die Entscheidung nach Woche drei offensichtlich, und selten die, die die lauteste Person im ersten Meeting vorhergesagt hat.
Fazit
Das Tool zählt weniger als die Regeln darum: Wählen Sie nach dem Ort, an dem Ihr Team arbeitet, sichern Sie es zentral ab und lassen Sie dann die Pilotdaten entscheiden.
Echte Projekte dazu
Selbst ausprobieren
Quellen und offizielle Leitfäden
- GitHub Changelog: Enterprise managed permissions for Copilot agent operations (9 Sep 2026)
- GitHub Changelog: Enterprise AI Controls & agent control plane GA (26 Feb 2026)
- GitHub Docs: Copilot cloud agent risks and mitigations
- GitHub Blog: Copilot is moving to usage-based billing
- Claude Code docs: Managed settings
- Claude pricing: Team and Enterprise
- OpenAI Codex docs: Managed configuration
- OpenAI Codex docs: Pricing
Weitere Artikel
- 3'025 Pull Requests in zehn Monaten: ein KI-gestützter Delivery-Prozess von innen
- Der EU AI Act für den Mittelstand: was für Sie gilt, und ab wann
- FinOps für KI-Kosten: Tokens, Caching, Routing und Budgets, die halten
- Ein Restaurant-Netzwerk in KI-Antworten sichtbar machen: ein GEO-Projekt Schritt für Schritt
- Wie diese Website gebaut ist: statisch, wo es geht, streamend, wo es muss
- Kubernetes-Kosten auf EKS und GKE: dasselbe Playbook, andere Hebel
- Eine Landing Zone für den Mittelstand, in Terraform oder Bicep: die Teile, die zählen
- Das Playbook für Legacy-Migrationen: Wellen, Parallelbetrieb und identische Zeilenzahlen und Prüfsummen
- MCP-Sicherheit im Detail: KI-Assistenten ins Produkt lassen, ohne die Türen zu öffnen
- Monitoring auf Geschäftsergebnisse: grüne Dashboards, leere Kasse
- KI-Agenten am Telefon: die Architektur, und die Stolperfallen, die keine Demo zeigt
- Restore-Tests: Ein Backup, das nie wiederhergestellt wurde, ist nur eine Hoffnung
- KI-Antworten auf Azure Static Web Apps streamen: der eine Header, der alles zurückhielt
- Einen KI-Assistenten für WhatsApp bauen, von Anfang bis Ende: was es über die Demo hinaus braucht
- Air-gapped-Systeme: kritische Software ganz ohne Internet betreiben
- Produktive KI auf AWS: Amazon Bedrock und AgentCore in einem privaten Setup
- Produktive KI auf Microsoft Foundry: ein privates Referenz-Setup für Agenten
- /goal, /loop oder Routines: Hören Sie auf, Ihren Coding-Agenten zu babysitten
- Claudes neue Pläne: Max, Ultra und was sie für Teams bedeuten
- OpenAI Codex Ende 2026: Goal Mode, Dots und wie man es absichert
- GEO-Grundlagen: So erscheinen Sie in KI-Antworten
- Produktive KI auf Google Cloud: von Vertex AI zur Gemini Enterprise Agent Platform
- Lokale LLMs im Air-Gap-Netz: KI für Ihre sensibelsten Daten
- Ich will ein lokales LLM betreiben: Welchen Server soll ich kaufen?
- MiniMax M3: ein offenes Spitzenmodell zum Selbstbetreiben?
- Prompt-Research im grossen Stil mit einem offenen Modell
- SEO und GEO zusammen: ein praktisches Audit in 6 Schritten
- Kubernetes richtig dimensionieren: das Playbook, mit dem ein Cluster von 7 auf 4 Nodes kam
- Private KI für sensible Daten: ein lokales LLM-Setup, das durch die Sicherheitsprüfung kommt
- Vom KI-Prototyp zur Produktion: die acht Schichten, die ich ergänze, in dieser Reihenfolge
