¿GitHub Copilot, Claude Code o Codex? Cómo elegiría para una empresa
Me hacen esta pregunta en casi todas las primeras llamadas, casi siempre así: «¿cuál escribe mejor código?». Es la pregunta equivocada. Los tres escriben buen código, abren pull requests y pueden trabajar solos durante horas. Lo que de verdad cambia es dónde viven, hasta dónde llegan sin una persona, cómo puede controlarlos tu equipo de seguridad y cómo se facturan. Si fallas en esos cuatro puntos, acabas con tres herramientas, ninguna política central y una factura que nadie sabe explicar. Esta es la comparación que repaso con clientes, basada en la documentación y los changelogs de los propios fabricantes a noviembre de 2026, más las reglas que pongo a los tres antes de que nadie empiece.
11 min de lectura
1. Las cuatro preguntas detrás de la elección
Antes de cualquier demo pregunto cuatro cosas. ¿Dónde vive tu trabajo: GitHub Enterprise, otra plataforma Git, ChatGPT como espacio de IA de la empresa o el terminal de unos pocos ingenieros de plataforma? ¿Cuánta autonomía debe tener el agente: completar líneas, terminar un ticket en un pull request o ejecutar una migración durante horas contra un objetivo? ¿Qué tiene que imponer seguridad de forma central: comandos bloqueados, acceso a red, qué modelos y servidores MCP se permiten, logs de auditoría en el SIEM? ¿Y cómo quieres pagar: por puesto, por token o una mezcla con presupuestos por equipo? Las respuestas suelen señalar una herramienta principal en diez minutos. Los benchmarks importan menos de lo que se cree, porque los tres fabricantes sacan modelos nuevos cada pocos meses, mientras que las decisiones de integración y gobierno se quedan contigo durante años.
2. GitHub Copilot: lo más cerca de tus repositorios
Si tu código y tus revisiones viven en GitHub, Copilot es el inicio más sencillo. Su agente en la nube toma un issue, trabaja en un entorno efímero de GitHub Actions cuyo acceso a internet pasa por un cortafuegos con una lista de permitidos recomendada, sube solo a su propia rama copilot/ y abre un pull request. Según la documentación de riesgos y mitigaciones de GitHub, no puede marcar su propio pull request como listo, aprobarlo ni fusionarlo, los workflows esperan a que alguien con permiso de escritura los apruebe, y la protección de ramas y las comprobaciones obligatorias siguen aplicándose. El gobierno es el punto fuerte de Copilot. El agent control plane está disponible de forma general desde el 26 de febrero de 2026, con entradas en el log de auditoría que marcan las acciones del agente y registran en nombre de quién actuó, además de eventos por sesión. Desde el 9 de septiembre, los enterprise managed permissions permiten a los administradores de Business y Enterprise marcar comandos de shell, lecturas y ediciones de archivos y dominios de red como bloqueados, con aprobación obligatoria o permitidos, en la app de Copilot, la Copilot CLI y las sesiones de VS Code con Agent Host, y los usuarios no pueden debilitarlos. La facturación pasó a GitHub AI Credits el 1 de junio: Business sigue en 19 dólares y Enterprise en 39 dólares por usuario y mes, cada uno con la misma cantidad en créditos, compartidos en toda la organización, con presupuestos por empresa, centro de coste y usuario.
Consejo práctico
Desde septiembre, la revisión de código de Copilot puede aprobar pull requests, desactivado por defecto. Lo mantengo apagado para todo lo que depende de la protección de ramas: una aprobación debe venir de una persona responsable del cambio.
3. Claude Code: los flujos de agente más profundos
Claude Code destaca en el trabajo de ingeniería largo y autónomo: funciona en el terminal, el IDE, la app de escritorio y la nube, y tiene el repertorio más completo para seguir sin ti, con /goal hasta que se cumple una condición verificable, /loop mientras trabajas y tareas programadas en la nube activadas por horario, llamada a la API o evento de GitHub. Los hooks ejecutan tus propias comprobaciones antes o después de las llamadas a herramientas. Para el gobierno, la documentación de managed settings describe tres vías: un managed-settings.json en un directorio del sistema, una política de MDM o del sistema operativo, o ajustes gestionados por servidor desde la consola de administración de claude.ai, que también llegan a las sesiones en la nube. Los managed settings están en lo más alto del orden de prioridad. Claves típicas: reglas de denegación, disableBypassPermissionsMode, allowManagedPermissionRulesOnly para que solo cuenten las reglas de la organización, allowManagedHooksOnly, listas de permitidos y denegados para servidores MCP y availableModels. En precio, Team parte de 20 dólares por puesto estándar y 100 por puesto premium al mes con facturación anual, y Enterprise cuesta 20 dólares por puesto más el uso a precios de API, con SCIM, logs de auditoría, límites de gasto y una API de cumplimiento.
{
"permissions": {
"deny": ["Read(./.env)", "Read(./secrets/**)", "Bash(kubectl delete *)"],
"disableBypassPermissionsMode": "disable"
},
"allowManagedPermissionRulesOnly": true,
"allowManagedHooksOnly": true,
"availableModels": ["opus", "sonnet", "haiku"]
}4. Codex: para equipos que viven en ChatGPT
Codex está incluido en los planes de ChatGPT y funciona en la app de escritorio de ChatGPT, la CLI, la extensión del IDE y como tareas en la nube. Tiene goal mode y, desde el DevDay de septiembre, los dots, los agentes siempre activos de OpenAI, pueden crear y continuar tareas de Codex por su cuenta. Si tu empresa ya usa ChatGPT Business o Enterprise como espacio de IA, Codex significa ningún proveedor nuevo, una sola identidad y uso compartido. El gobierno funciona con dos capas descritas en la documentación de OpenAI: config.toml para los valores personales y requirements.toml, gestionado en Agent security, que limita políticas de aprobación, modos de sandbox, perfiles de permisos, búsqueda web, hooks y los servidores MCP que pueden activar los usuarios. Business cuesta 20 dólares por usuario y mes con facturación anual, con SSO SAML y sin entrenamiento con datos de empresa por defecto; Enterprise y Edu se cotizan. Para CI, Codex también funciona con clave de API a precios de API, sin las funciones en la nube.
5. Cara a cara
Puestos uno junto a otro, las diferencias son de lugar, profundidad y control. Copilot funciona donde está GitHub: el agente en la nube en GitHub Actions, además de la app, la CLI y el IDE de Copilot; sus controles son la pestaña AI Controls, el agent control plane con logs de auditoría y los enterprise managed permissions; se factura por puesto con AI Credits incluidos y presupuestos; encaja mejor en una empresa estandarizada en GitHub que quiere agentes dentro de su proceso de revisión. Claude Code funciona en el terminal, el IDE, el escritorio y la nube de Anthropic; sus controles son los managed settings por archivo, MDM o consola, más logs de auditoría y límites de gasto en Enterprise; se factura por puesto de Team o Enterprise, con el uso de Enterprise a precios de API; encaja mejor con ingenieros de plataforma y DevOps que hacen trabajo largo y autónomo. Codex funciona en la app de escritorio de ChatGPT, la CLI, el IDE y la nube, con los dots encima; sus controles son requirements.toml, la política del espacio de trabajo y la Compliance API con eventos de auditoría; se factura con los planes de ChatGPT o claves de API; encaja mejor en una empresa cuya gente ya trabaja en ChatGPT. Usa la tabla de abajo para filtrar por lo que te importa.
Interactivo
Los tres, lado a lado
Elige lo que más te importa. Datos de noviembre de 2026, de la documentación y los changelogs de cada proveedor (ver fuentes).
6. Reglas que valen para los tres
Elijas lo que elijas, las mismas cinco reglas aportan la mayor parte de la reducción de riesgo. Un archivo de instrucciones por repositorio, AGENTS.md, CLAUDE.md o .github/copilot-instructions.md, propiedad del equipo de plataforma mediante CODEOWNERS, porque estos archivos cambian lo que hace un agente. Los agentes trabajan solo en ramas, con protección de ramas o rulesets y comprobaciones de estado obligatorias, para que un agente no pueda fusionar lo que la CI no ha aprobado. Una persona hace el merge, y quien pidió el cambio al agente no es el único aprobador. Ninguna credencial de producción en una máquina o entorno donde corra un agente; los agentes reciben tokens acotados y de corta duración para exactamente los sistemas que necesitan. Y cada acción de un agente queda registrada donde tu equipo de seguridad ya mira: el log de auditoría y el streaming de sesiones de Copilot, los logs de auditoría de Enterprise de Claude Code y la Compliance API y los eventos de auditoría de ChatGPT para Codex. Si no puedes responder «qué agente cambió esta línea, para quién y quién lo aprobó», no estás listo para escalar.
# .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/platformConsejo práctico
Incluye «Require review from Code Owners» en la regla de la rama; si no, CODEOWNERS solo sugiere revisores y el cambio de un agente en su propio archivo de instrucciones puede colarse.
7. Mi recomendación habitual y cómo hacer el piloto
No elijas una herramienta para todos. Da a todo el equipo de desarrollo la que encaja con tu plataforma, normalmente Copilot si estás en GitHub Enterprise o Codex si ChatGPT ya es tu espacio de IA, y da a los ingenieros de plataforma y DevOps el agente más profundo para trabajo largo y autónomo, que en mis proyectos suele ser Claude Code. Después haz un piloto de cuatro semanas que compare, no una demo que impresione: los mismos 20 a 30 tickets reales en dos herramientas, repartidos por tipo (bugs, actualizaciones de dependencias, funcionalidades pequeñas, reparación de tests). Mide el tiempo desde el ticket hasta el cambio fusionado, los minutos de revisión por pull request, cuántas veces un cambio necesitó retrabajo y el coste por cambio fusionado según los datos de uso de cada fabricante. Fija las políticas centrales antes del piloto, no después, para medir las herramientas con la configuración que de verdad usarías. Por experiencia, la decisión es obvia tras la tercera semana, y rara vez es la que predijo la persona que más habló en la primera reunión.
Conclusión
La herramienta importa menos que las reglas que la rodean: elige según dónde trabaja tu equipo, blíndala de forma central y deja que decidan los datos del piloto.
Proyectos reales relacionados
Pruébalo tú mismo
Fuentes y guías oficiales
- 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
Más artículos
- 3.025 pull requests en diez meses: un proceso de entrega con IA, desde dentro
- La Ley de IA de la UE para medianas empresas: qué te aplica y desde cuándo
- FinOps para el gasto en IA: tokens, caché, enrutado y presupuestos que aguantan
- Hacer visible una red de restaurantes en las respuestas de la IA: un proyecto GEO paso a paso
- Cómo está hecha esta web: estática donde se puede, en streaming donde hace falta
- Costes de Kubernetes en EKS y GKE: el mismo método, otras palancas
- Una landing zone para empresas medianas, en Terraform o Bicep: las piezas que importan
- El manual de migración de sistemas heredados: oleadas, ejecución en paralelo y recuentos y checksums idénticos
- Seguridad de MCP a fondo: dejar entrar a los asistentes de IA en tu producto sin abrir las puertas
- Monitorizar resultados de negocio: paneles en verde, caja vacía
- Agentes de IA por teléfono: la arquitectura y los tropiezos que ninguna demo enseña
- Pruebas de restauración: un backup que nunca has restaurado es solo una esperanza
- Respuestas de IA en streaming en Azure Static Web Apps: la cabecera que lo retenía todo
- Construir un asistente de IA para WhatsApp de principio a fin: lo que hace falta más allá de la demo
- Sistemas air-gapped: software crítico sin conexión a internet
- IA en producción en AWS: Amazon Bedrock y AgentCore en una configuración privada
- IA en producción con Microsoft Foundry: una configuración de referencia privada para agentes
- /goal, /loop o rutinas: deja de vigilar a tu agente de programación
- Los nuevos planes de Claude: Max, Ultra y lo que significan para los equipos
- OpenAI Codex a finales de 2026: goal mode, dots y cómo blindarlo
- Fundamentos de GEO: cómo aparecer en las respuestas de la IA
- IA en producción en Google Cloud: de Vertex AI a Gemini Enterprise Agent Platform
- LLM locales en una red air-gapped: IA para tus datos más sensibles
- Quiero ejecutar un LLM local: ¿qué servidor compro?
- MiniMax M3: ¿un modelo puntero que puedes ejecutar tú mismo?
- Investigación de prompts a gran escala con un modelo abierto
- SEO y GEO juntos: una auditoría práctica en 6 pasos
- Dimensionar bien Kubernetes: el método que llevó un clúster de 7 a 4 nodos
- IA privada para datos sensibles: un LLM local que supera la revisión de seguridad
- Del prototipo con IA a producción: las ocho capas que añado, en este orden
