Codex CLI oder Cloud: Umgebung vorbereiten, Aufgaben weiterlaufen lassen

Codex CLI oder Cloud: Soll die Arbeit weiterlaufen, während der Laptop ausgeschaltet ist, lässt sich Codex vor dem Verlassen des Schreibtischs ein fehlgeschlagener Test übergeben. Codex Cloud stellt dafür eine wiederverwendbare Projektumgebung bereit. Über Web und Smartphone lässt sich die Aufgabe verfolgen, steuern und das Ergebnis prüfen.

Was hat sich am 30. September geändert?

Mit dem Neustart lässt sich die Arbeit in der Cloud leichter wiederholen: Repository, Abhängigkeiten, Skripte und Einstellungen können schon bereitstehen, bevor die nächste Aufgabe beginnt. Der Fortschritt lässt sich auf dem Smartphone oder einem anderen Computer verfolgen; auch Codex kann von dort aus gesteuert werden. Die vertraute Desktop-Oberfläche kommt zudem ins Web und auf mobile Geräte. Diese Änderungen beschreibt OpenAI in der Ankündigung vom 30. September 2026.

Die Umgebung lässt sich als vorbereitete Werkstatt vorstellen: Werkzeuge und Material liegen bereit, jede Aufgabe bekommt ihre eigene Werkbank. Eine Abhängigkeit ist ein Softwarepaket, das das Projekt benötigt. Das Repository enthält den versionierten Code des Projekts.

Der praktische Vorteil: Die Programmierarbeit hängt nicht mehr davon ab, ob der eigene Rechner eingeschaltet bleibt. Codex Cloud läuft auf von OpenAI verwalteten Rechnern. Die Umgebung wird am Desktop oder im Web erstellt und veröffentlicht; anschließend steht sie auf den unterstützten Geräten zur Verfügung. Jede Aufgabe erhält eigene Arbeitsdateien. Diese Trennung erläutert OpenAIs Hilfe zu Codex Cloud.

Meine Empfehlung: mit einer kleinen Aufgabe beginnen, deren Ergebnis sich überprüfen lässt. Ein Agent im Hintergrund bringt am meisten, wenn vorher feststeht, woran ein korrektes Ergebnis zu erkennen ist.

Welche Tarife enthalten Codex Cloud?

Für den Cloud-Zugang ist ein berechtigtes Plus-, Pro-, Business-, Enterprise-, Healthcare- oder Education-Konto erforderlich. Die Verfügbarkeit hängt vom Rollout und den Workspace-Einstellungen ab. Free und Go enthalten Zugang zu Codex, aber keinen Zugang zu Codex Cloud. Gastzugänge, K-12-Zugänge und Enterprise-Zugänge mit reinen Leserechten können keine Cloud-Umgebungen erstellen. Grundlage dieser Unterscheidungen ist OpenAIs Übersicht zur Verfügbarkeit nach Tarif.

Die Abopreise stammen von der aktuellen Codex-Preisseite, geprüft am 7. Oktober 2026. Die Cloud-Berechtigung bedeutet nicht, dass jedes Mitglied sämtliche Funktionen zur Steuerung nutzen kann.

Wie werden Cloud-Aufgaben auf das Nutzungskontingent angerechnet?

Zum Start fällt für Standardumgebungen keine separate Gebühr für die virtuelle Maschine an. Eine virtuelle Maschine ist der entfernte Rechner, auf dem die Aufgabe läuft. Die Modellnutzung wird weiterhin auf die regulären Codex-Limits sowie gegebenenfalls auf Credits oder die Abrechnung angerechnet. Tarife mit gemeinsamen Kontingenten können die Nutzung über Codex, ChatGPT Work, ChatGPT for Excel und Workspace Agents hinweg zusammenfassen, sofern verfügbar. Tokenbasierte Enterprise-Verträge rechnen in USD statt in Credits ab. Die Einzelheiten stehen in OpenAIs Nutzungsregeln.

Lokale Nachrichten und Cloud-Chats teilen sich das Kontingent des Tarifs; zusätzlich können wöchentliche Limits gelten. Cloud-Aufgaben können mehr Kontingent verbrauchen als lokale Nachrichten. Die geschätzten Nachrichtenzahlen auf der Preisseite beziehen sich auf die lokale Nutzung. Sie garantieren keine bestimmte Anzahl an Cloud-Aufgaben. Berechtigte Plus- und Pro-Nutzer können zusätzliche Credits kaufen, ohne den Tarif zu wechseln. Aktuelle Limits und Zeitpunkte für das Zurücksetzen zeigt die Nutzungsübersicht. Die Einflussfaktoren erläutert Codex: Preise und Nutzung.

Wer bereits einen berechtigten Tarif bezahlt, sollte zunächst eine klar begrenzte Aufgabe ausprobieren, bevor mehr Kapazität gekauft wird. Wirtschaftlich zählt die eingesparte aktive Arbeitszeit abzüglich des Aufwands für die Pflege der Einrichtung, die Steuerung und die Prüfung. Zusätzliche Credits sind gesondert einzurechnen. Eine Aufgabe vom Laptop in die Cloud zu verlagern lohnt sich nur, wenn diese Bilanz besser ausfällt.

Den umfassenderen Vergleich von Abonnement und API bietet Codex-Preise 2026. Cloud erfordert die Anmeldung mit ChatGPT. Eine lokale CLI-Sitzung mit API-Schlüssel unterliegt der separaten API-Abrechnung. Den Unterschied erklären die Anmeldeoptionen.

Eine wiederverwendbare Cloud-Umgebung einrichten

Bevor eine größere Änderung delegiert wird, sollte ein Projekt vorbereitet werden, dessen Tests zuverlässig laufen. Maßgeblich ist die aktuelle Anleitung zum Einrichten einer Cloud-Umgebung, nicht der ältere Legacy-Ablauf.

1. Repository verbinden. Im Web oder am Desktop Work in > Cloud > Select environment > Create environment wählen. Die GitHub-Repositories auswählen und GitHub verbinden, falls dazu aufgefordert wird.
2. Projekt vorbereiten. Get started wählen. Codex das Projekt untersuchen, installieren und testen lassen. Fehlende Angaben und erforderliche Versionen ergänzen.
3. Einrichtungsskript prüfen. Install script hält die Vorbereitung der Abhängigkeiten fest; Start skill dokumentiert den Start der Dienste und ihre Betriebsbereitschaft. Die Einrichtung lässt sich im Gespräch verfeinern.
4. Werte konfigurieren. Neben Umgebungsvariablen oder Netzwerk-Secrets Manage wählen. Für ein Netzwerk-Secret Schlüssel, Wert und erlaubte Domains eintragen.
5. Internetzugang festlegen. Falls nötig, Allow Codex to access internet aktivieren. Package managers oder Custom domains only wählen und die erforderlichen Hosts ergänzen. All (unrestricted) erlaubt einen weitergehenden Zugriff.
6. Veröffentlichen und starten. Dateien, Konfiguration und Prüfungen durchsehen. Speichern und anschließend Publish wählen. Sobald Environment published erscheint, eine neue Aufgabe starten. Spätere Änderungen an der Einrichtung erfolgen über Edit und Republish.

Für das Vorbereitungsgespräch braucht Codex die tatsächlichen Installations- und Testbefehle des Projekts, die erforderliche Laufzeitversion und die benötigten Dienste. Es sollte berichten, welche Prüfungen erfolgreich waren und was es nicht verifizieren konnte. Das sind Vorschläge für die Anweisungen, kein universell einsetzbares Einrichtungsskript.

Für den ersten Versuch würde ich synthetische Testdaten verwenden und den Dienstzugriff auf das Minimum beschränken, das zur Reproduktion der Aufgabe nötig ist. Scheitert der Download eines Pakets, sollten zunächst Hostname und Authentifizierung getrennt geprüft werden, bevor der Internetzugang ausgeweitet wird.

Drei Aufgaben für den Einstieg

Eine gute erste Aufgabe hat einen klaren Ausgangspunkt, einen kleinen Umfang und ein Ergebnis, das sich anschließend anhand konkreter Belege prüfen lässt. Die folgenden Aufgabenbeschreibungen sind Vorschläge, die sich an das eigene Repository anpassen lassen.

Einen fehlgeschlagenen Test reparieren

Wenn ein reproduzierbarer Fehler den Release blockiert, kann ein Gründer die Ursachenanalyse und eine gezielte Korrektur delegieren. Dazu gehören der fehlgeschlagene Befehl und seine Ausgabe. Codex soll das beabsichtigte Verhalten bewahren, die Ursache erklären und die ausgeführten Prüfungen nennen.

Eine passende Aufgabenbeschreibung:

Reproduziere diesen fehlgeschlagenen Test mit dem dokumentierten Befehl des Projekts. Finde die Ursache und behebe sie mit der kleinstmöglichen korrekten Änderung. Schwäche die Assertion nicht ab, nur damit der Test besteht. Führe den betroffenen Test und relevante Tests im unmittelbaren Umfeld aus. Fasse die geänderten Dateien, die Ergebnisse und die verbleibenden Unsicherheiten zusammen.

Das ist für mich die beste Einstiegsaufgabe, weil sich der Zustand vor und nach der Änderung direkt vergleichen lässt. Auch ein grünes Ergebnis erfordert eine Prüfung des Diffs: Die Korrektur muss das Verhalten reparieren und darf den Fehler nicht bloß verdecken.

Eine Datenbankmigration schreiben

Ein Backend-Entwickler, der das Datenbankschema ändert, kann die Migrationsdatei, Überlegungen zur Kompatibilität und Tests mit wegwerfbaren Daten anfordern. Eine Migration ist eine versionierte Änderung an der Datenbankstruktur oder den gespeicherten Daten.

Eine passende Aufgabenbeschreibung:

Entwirf die Migration für diese Schemaänderung nach den bestehenden Konventionen des Repositorys. Erläutere die Kompatibilität mit der aktuellen Anwendung, Möglichkeiten zum Zurückrollen und Risiken für Datenverlust. Teste nach Möglichkeit mit wegwerfbaren Testdaten. Führe die Migration nicht in der Produktionsumgebung aus und stelle sie nicht bereit.

Das Ergebnis ist eine prüfbare Implementierung und ein klarerer Plan für die Einführung. Eine geschriebene Migration beantwortet noch nicht, welche Sperren in der Produktionsdatenbank entstehen, wie lange das Nachbefüllen von Daten dauert oder ob die alte und die neue Anwendungsversion parallel laufen können. Diese Entscheidungen bleiben bei der für die Bereitstellung verantwortlichen Person.

Einen Pull Request prüfen

Wartet ein Maintainer auf die Änderungen eines Teammitglieds, sollte der Auftrag den Branch oder die Commits des PRs und den Basisbranch benennen. Gefordert sind belegte Befunde; die Arbeitsdateien sollen dabei unverändert bleiben.

Eine passende Aufgabenbeschreibung:

Prüfe diesen Pull Request gegenüber seinem Basisbranch. Konzentriere dich auf Korrektheit, Berechtigungen, Kompatibilität und fehlende Tests. Nenne zu jedem Befund die Dateistelle, ein konkretes Fehlerszenario und die stützenden Belege. Ändere keine Dateien und merge den PR nicht.

Für das integrierte GitHub-Review dokumentiert OpenAI ein verbundenes Repository und einen PR-Kommentar mit @codex review. Diesen Weg beschreibt die Einrichtung von GitHub-Reviews. Code Review, Security Review sowie die bestehenden GitHub- und Linear-Integrationen verwenden während des Übergangs weiterhin Codex Cloud (Legacy). Diese Unterscheidung bestätigt die Cloud-Hilfeseite.

Ein Review-Auftrag innerhalb einer neuen Cloud-Aufgabe und ein automatisches GitHub-Review sind getrennte Abläufe.

Drei weitere Aufgaben, die sich delegieren lassen

Nach der Reparatur eines fehlgeschlagenen Tests würde ich die folgenden Aufgaben danach priorisieren, wie leicht sich ihr Umfang begrenzen und ihr Ergebnis überprüfen lässt. Jede ist ein vorgeschlagener Ablauf, kein Bericht über ein bereits erzieltes Ergebnis.

Das Abnahmekriterium gehört in die Aufgabenbeschreibung. „Verbessere diese Codebasis“ lässt zu viele Entscheidungen offen und eignet sich deshalb nicht als erster Auftrag.

Aufgaben vom Smartphone aus verfolgen und steuern

Um die Arbeit fortzusetzen, muss dieselbe Aufgabe wieder geöffnet werden. Eine neue Aufgabe beginnt mit einem separaten Arbeitsbereich und stellt nicht committete Änderungen der ersten Aufgabe nicht wieder her. Wichtige Arbeit sollte deshalb committet werden. Das standardmäßige Wiederherstellungsfenster für die gespeicherte virtuelle Maschine beträgt bis zu sieben Tage nach dem Beginn des letzten Gesprächsschritts oder der Wiederaufnahme der Aufgabe. Es beschreibt nicht die Aufbewahrungsdauer des Gesprächsverlaufs. Was gespeichert wird, erläutert OpenAIs Anleitung zum Aufgabenstatus.

Auf dem Mobilgerät Codex öffnen und die veröffentlichte Umgebung auswählen. Die Aufgabe erneut öffnen, um den Fortschritt zu verfolgen und Korrekturen zu senden. Den geräteübergreifenden Ablauf beschreibt die Cloud-Übersicht.

Gute Steuerungsnachrichten klären eine Entscheidung:

• „Beschränke die Korrektur auf den Parser; behalte die Struktur der öffentlichen Antwort bei.“
• „Verwende für den Migrationstest eine Datenbank-Fixture, die anschließend verworfen werden kann.“
• „Beende die Arbeit nach dem Patch und dem Testbericht; die Bereitstellung bleibt zur Prüfung offen.“

Ich würde das Smartphone nutzen, um den Umfang zu klären und den Fortschritt zu prüfen. Einen umfangreichen Diff würde ich anschließend auf einem größeren Bildschirm durchsehen. Der Fernzugriff auf eine Aufgabe, die auf dem Laptop läuft, hängt weiterhin von diesem Rechner ab. Er ermöglicht nicht die Ausführung bei ausgeschaltetem Laptop, die Cloud bietet. Den Unterschied erklärt OpenAIs Hilfeseite.

Codex CLI oder Cloud: Wann ist welche Ausführung sinnvoll?

Cloud eignet sich für klar umrissene Aufgaben, die selbstständig weiterlaufen sollen. Die lokale CLI ist die passende Wahl, wenn die Aufgabe von Dateien und Entwicklungswerkzeugen auf dem eigenen Rechner abhängt.

Die CLI kann ein lokales Repository untersuchen, Dateien bearbeiten und installierte Werkzeuge ausführen. Dazu das Projektverzeichnis öffnen, codex starten und mit ChatGPT anmelden. Auch über codex cloud lassen sich Aufgaben delegieren. Die Oberfläche, von der aus die Arbeit gestartet wird, legt also nicht fest, wo sie ausgeführt wird. Beides behandelt die CLI-Anleitung.

Die folgende Auswahl gibt meine Empfehlungen wieder.

Die aktuellen Cloud-Umgebungen unterstützen weder die Bedienung von Computer oder Browser noch GitLab oder selbst gehosteten GitHub Enterprise Server. Persönliche lokale Skills werden nicht synchronisiert. Diese aktuellen Einschränkungen wiegen schwerer als eine grundsätzliche Vorliebe für die Cloud.

Zugriffe begrenzen und den Diff prüfen

Den Zugriff der Umgebung kennen. Erlaubte Domains bestimmen die Netzwerkziele der virtuellen Maschine; sie erteilen keine Berechtigungen für Dienste. Auch Netzwerk-Secrets, die zur Umgebung gehören, erlauben die zugehörigen Domains. Für Enterprise gelten zusätzlich zu den Umgebungseinstellungen die Anforderungen von Agent Security. Die Netzwerkkonfiguration und Agent Security beschreiben diese Einstellungen.

Zugangsdaten passend bereitstellen. Direkt gesetzte Umgebungsvariablen werden an Programme weitergegeben. Netzwerk-Secrets verwenden während der Einrichtung und der Aufgaben Proxy-Platzhalter für genehmigte HTTPS-Ziele auf Port 443. So bleiben die eigentlichen Zugangsdaten aus lokalen Prozessen und Dateien heraus. Den Mechanismus erläutert die Anleitung zum Umgang mit Secrets.

Für eine erste Programmieraufgabe würde ich keine Produktionszugangsdaten hinterlegen, sondern eng begrenzten Entwicklungszugriff verwenden. Vor dem Merge sollten der Diff gelesen, die Testausgaben geprüft, Änderungen an Abhängigkeiten untersucht und die Übereinstimmung mit dem Auftrag bestätigt werden. Eine erfolgreiche Testsuite liefert Belege zur Bewertung; sie ersetzt keine Prüfung.

Ein berechtigtes Healthcare-Konto bedeutet nicht, dass Codex Cloud von OpenAIs BAA, der Vereinbarung zum Umgang mit geschützten Gesundheitsdaten, abgedeckt ist. OpenAI weist darauf hin, geschützte Gesundheitsinformationen nicht in Codex Cloud zu verarbeiten. Diese Grenze nennen die Cloud-Einschränkungen für Daten.

Zu den Einstellungen für Teams siehe Codex-Sicherheit nach DevDay einrichten.

Welche Produkte lassen sich darauf aufbauen?

Die aussichtsreichste Idee ist ein Reparaturpaket für Fehler, die Releases blockieren, zugeschnitten auf einen Software-Stack. Verkauft wird ein wiederholbarer Ablauf samt Validierung an Teams, die mit kaputten Tests Zeit verlieren. Die DataForSEO-Abfrage vom 7. Oktober schätzt 1,600 monatliche Google-Suchanfragen in den USA für „automated software testing tools“. Das misst das Interesse an dieser Aufgabe, nicht die Nachfrage speziell nach Codex Cloud.

Die kleinste sinnvolle Version könnte Repository-Anweisungen, reproduzierbare Testdaten, gezielte Reparaturaufträge und eine Anleitung zur Vorbereitung der Umgebung enthalten. Zu messen wäre, ob vorgeschlagene Patches das beabsichtigte Verhalten erhalten und den Prüfaufwand senken. Die Schwierigkeit liegt in den unterschiedlichen Testinfrastrukturen: Eine breite Unterstützung verschiedener Stacks würde ein kleines Paket aufwendig in der Pflege machen.

Ein Prüfpaket für Datenbankmigrationen könnte Teams bedienen, die mit einem bestimmten Framework und einer bestimmten Datenbank arbeiten. DataForSEO schätzt 1,300 monatliche Suchanfragen in den USA für „database migration tools“. Ein MVP könnte Migrationsvorlagen, wegwerfbare Testdaten, Kompatibilitätsprüfungen und Review-Prompts liefern, die ein Entwickler in einer vorbereiteten Umgebung ausführt. Die Schwierigkeit liegt im Verhalten unter Produktionsbedingungen: Ein wiederverwendbares Paket kann keine sichere oder schnelle Einführung auf einer echten Datenbank versprechen.

Ein Paket für belegte PR-Reviews könnte Maintainern helfen, Anfragen und die Bewertung von Befunden zu vereinheitlichen. DataForSEO schätzt 1,300 monatliche Suchanfragen in den USA für „ai code review“. Zu den Fragen in der aktuellen Suche gehört „Can ChatGPT do a code review?“. Als Einstieg eignen sich Repository-Leitlinien, Review-Aufträge und ein Format für belegte Befunde. Die Schwierigkeit: Integrierte Reviews gibt es bereits. Das Paket muss zusätzlich fachgebietsspezifisches Urteilsvermögen und nützliche Prüfungen bieten.

Alle drei Ideen sind Produktvorschläge auf Grundlage der dokumentierten Aufgabendelegation. Die Suchzahlen schätzen das Interesse an den jeweiligen Aufgaben. Sie sind weder Kundenzahlen noch Umsatzprognosen. Ich würde mit dem Reparaturpaket beginnen: Sein Abnahmekriterium lässt sich leichter messen als die allgemeine Qualität eines Reviews.

Kann ChatGPT ein Code-Review durchführen?

Ja. Codex bietet einen dokumentierten Ablauf für GitHub-PR-Reviews; auch eine eigenständige Prüfaufgabe ist möglich. Der Basisbranch und die zu prüfenden Risiken sollten angegeben werden. Die Entscheidung über den Merge bleibt beim Menschen.

Ist KI-generierter Code sicher?

Entscheidend ist der konkrete Patch. Zu prüfen sind das geänderte Verhalten, Berechtigungen, Abhängigkeiten, Tests und nicht verifizierte Annahmen. Weder eine überzeugende Erklärung noch grüne Tests belegen, dass alle wichtigen Fälle abgedeckt sind.

Lohnen sich Code-Reviews?

Ein Agent-Review bietet sich an, wenn eine zusätzliche Prüfung einen teuren Fehler entdecken könnte. Nützliche Befunde und Fehlalarme sollten erfasst werden. Erzeugt das Review mehr Prüfaufwand, als es einspart, sollte der Umfang enger gefasst werden.

Der nächste Schritt am Montag

Ein Repository mit einem zuverlässigen Testbefehl auswählen. Seine Umgebung vorbereiten und veröffentlichen, einen kleinen reproduzierbaren Fehler delegieren und die Aufgabe nach dem Verlassen des Schreibtischs vom Smartphone aus prüfen. Vor dem Merge den Patch durchsehen. Den Aufwand für Einrichtung und Prüfung sowie den Verbrauch des Tarifkontingents festhalten. Verbessert der Versuch den Arbeitsablauf, lässt sich die Umgebung erneut verwenden.

Wer diesen Ablauf in die Softwarebereitstellung seines Teams integrieren möchte, kann ein KI-Produktionssystem aufbauen lassen.