Короткий вывод
Если выбирать без лишней теории, то для повседневной работы с кодовой базой и длинных итеративных правок по репозиторию я бы чаще смотрел в сторону Claude, а для сценариев, где важны API-интеграции, строгий формат ответа, единый стек OpenAI и сочетание кода с другими задачами, — в сторону GPT-5. Абсолютного победителя нет: качество сильно зависит от вашей IDE, промптов, объема контекста, тестового контура и того, как именно вы подключаете инструменты. Для критичных изменений в проде, миграций схемы, правок безопасности и автокоммитов без ревью не подходит ни один вариант: обе модели ошибаются, выдумывают API и могут пропустить скрытую зависимость между файлами.
Практическое правило простое. Нужен «напарник по репозиторию», который долго держит задачу и последовательно проходит по связанным файлам, — начинайте с Claude. Нужен универсальный модельный слой для продукта, внутренних ассистентов, structured output и цепочек tool calling, — начинайте с GPT-5. Но финальный выбор нужно подтверждать не впечатлением от демо, а собственным набором задач: хотя бы 20–30 реальных тикетов из вашей кодовой базы.
Кого сравниваем
Под GPT-5 здесь имеется в виду актуальная флагманская модель OpenAI под этим именем в продуктах OpenAI и API. Под Claude — семейство моделей Anthropic, которое команды обычно используют для кодовых задач через чат, API или агентные интерфейсы. Это важная оговорка: сравнение не идеально симметрично. OpenAI и Anthropic выпускают несколько SKU, меняют маршрутизацию запросов, обновляют системные инструкции и по-разному упаковывают модели в продукты.
Поэтому ниже сравниваются не только «сухие модели», но и практический рабочий контур вокруг них:
- написание нового кода с нуля;
- правка существующего проекта и многофайловые изменения;
- объяснение ошибок и ревью;
- использование инструментов, терминала, тестов и внешнего контекста;
- интеграция в API и внутренние пайплайны.
Официальные страницы продуктов: OpenAI — https://openai.com/ и платформа API — https://platform.openai.com/; Claude — https://www.anthropic.com/claude и документация Anthropic — https://docs.anthropic.com/.
Сравнение по критериям
| Критерий | GPT-5 | Claude | Практический вывод |
|---|---|---|---|
| Правка существующего кода | Хорошо работает, если задача разбита, а состояние вынесено в инструменты и проверки | Часто удобен для длинной сессии по репозиторию и серии связанных правок | Для «живого» редакторского режима по нескольким файлам Claude часто стартует проще |
| Строгий формат ответа | Обычно удобен там, где нужен JSON, schema-driven output и надежный машинный парсинг | Тоже применим, но я бы закладывал более жесткую пост-валидацию | Для бэкенд-конвейеров и tool calling чаще логичен GPT-5 |
| Работа с большим контекстом | Сильно зависит от конкретного SKU и того, как вы строите retrieval | Сильно зависит от конкретного SKU, но экосистема Claude явно ориентирована на большие кодовые сессии | Смотрите не на лимит окна, а на качество удержания инвариантов на вашем репозитории |
| Агентные сценарии | Гибко встраивается в собственную обвязку и продуктовые пайплайны | Хорошо ложится на режим «модель как агент по коду» | Для терминала и последовательных шагов по задаче Claude часто естественнее |
| Объяснения и ревью | Силен, особенно если просить чек-листы, риски и тестовый план | Силен, особенно в разборе вариантов и последовательности правок | Разница меньше, чем обычно думают; решает качество промпта |
| Экосистема и интеграции | Сильная сторона, если нужен единый поставщик для ассистентов, API и смежных задач | Уже и проще, но для чисто кодовых workflows этого часто достаточно | Если нужен один общий стек для нескольких команд, GPT-5 может быть удобнее |
| Стоимость и задержка | Нельзя честно оценить без ваших токенов, региона, маршрутизации и профиля запросов | То же самое | Считайте на собственных логах, а не по чужим скриншотам |
| Безопасность и комплаенс | Есть корпоративные режимы, но это внешний облачный провайдер | Есть корпоративные режимы, но это внешний облачный провайдер | Для закрытого контура без вывода кода наружу ни один вариант не является автоматическим решением |
1. Кто лучше пишет новый код с нуля
На коротких задачах вроде «собери сервис», «напиши SQLAlchemy-модель», «сделай unit-тесты» разрыв между моделями обычно меньше, чем кажется по обсуждениям в сети. Обе могут быстро выдать рабочий черновик, и обе регулярно добавляют лишнее: не ту версию библиотеки, лишний слой абстракции, ненужную асинхронность, фиктивный флаг CLI. Если задача хорошо ограничена, GPT-5 выглядит особенно уместно там, где ответ должен сразу укладываться в заданную схему: например, вернуть не только код, но и список файлов, команды для запуска, JSON со статусом проверки. Claude часто удобен, когда вы хотите не только фрагмент, но и последовательное обсуждение архитектуры с последующей правкой кода.
2. Кто лучше правит существующий проект
Здесь у Claude обычно более понятный профиль применения. Если вы даете модели несколько файлов, просите сначала найти инварианты, потом предложить план изменений, затем внести точечные правки и объяснить риски, Claude часто ложится в такой ритм естественно. GPT-5 тоже способен на это, но чаще раскрывается, когда вокруг уже есть аккуратная инструментальная обвязка: поиск по репозиторию, retrieval, линтер, тестовый прогон, проверка diff и жесткие системные инструкции. Проще говоря, Claude нередко удобнее как «редактор», GPT-5 — как компонент более широкого инженерного конвейера.
3. Контекст, длинные файлы и монорепозитории
В кодовых задачах бесполезно смотреть только на рекламируемый размер контекстного окна. Важнее другое: удерживает ли модель ограничения после нескольких шагов, не ломает ли соседние модули, не забывает ли о типах, интерфейсах и соглашениях проекта. На монорепозитории обе модели могут вести себя неровно. У одной сессии все будет хорошо, у другой — модель пропустит скрытую зависимость или перезапишет не тот контракт. Для больших кодовых баз я бы вообще не обсуждал победителя без внутреннего теста на ваших задачах: несколько рефакторингов, один багфикс, одна миграция, один тестовый набор, один PR review.
4. Следование ограничениям и форматам
Если модель встроена в продукт и ее ответ должен потребляться машиной, преимущество обычно на стороне OpenAI-стека с его привычной ролью в structured output, tool calling и прикладных API-сценариях. Это не значит, что Claude для этого не годится. Значит только то, что при выборе между «удобный собеседник для кода» и «предсказуемый модуль внутри пайплайна» я бы чаще отдавал вторую роль GPT-5. Для любой модели здесь обязательны валидация схемы, повторный прогон при ошибке и отдельная проверка исполняемости результата.
5. Агентная работа: терминал, тесты, пошаговое выполнение
Для кода уже недостаточно одного ответа в чате. Нужна модель, которая умеет планировать шаги, читать вывод тестов, исправлять себя и не терять нить задачи. Именно здесь Claude часто выбирают первым: не потому, что он «магически умнее», а потому, что вся упаковка сценария вокруг него хорошо совпадает с тем, как разработчики реально работают в терминале и редакторе. GPT-5 имеет смысл, когда агентность — часть более крупной системы, а не только локальный помощник разработчика. Если вы строите собственный внутренний инструмент, разница может быстро уменьшиться.
6. Ревью, документация и объяснение решений
Для code review и объяснения проблем я бы не обещал явного лидера. Обе модели умеют: выделять smell, предлагать тесты, объяснять сложный участок, выписывать риски регрессии. Качество резко растет, если просить не «сделай ревью», а «проверь только управление ресурсами, обработку ошибок и обратную совместимость API; вывод — список проблем по степени риска». Если ваша команда пишет много внутренней документации рядом с кодом, выбор между GPT-5 и Claude здесь вторичен.
7. Цена, скорость, операционные мелочи
Это самая легкая часть для спекуляций и самая плохая для честного сравнения без ваших данных. Реальная стоимость зависит от длины контекста, количества итераций, того, кто больше тянет инструментов, как часто вы просите модель переписать ответ, и как организован retrieval. Скорость тоже плавает: короткая задача, длинная агентная сессия и PR review — это три разных профиля нагрузки. Поэтому любые «в среднем дешевле» без ваших логов почти бесполезны.
Что выбрать в разных сценариях
- Многофайловый рефакторинг, работа по репозиторию, терминал, длинные инженерные сессии: чаще разумно начать с Claude.
- Внутренний API-сервис, где модель обязана вернуть строгий JSON, вызвать инструменты и встроиться в бэкенд: чаще логичен GPT-5.
- Один поставщик моделей для нескольких команд — продукт, аналитика, документация, код: GPT-5 выглядит практичнее, если вы и так живете в экосистеме OpenAI.
- Локальный помощник разработчика с упором на пошаговые правки и тесты: Claude обычно ощущается естественнее.
- Обучение джунов, разбор архитектуры, объяснение чужого кода: берите то, что лучше интегрируется в ваш процесс; разрыв не принципиален.
- Критичные миграции БД, безопасность, compliance-sensitive код, автокоммиты без человека: ни один. Нужны человек, тесты, стейджинг и правило «модель не мержит сама».
- Если команда может позволить два провайдера: это часто лучший вариант. Claude — для редакторских и репозиторных задач, GPT-5 — для продуктовых интеграций и строго формализованных пайплайнов.
Если нужен один краткий вердикт, он такой: для «писать и править код прямо сейчас» чаще пробуют Claude; для «встроить интеллект в инженерную платформу компании» чаще удобен GPT-5.
Ограничения сравнения
Это сравнение быстро стареет. И OpenAI, и Anthropic обновляют модели, меняют поведение без смены названия, добавляют новые режимы и пересобирают продуктовую упаковку. Поэтому нельзя воспринимать этот текст как вечный рейтинг.
Второе ограничение — сравниваются не одинаково очерченные продукты. «GPT-5» звучит как конкретная модель, а «Claude» на практике почти всегда означает семейство моделей и разные режимы их использования. На одном SKU результаты могут быть отличными, на другом — средними.
Третье: я сознательно не привожу псевдоточные бенчмарки и красивые проценты. Для кода они слишком легко вводят в заблуждение. Важнее ваш собственный eval: набор задач с измеримым результатом — проходит тесты или нет, ломает контракт или нет, возвращает валидную схему или нет, делает лишние файлы или нет.
Наконец, оба варианта плохо подходят, если у вас жесткий запрет на передачу исходного кода внешнему облачному провайдеру. В таком случае сравнивать нужно уже не GPT-5 и Claude, а класс управляемых или локальных решений в вашем периметре.
FAQ
Кто лучше пишет код с нуля?
На коротких задачах разница обычно невелика. Важнее четкое ТЗ, версия библиотек и требование прогнать тесты. Если ответ должен быть строго машинно обработан, я бы скорее выбрал GPT-5. Если нужна живая итерация и последующая серия правок, чаще удобен Claude.
Кто лучше чинит баги в существующем проекте?
Для поиска и исправления бага в контексте нескольких связанных файлов Claude нередко удобнее. Но если у вас уже есть поиск по коду, тестовый раннер, линтер и автоматическая валидация, GPT-5 может показать не хуже или лучше просто за счет более хорошей обвязки.
Можно ли доверить модели коммит без ревью?
Нет. Для нетривиального кода это плохая практика. Допустимы только узкие, обратимые и хорошо проверяемые изменения: например, шаблонные тесты или механические правки после автоматического запуска проверок.
Что важнее при выборе: модель или интеграция?
Для кода интеграция обычно важнее, чем кажется. Одна и та же модель без поиска по репозиторию, без тестов и без валидации diff покажет себя заметно хуже. Хорошая обвязка поднимает качество сильнее, чем спор о брендах.
Есть ли смысл держать обе модели?
Да, если бюджет и политика безопасности позволяют. На практике это часто рациональнее, чем пытаться заставить один инструмент одинаково хорошо делать и агентные правки по репозиторию, и строгие продуктовые API-ответы.
Как принять решение без субъективщины?
Соберите внутренний eval из реальных задач: 10 багфиксов, 10 рефакторингов, 5 PR review, 5 задач на генерацию тестов. Сравнивайте не красоту ответа, а факт прохождения тестов, размер лишнего diff, число повторных попыток и время разработчика до принятого результата.