Systima-Forscher verglichen Claude Code und OpenCode, indem sie API-Aufrufe zwischen den Harnesses und dem Modell-Endpoint abfingen und die vor Benutzerprompts verbrauchten Token sowie die Nutzung während der Aufgabenausführung gemessen haben. Claude Code sendete etwa 33.000 Token aus Systemprompts, Tool-Schemas und Scaffolding, bevor es Benutzereingaben verarbeitete, gegenüber 7.000 Token bei OpenCode—ein 4,7×-Unterschied, der verfügbaren Kontext für tatsächliche Arbeit unmittelbar reduziert.

Die Cache-Effizienz offenbarte den stärksten Kontrast. OpenCodes Request-Präfix war über alle Durchläufe hinweg byte-identisch, was einzelne Cache-Writes ermöglichte, die darauffolgende Requests günstig auslesen konnten. Claude Code schrieb Zehntausende von Prompt-Cache-Token mid-session wiederholt neu und verbrauchte auf identischen Aufgaben bis zu 54× mehr Cache-Token als OpenCode. Da Cache-Writes mit Premiumsätzen berechnet werden, trieb dieses Muster sichtbare Kostensteigerungen in produktiven Dashboards voran.

Produktionskonfigurationen verstärkten den Baseline-Overhead. Eine typische 72KB-Anweisungsdatei (AGENTS.md oder CLAUDE.md) addierte ~20.000 Token pro Request. Fünf bescheidene MCP-Server trugen jeweils 5.000–7.000 Token bei. Bevor realistische Setups ihre erste Request sendeten, waren bereits 75.000–85.000 Token verbraucht, ohne dass Nutzer etwas eingegeben hatten. Subagent-Architekturen vervielfachten diese Kosten: eine Aufgabe mit 121.000 Token direkt sprang auf 513.000 Token beim Verteilen an zwei Subagents, da jeder Subagent unabhängig seinen vollständigen Systemprompt und seine Tools bei jedem Turn neu ausliest.

Ein Szenario bevorteilte Claude Code: Bei Multi-Step-Aufgaben reduzierte das Bündeln mehrerer Tool-Calls pro Request manchmal die Gesamtzahl der Requests gegenüber OpenCodes per-Turn-Overhead, was niedrigere Gesamtkosten ergab. Jedoch beim erneuten Durchlauf derselben Aufgabe mit einem neueren Modell benötigte Claude Code doppelt so viele Requests und verbrauchte ~298.000 Token gegenüber OpenCodes 133.000—was den Vorteil umkehrte. Die Forscher validierten alle Erkenntnisse über zwei Model-Familien hinweg und nutzten einen Logging-Proxy, um exakte JSON-Payloads und Messdaten vom API zu erfassen, um absolute Wahrheit darüber zu etablieren, wo Token verbraucht wurden.