Kurz gesagt: Selbst mit genau demselben Modell kann der Verbrauch stark schwanken – je nachdem, was in jeder Runde in den Kontext gepackt wird, wie oft das Modell aufgerufen wird, wie viel Tool-Ausgabe mitgeschleppt wird und wann komprimiert wird. Wenn das Modell der Motor ist, dann ist ein Harness wie Codex oder OpenCode Getriebe, Einspritzung, Navi und Mechaniker in einem. Gleicher Motor heißt nicht gleicher Spritverbrauch.
1. „Gleiches 5-Stunden-Limit, aber doppelt so viel geschafft“: Das ist erst mal ein Erfahrungsbericht, kein Benchmark
Ein Entwickler schrieb in den sozialen Medien, dass er nach dem Wechsel von Codex zu OpenCode – weiterhin mit GPT-5.6 Sol über die ChatGPT-Anmeldung – das Gefühl habe, mit demselben 5-Stunden-Limit und demselben Wochenlimit mehr als doppelt so viel Arbeit zu schaffen.
In den Antworten empfahlen manche einen anderen Harness namens pi, andere vermuteten unterschiedliche Einstellungen beim Kontextlimit, und wieder andere wollten den tatsächlichen Verbrauch über einen Router oder Nutzungsprotokolle sehen.
Das Wichtigste dabei: Niemand hat bewiesen, dass man mit OpenCode offiziell doppelt so viel nutzen kann. Das ist eine interessante Beobachtung, aber kein Vergleich unter kontrollierten Bedingungen.
Was OpenAI dagegen erklärt: Die Codex-Nutzung wird nicht nach einer festen Zahl von Nachrichten gemessen, sondern hängt vom Modell ab, davon, wo die Aufgabe läuft, wie komplex sie ist, vom Kontext, vom Nachdenken, von der Geschwindigkeit und von den Tools. Je nach Abo gibt es sowohl ein 5-Stunden-Limit als auch ein Wochenlimit.
Dass sich also „mit einem anderen Harness der Verbrauch ändert“, ist von der Funktionsweise her ziemlich naheliegend.
2. Was ist ein Harness? „Alles“ außerhalb des KI-Gehirns
Wenn man nur auf das Modell schaut, ist es simpel:
Sol = das Gehirn.
Aber ein echter Coding-Agent baut um dieses Gehirn jede Menge Ausrüstung herum:
- wie die Systemanweisungen zusammengesetzt werden
- welche Dateien gelesen werden
- wie viele Tokens vom bisherigen Gespräch erhalten bleiben
- wie viele Tools (Shell, GitHub usw.) dem Modell angezeigt werden
- wie viel Tool-Ausgabe in die nächste Runde mitgenommen wird
- wie oft nach einem Fehler neu versucht wird
- wie viele Runden aus Planen, Umsetzen und Prüfen laufen
- ob der Kontext komprimiert wird, bevor er überläuft
- ob Arbeit an Unteragenten verteilt wird
- wann entschieden wird, dass man „fertig“ ist
Dieses ganze Paket ist der Harness im weiteren Sinne.
OpenAI selbst verwendet für Codex das Wort „Harness“ und beschreibt einen App Server, der das Modell mit den einzelnen Clients, den Tools und dem Gesprächszustand verbindet.
Deshalb gilt:
gleiches Modell ≠ gleiches Gesamtsystem
Bau denselben V8 in einen 2-Tonnen-SUV und in ein leichtes Auto ein – der Verbrauch wird nicht gleich sein.
3. Was den Verbrauch einer KI ruiniert, ist meist das „Gepäck, das sie in jeder Runde mitschleppt“
Was ein Agent verbraucht, hängt nicht nur davon ab, wie viele Wörter er antwortet.
In einer langen Sitzung kann bei jedem Denkschritt Folgendes mitfahren:
- ein langer Gesprächsverlauf
- ein riesiger System-Prompt
- AGENTS.md und weitere Regeln
- die Tool-Beschreibungen von MCP
- jede Menge Dateien aus GitHub
- endlos lange Shell-Logs
- Testergebnisse
- frühere Fehlschläge
- Infos für den nächsten Neuversuch
Einmal ist das kein Problem.
Das Problem ist, das alles 10-, 20-, 30-mal erneut zu schicken und erneut einzulesen.
Manchmal tut „einmal ein 100KB-Log lesen“ weniger weh, als das Modell immer wieder aufzurufen und dabei Kontext in der Größenordnung von 100KB mitzuschleppen.
Dazu kommt: Wenn Harness A eine Aufgabe in 15 Runden erledigt, Harness B aber 30 Runden mit Planen → Prüfen → Suchen → erneut Suchen → Review → erneut Review verbringt, gibt es natürlich einen Unterschied – auch mit demselben Modell.
Der Verbrauch hängt nicht nur am Motor. Er explodiert durch:
Gepäck × Hin- und Rückfahrten × Neuversuche
4. Warum OpenCode spannend ist: ChatGPT-Anmeldung, MCP und automatisches Komprimieren in einer Kiste
Laut offizieller OpenCode-Dokumentation kannst du beim Verbinden mit OpenAI ChatGPT Plus/Pro auswählen und dich im Browser anmelden. Das ist ein eigener Weg, getrennt vom manuellen Eintippen eines API-Schlüssels.
Außerdem arbeitet OpenCode als MCP-Client und kann sowohl lokale als auch entfernte MCP-Server einbinden.
Damit lässt sich so etwas aufbauen:
OpenCode → GitHub MCP → Datenbank-MCP → eigene API → weitere externe Tools
OpenCode hat zudem ein automatisches Komprimieren (Compaction), das den älteren Kontext einer langen Sitzung durch einen Speicherpunkt ersetzt. In der aktuellen Dokumentation ist es standardmäßig aktiviert, mit einem Beispiel, das die erzeugte Zusammenfassung plus ungefähr die letzten 15.000 Tokens behält.
Das ist weniger „altes Gespräch löschen“, sondern eher:
Der Verlauf bleibt im Lager, aber zum nächsten Einsatz wird nur das Nötige eingeladen.
Ein Allheilmittel ist das aber nicht. OpenCode warnt selbst: Je mehr MCP-Server du hinzufügst, desto mehr Kontext fressen deren Tool-Beschreibungen, und große wie GitHub MCP füllen ihn besonders schnell.
Wer 20 MCPs anschließt und denkt „jetzt bin ich unschlagbar!“, hat seinem Helden im Grunde das ganze Lager als Ausrüstung angelegt.
5. Alles von ChatGPT aus über MCP steuern – im Kern dieselbe Idee
Ein Aufbau, bei dem ChatGPT in der Mitte sitzt und über MCP oder Connectoren GitHub, Server, Cloud und Speicher bedient, ist im Grunde ebenfalls „Modell + Harness + Tools“.
Als Schaltplan sieht das ganz einfach aus:
ChatGPT → MCP / connector → GitHub, Server, Cloud, Speicher
ChatGPT trifft die Entscheidungen, MCP ist Hand und Fuß, und jeder Dienst hält den echten Zustand.
Bei OpenCode genauso:
OpenCode → MCP / shell / API → Repository, Server, Cloud
Der Unterschied liegt darin, wo der Gesprächszustand liegt, wo die Schleife der Tool-Aufrufe läuft und wo der Kontext komprimiert wird.
Die Antwort auf „Ist das nicht dasselbe, wie alles von ChatGPT aus über MCP zu steuern?“ lautet also: so ziemlich JA.
Derselbe Bauplan, nur die Marke an der Leitstelle ist eine andere.
6. Kann ChatGPT dann Arbeit an OpenCode abgeben?
OpenCode unterstützt offiziell die Rolle „derjenige, der MCP nutzt“. In der zitierten Dokumentation wird dagegen weniger ein Modus beschrieben, der OpenCode selbst als allgemeinen MCP-Server bereitstellt; klar genannt werden vielmehr ein HTTP/OpenAPI-Server mit SDK oder ein Zugang über ACP.
Mit opencode serve kannst du OpenCode als HTTP-Server ohne Oberfläche starten und Sitzungen und Agenten per Programm über OpenAPI steuern. Ein JS/TS-SDK gibt es auch.
Wenn ChatGPT also Aufgaben an OpenCode schicken soll, sieht ein sauberer Aufbau so aus:
ChatGPT → eine schlanke MCP-Brücke → OpenCode Server → Sol → MCP / shell / API → GitHub, Cloud usw.
Die MCP-Brücke muss nur eine Handvoll Tools anbieten:
- opencode_run_task
- opencode_get_status
- opencode_get_result
Mehr braucht es nicht.
Statt jedes Mal Dutzende GitHub-Tool-Beschreibungen und riesige Logs in ChatGPT zu laden, erledigt OpenCode die lange eigentliche Arbeit komplett und gibt nur das Endergebnis zurück.
Genau hier wird „weniger Verbrauch“ zur Designentscheidung statt zum Zufall.
7. Wer wirklich sparen will, sollte nicht die KI reduzieren, sondern wie oft man zur KI zurückgeht
Der häufigste Fehler: zu glauben, ein billigeres Modell löse alles.
Klar, die Modellwahl macht etwas aus.
Aber bei lang laufender automatisierter Arbeit bringt so eine Aufteilung oft mehr:
- Was immer gleich und Schritt für Schritt abläuft, kommt in Skripte
- Zustand und Protokolle der erledigten Schritte bleiben auf der Maschinenseite
- Nur die wirklich nötigen Tools werden aktiviert
- Lange Logs werden zusammengefasst oder aufs Wesentliche gekürzt, bevor das Modell sie bekommt
- Dieselbe Datei wird nicht immer wieder neu gelesen
- Fehlergrund und nächster Schritt werden als Zustand gespeichert
- Nur unklare Entscheidungen gehen zurück an das starke Modell
- An den Menschen geht am Ende nur die Prüfung, ob wirklich alles live ist
Ideal ist:
KI = kümmert sich um das Unklare
Skripte / Workflows = arbeiten die festgelegten Schritte ab
GitHub / Datenbank / gespeicherter Zustand = übernehmen das Gedächtnis
Wenn du die KI jedes Mal überlegen lässt „Moment, was war noch mal der nächste Schritt?“, startet sie jedes Mal eine komplette Lagerinventur.
Lässt du die Maschine den nächsten Schritt notieren, musst du die KI nur rufen, wenn es wirklich nötig ist.
8. Aber „Mit OpenCode fährt man bei gleichem Limit immer besser“ kann man noch nicht sagen
Was die offizielle Dokumentation von OpenAI bestätigt: Codex und Work teilen sich ein Nutzungslimit, je nach Abo gibt es ein 5-Stunden-Limit und ein Wochenlimit, und der Verbrauch schwankt mit Kontext, Tools usw.
Was die offizielle Dokumentation von OpenCode bestätigt: Man kann sich mit ChatGPT Plus/Pro anmelden.
Aber in keiner der beiden offiziellen Dokumentationen gibt es eine Vergleichstabelle dazu, ob die Nutzung mit ChatGPT-Anmeldung über OpenCode bei OpenAI mit exakt derselben Formel und denselben internen Gewichtungen abgerechnet wird wie Codex – oder wie viel Mal besser OpenCode immer abschneidet.
Also:
„Bei mir hat es doppelt so lange gereicht“ ist ein interessanter Praxisbericht.
„Es reicht immer doppelt so lange“ ist nicht bestätigt.
Beides sollte man nicht vermischen.
Wer ernsthaft vergleichen will, nimmt dasselbe Repository, dasselbe Modell, dieselbe Aufgabe und dieselbe Definition von „fertig“ und misst:
- Gesamtzahl der Modellaufrufe
- Eingabe-/Ausgabe-Tokens
- Anzahl der Komprimierungen
- Anzahl der Tool-Aufrufe
- tatsächlich vergangene Zeit
- Zahl der abgeschlossenen Änderungen
- Anzahl der Neuversuche
- Endergebnis der Tests
Nicht „wie viele Stunden konnte ich arbeiten?“, sondern wie viel hat jede erfolgreich erledigte Aufgabe verbraucht?
Das ist der echte Verbrauch.
9. Fazit: Im KI-Zeitalter zählt nach der Modellwahl vor allem die „Verkabelung“
Früher drehte sich alles um die Frage „Welches Modell ist am schlausten?“.
Im Zeitalter der Agenten reicht das nicht mehr.
Auch mit demselben Modell hängt die geschaffte Arbeit davon ab:
- wie der Kontext befüllt wird
- wie viele Tools es gibt
- wie der Zustand verwaltet wird
- vom Komprimieren
- von den Neuversuchen
- wie entschieden wird, dass etwas fertig ist
- wie die Arbeit mit externen Workflows aufgeteilt wird
Das Modell ist der Motor.
Der Harness ist das ganze System: Einspritzung, Getriebe, Navi, Boxencrew bis hin zum Kofferraumvolumen.
Die Frage „Warum ist derselbe Sol so unterschiedlich?“ ist deshalb eigentlich völlig naheliegend.
Und sobald du anfängst, mehrere Dienste per MCP zu verbinden, wird aus dem, was du tust, statt „KI benutzen“ eher:
einen Arbeitsplatz rund um die KI gestalten
Und zum Schluss die nüchternste Wahrheit: Der beste MCP ist nicht der, der „die KI alles fragt“.
Sondern der, der immer mehr Schritte schafft, bei denen man die KI gar nicht mehr fragen muss.
Quellen
[1] https://openai.com/index/unlocking-the-codex-harness/
[2] https://help.openai.com/en/articles/11369540
[3] https://help.openai.com/en/articles/20001516
[4] https://opencode.ai/docs/providers
[5] https://opencode.ai/v2/docs/mcp-servers
[6] https://opencode.ai/v2/docs/compaction
[7] https://dev.opencode.ai/docs/server/
[8] https://opencode.ai/v2/docs/cli/acp/
Quellen (8)
- OpenAI, Unlocking the Codex harness: how we built the App Server openai.com
- OpenAI Help Center, ChatGPTプランでCodexを使う help.openai.com
- OpenAI Help Center, WorkとCodexでのGPT-6 Astraの利用量管理 help.openai.com
- OpenCode Docs, Providers opencode.ai
- OpenCode Docs, MCP servers opencode.ai
- OpenCode Docs, Compaction opencode.ai
- OpenCode Docs, Server / SDK https://dev.opencode.ai/docs/ja/sdk/ dev.opencode.ai
- OpenCode Docs, ACP opencode.ai




