Conclusión en cinco segundos: el mismo modelo puede gastar cantidades muy distintas según el contexto enviado en cada turno, el número de llamadas, cuánto output de herramientas se conserva, cuándo se compacta el historial y cómo se gestionan los reintentos. Si el modelo es el motor, el harness es la transmisión, la inyección, el GPS y el equipo de boxes.
1. “El mismo límite de cinco horas y más del doble de trabajo” es una observación, no un benchmark oficial
Un desarrollador comentó en redes que, al pasar de Codex a OpenCode y seguir usando GPT-5.6 Sol mediante autenticación de ChatGPT, sentía que obtenía más del doble de trabajo dentro de los mismos límites de cinco horas y semanales.
En las respuestas aparecieron otras opciones como pi, dudas sobre el tamaño del contexto y propuestas de medir el consumo real con routing y telemetría.
La frontera importante es ésta: no existe una garantía oficial de que OpenCode duplique el uso disponible.
OpenAI sí explica que el consumo de Codex no es un número fijo de mensajes. Depende del modelo, del lugar donde se ejecuta la tarea, de su complejidad, del contexto, del razonamiento, de la velocidad y de las herramientas. Algunos planes tienen ventanas de cinco horas y límites semanales.
Por tanto, que un cambio de harness cambie la “economía de combustible” es totalmente plausible. El factor exacto de dos no está demostrado.
2. ¿Qué es el harness? Todo lo que rodea al cerebro
El modelo por sí solo es sencillo:
Sol = cerebro.
Pero un agente de programación también decide:
- cómo construir las instrucciones del sistema
- qué archivos leer
- cuánto historial mantener
- qué schemas de herramientas exponer
- cuánto output de shell o GitHub conservar
- cuántos reintentos hacer
- cuántas vueltas de plan, implementación y revisión ejecutar
- cuándo compactar contexto
- cuándo usar subagentes
- cómo decidir que el trabajo terminó
Ese conjunto es el harness en sentido amplio.
OpenAI utiliza explícitamente la expresión “Codex harness” y describe un App Server que conecta conversaciones, clientes y herramientas.
Así que:
mismo modelo no significa mismo sistema.
El mismo motor en dos vehículos con distinto peso y transmisión no ofrece el mismo consumo.
3. El enemigo del consumo suele ser el equipaje que se carga en cada viaje
Una sesión larga puede arrastrar en cada llamada:
- historial enorme
- system prompt grande
- reglas del proyecto
- schemas MCP
- archivos del repositorio
- logs de terminal
- resultados de tests
- fallos anteriores
- estado de retry
Leer un log grande una vez no siempre es lo peor.
El problema aparece cuando un contexto grande acompaña 10, 20 o 30 llamadas al modelo.
También importa la orquestación. Si un harness termina en 15 llamadas y otro usa 30 por planificación, búsquedas repetidas, revisión y re-revisión, el mismo modelo tendrá consumos muy diferentes.
Como intuición:
consumo ≈ equipaje × viajes × reintentos
No es una fórmula de facturación, pero sí una buena forma de diseñar sistemas.
4. Por qué OpenCode resulta interesante: autenticación de ChatGPT, MCP y compaction
La documentación de OpenCode permite conectar OpenAI mediante la opción ChatGPT Plus/Pro y autenticar en el navegador, aparte de introducir una API key manualmente.
OpenCode también funciona como cliente MCP para servidores locales y remotos.
Por ejemplo:
OpenCode → GitHub MCP → MCP de base de datos → API propia → otras herramientas
Además incluye compaction automático. La documentación actual muestra una configuración por defecto que conserva un checkpoint generado y aproximadamente los 15.000 tokens más recientes.
La idea es:
guardar el archivo histórico, pero no transportar todo el almacén en cada petición.
Sin embargo, OpenCode también avisa de que los servidores MCP consumen contexto. Un conjunto grande, como GitHub MCP, puede añadir muchos tokens.
Conectar veinte MCP no convierte automáticamente al agente en un superhéroe.
A veces sólo le has atado el almacén a la espalda.
5. Controlarlo todo desde ChatGPT mediante MCP es prácticamente la misma arquitectura
Si ChatGPT es el controlador central y MCP o los conectores operan GitHub, servidores, nube y almacenamiento, la estructura sigue siendo:
modelo + harness + herramientas.
ChatGPT → MCP / connector → GitHub, servidor, nube, almacenamiento
ChatGPT resuelve ambigüedad, MCP actúa como manos y los sistemas externos guardan el estado real.
OpenCode hace algo equivalente:
OpenCode → MCP / shell / API → repositorio, servidor, nube
La diferencia está en dónde vive el estado conversacional, dónde corre el tool loop, cuándo se compacta contexto y cómo se verifica el final.
Por eso, ante la pregunta “¿no es básicamente lo mismo que moverlo todo desde ChatGPT con MCP?”, la respuesta arquitectónica es:
sí, es muy parecido.
Mismo edificio, distinta sala de control.
6. ¿Puede ChatGPT delegar un trabajo a OpenCode?
OpenCode documenta claramente su papel como cliente MCP. También ofrece opencode serve, que inicia un servidor HTTP/OpenAPI sin interfaz, además de SDK y soporte ACP.
Una arquitectura limpia sería:
ChatGPT → bridge MCP pequeño → OpenCode Server → Sol → MCP / shell / API → GitHub y nube
El bridge sólo necesita pocas herramientas de alto nivel:
- ejecutar una tarea de OpenCode
- consultar estado
- recuperar resultado final
Así, ChatGPT no necesita cargar decenas de tools de GitHub ni logs gigantes en cada turno. OpenCode mantiene el bucle largo y devuelve únicamente el resultado.
No se trata sólo de añadir otra aplicación.
Se trata de mover la frontera del bucle del agente.
7. Para gastar menos, reduce las veces que el flujo vuelve a la IA
Un diseño eficiente suele:
- mover pasos deterministas a scripts
- guardar state y receipts fuera del chat
- exponer sólo las herramientas necesarias
- extraer y resumir logs antes de enviarlos
- evitar releer archivos sin cambios
- guardar la causa del fallo y la next action
- usar el modelo caro sólo para decisiones ambiguas
- devolver el readback final de producción
La división queda así:
IA = ambigüedad
scripts/workflows = ejecución determinista
GitHub/DB/state = memoria
Si la IA tiene que redescubrir “qué toca ahora” en cada ciclo, estás pagando por volver a inventariar el almacén.
8. Lo que todavía no está demostrado
OpenAI documenta que Work y Codex comparten allowance y que el consumo varía según contexto y herramientas. También existen ventanas de cinco horas y semanales en planes aplicables.
OpenCode documenta la autenticación ChatGPT Plus/Pro.
Lo que no aparece en estas fuentes oficiales es una regla universal que diga que OpenCode y Codex usan exactamente la misma función interna de medición, ni que OpenCode proporcione siempre un múltiplo fijo de eficiencia.
Por eso:
“A mí me dio el doble” es una medición interesante.
“Siempre da el doble” no está demostrado.
Un benchmark real debe fijar repo, modelo, tarea y criterio de finalización, y medir llamadas, tokens, compactions, tool calls, retries, tiempo y tests finales.
La unidad útil es consumo por tarea completada con éxito.
9. Conclusión: en la era de los agentes, el cableado importa casi tanto como el motor
Elegir modelo sigue siendo importante.
Pero con tareas largas y herramientas, también importan la gestión de contexto, estado, número de herramientas, retries, compaction y criterio de cierre.
El modelo es el motor.
El harness es el resto del vehículo.
Cuando empiezas a conectar sistemas con MCP, ya no estás simplemente “usando IA”.
Estás diseñando el lugar de trabajo de la IA.
Y una de las mejores optimizaciones es conseguir que haya pasos que ya no necesiten preguntar a la IA.
[1] https://openai.com/index/unlocking-the-codex-harness/ [2] https://help.openai.com/ja-jp/articles/11369540 [3] https://help.openai.com/ja-jp/articles/20001516-managing-usage-with-gpt-6-astra-in-work-and-codex [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/ https://dev.opencode.ai/docs/ja/sdk/ [8] https://opencode.ai/v2/docs/cli/acp/
- 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
- https://dev.opencode.ai/docs/ja/sdk/ dev.opencode.ai
- OpenCode Docs, ACP opencode.ai
