Kesimpulan lima detik: model yang sama bisa menghabiskan kuota dengan sangat berbeda tergantung context yang dikirim setiap giliran, jumlah panggilan model, banyaknya output tool yang dipertahankan, kapan history dipadatkan, dan bagaimana retry dilakukan. Jika model adalah mesin, harness adalah transmisi, injeksi bahan bakar, navigasi, dan kru pit.
1. “Jendela lima jam yang sama tetapi kerja dua kali lipat” adalah pengalaman, bukan benchmark resmi
Seorang developer melaporkan di media sosial bahwa setelah berpindah dari Codex ke OpenCode, sambil tetap memakai GPT-5.6 Sol melalui autentikasi ChatGPT, ia merasa bisa menyelesaikan lebih dari dua kali pekerjaan dalam batas lima jam dan mingguan yang sama.
Balasan menyebut harness lain seperti pi, kemungkinan perbedaan batas context, serta routing dan telemetry untuk melihat konsumsi sebenarnya.
Batas pentingnya adalah: tidak ada jaminan resmi bahwa OpenCode menggandakan kuota.
OpenAI memang menjelaskan bahwa penggunaan Codex bukan sekadar jumlah pesan tetap. Konsumsi bergantung pada model, lokasi eksekusi tugas, kompleksitas, context, reasoning, speed, dan tools. Pada beberapa paket ada jendela lima jam dan batas mingguan.
Jadi perubahan efisiensi setelah mengganti harness masuk akal secara teknis, tetapi angka dua kali belum terbukti sebagai aturan umum.
2. Apa itu harness? Semua yang mengelilingi otak
Modelnya sendiri sederhana:
Sol = otak.
Namun agen coding harus menentukan:
- cara merakit system instructions
- file mana yang dibaca
- berapa banyak history yang disimpan
- tool schema mana yang ditampilkan
- berapa banyak output shell/GitHub yang dibawa ke giliran berikut
- berapa kali retry
- berapa putaran plan, implement, review
- kapan melakukan compaction
- kapan memakai subagent
- bagaimana menentukan pekerjaan selesai
Seluruh lapisan ini adalah harness dalam arti luas.
OpenAI sendiri memakai istilah “Codex harness” dan menjelaskan App Server yang menghubungkan percakapan model, client, dan tools.
Jadi:
model sama tidak berarti sistem sama.
Mesin yang sama pada kendaraan dengan berat dan transmisi berbeda tidak menghasilkan konsumsi bahan bakar yang sama.
3. Yang menghabiskan bahan bakar biasanya adalah barang bawaan setiap perjalanan
Sesi panjang dapat membawa berulang kali:
- history panjang
- system prompt besar
- aturan proyek
- MCP tool schema
- file repository
- log terminal
- hasil test
- kegagalan sebelumnya
- state retry
Membaca log besar sekali belum tentu masalah terbesar.
Masalahnya adalah membawa active context besar ke 10, 20, atau 30 panggilan model.
Orkestrasi juga penting. Jika harness A selesai dalam 15 panggilan sementara harness B membutuhkan 30 karena planning, eksplorasi ulang, review, dan review ulang, total konsumsi akan berbeda walaupun model sama.
Sebagai intuisi:
konsumsi ≈ bagasi × perjalanan × retry
Bukan rumus billing resmi, tetapi sangat berguna untuk desain sistem.
4. Mengapa OpenCode menarik: autentikasi ChatGPT, MCP, dan compaction
Dokumentasi OpenCode memungkinkan koneksi OpenAI melalui opsi ChatGPT Plus/Pro dan autentikasi browser, terpisah dari memasukkan API key secara manual.
OpenCode juga merupakan client MCP untuk server lokal dan remote.
Contohnya:
OpenCode → GitHub MCP → database MCP → API sendiri → tools lain
OpenCode memiliki compaction otomatis. Dokumentasi saat ini menunjukkan fitur ini aktif secara default dan contoh yang mempertahankan checkpoint plus sekitar 15.000 token terbaru.
Secara konsep:
history tetap berada di gudang, tetapi gudang tidak dibawa setiap kali model dipanggil.
Namun OpenCode juga memperingatkan bahwa MCP server menambah context. Tool set besar seperti GitHub MCP bisa memakai banyak token.
Menghubungkan dua puluh MCP tidak selalu membuat agen lebih kuat.
Bisa saja pahlawannya justru membawa gudang di punggung.
5. Mengendalikan semuanya dari ChatGPT melalui MCP pada dasarnya arsitektur yang sama
Jika ChatGPT menjadi pengendali pusat dan MCP/connectors mengoperasikan GitHub, server, cloud, dan storage, strukturnya tetap:
model + harness + tools.
ChatGPT → MCP / connector → GitHub, server, cloud, storage
ChatGPT menangani keputusan, MCP menjadi tangan, dan sistem eksternal menyimpan state sebenarnya.
OpenCode mirip:
OpenCode → MCP / shell / API → repository, server, cloud
Perbedaannya ada pada lokasi conversation state, tempat tool loop berjalan, kapan context dipadatkan, dan bagaimana completion diverifikasi.
Jadi untuk pertanyaan “bukankah ini sama seperti menjalankan semuanya dari ChatGPT lewat MCP?”:
secara arsitektur, sangat mirip.
Bangunannya sama, ruang kontrolnya berbeda.
6. Bisakah ChatGPT mendelegasikan pekerjaan ke OpenCode?
OpenCode secara resmi mendukung peran sebagai MCP client. Ia juga menyediakan opencode serve, server HTTP/OpenAPI headless, plus SDK dan ACP.
Desain yang bersih adalah:
ChatGPT → MCP bridge tipis → OpenCode Server → Sol → MCP / shell / API → GitHub dan cloud
Bridge cukup menyediakan beberapa tool tingkat tinggi:
- jalankan task OpenCode
- cek status
- ambil hasil akhir
Dengan begitu ChatGPT tidak perlu membawa puluhan schema GitHub dan log besar pada setiap giliran. Loop eksekusi panjang tinggal di OpenCode dan hanya hasil akhir yang kembali.
Ini bukan sekadar menambah aplikasi.
Ini adalah memindahkan batas agent loop.
7. Jika ingin menghemat penggunaan, kurangi berapa kali workflow kembali ke AI
Desain yang efisien biasanya:
- memindahkan langkah deterministik ke script
- menyimpan state dan receipt di luar chat
- menyalakan hanya tools yang perlu
- mengekstrak dan meringkas log besar
- tidak membaca ulang file yang tidak berubah
- menyimpan alasan gagal dan next action
- memanggil model mahal hanya untuk ambiguitas
- mengembalikan final production readback
Pembagian perannya:
AI = ambiguitas
script/workflow = eksekusi deterministik
GitHub/DB/state = memori
Jika AI harus menemukan ulang “langkah berikutnya apa?” setiap siklus, Anda membayar untuk inventaris gudang berulang kali.
8. Apa yang belum terbukti
OpenAI mendokumentasikan bahwa Work dan Codex berbagi allowance dan konsumsi berubah berdasarkan context dan tools. Pada paket yang relevan ada jendela lima jam dan mingguan.
OpenCode mendokumentasikan autentikasi ChatGPT Plus/Pro.
Namun sumber resmi ini tidak memberi aturan universal bahwa OpenCode dan Codex selalu diukur dengan fungsi internal identik, atau bahwa OpenCode selalu memberi kelipatan efisiensi tertentu.
Jadi:
“Saya mendapat dua kali lebih banyak” adalah pengukuran yang menarik.
“Selalu dua kali” belum terbukti.
Benchmark yang baik harus memakai repo, model, task, dan completion criteria yang sama, lalu mengukur model calls, token, compaction, tool calls, retries, waktu, dan hasil test final.
Unit yang lebih berguna adalah konsumsi per task sukses.
9. Kesimpulan: di era agen, kabel hampir sama pentingnya dengan mesin
Pemilihan model tetap penting.
Namun pada pekerjaan panjang dengan tools, context management, state, jumlah tools, retries, compaction, dan completion logic ikut menentukan hasil.
Model adalah mesin.
Harness adalah seluruh kendaraan.
Begitu Anda menghubungkan banyak sistem lewat MCP, Anda tidak hanya “menggunakan AI”.
Anda sedang merancang tempat kerja untuk AI.
Dan optimasi terbaik kadang bukan menambah tool baru, melainkan membuat langkah tertentu tidak perlu kembali ke AI sama sekali.
[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
