Intinya dalam 5 detik: Biarpun pakai model yang persis sama, jumlah pemakaian bisa beda jauh, tergantung apa saja yang dimasukkan ke konteks tiap giliran, berapa kali model dipanggil, seberapa banyak hasil dari tool yang terus dibawa-bawa, dan kapan dipadatkan. Kalau model itu mesinnya, harness seperti Codex atau OpenCode itu transmisi, injeksi bahan bakar, GPS, dan montir jadi satu. Mesin sama belum tentu irit-borosnya sama.
1. "Limit 5 jam yang sama, tapi kerjanya dua kali lipat": pertama-tama, ini pengalaman pribadi, bukan hasil uji performa
Seorang developer menulis di media sosial bahwa setelah pindah dari Codex ke OpenCode, dengan tetap memakai GPT-5.6 Sol lewat login akun ChatGPT, dia merasa bisa menyelesaikan lebih dari dua kali lipat pekerjaan dengan limit 5 jam dan limit mingguan yang sama.
Di kolom balasan, ada yang menyarankan harness lain bernama pi, ada yang curiga bedanya ada di pengaturan batas konteks, dan ada juga yang ingin melihat pemakaian sebenarnya lewat router atau catatan pemakaian.
Yang paling penting di sini: belum ada yang membuktikan bahwa "pakai OpenCode resmi bisa dapat dua kali lipat". Ini pengamatan yang menarik, tapi bukan perbandingan dengan kondisi yang disamakan.
Di sisi lain, OpenAI menjelaskan bahwa pemakaian Codex tidak dihitung dari jumlah pesan yang tetap, tapi berubah-ubah tergantung model, tempat tugas dijalankan, tingkat kerumitan, konteks, penalaran, kecepatan, dan tool. Tergantung paketnya, ada limit 5 jam sekaligus limit mingguan.
Jadi, fenomena "ganti harness, borosnya ikut berubah" itu sebenarnya wajar banget kalau dilihat dari cara kerjanya.
2. Apa itu harness? "Semua" yang ada di luar otak AI
Kalau cuma lihat modelnya, gampang:
Sol = otak.
Tapi AI untuk ngoding yang dipakai sungguhan punya banyak sekali perlengkapan di sekitar otak itu:
- cara menyusun instruksi sistem
- file mana yang dibaca
- berapa token percakapan lama yang disimpan
- berapa banyak tool (shell, GitHub, dan lain-lain) yang ditunjukkan ke model
- seberapa banyak hasil tool yang dibawa ke giliran berikutnya
- berapa kali mencoba ulang kalau gagal
- berapa putaran rencana, eksekusi, dan review
- perlu tidaknya memadatkan konteks sebelum penuh
- perlu tidaknya membagi kerja ke sub-agen
- kapan memutuskan "sudah selesai"
Satu paket itulah yang disebut harness dalam arti luas.
OpenAI sendiri juga memakai kata "harness" untuk Codex, dan menjelaskan App Server yang menghubungkan model dengan tiap aplikasi klien, tool, dan status percakapan.
Makanya:
model sama ≠ seluruh sistemnya sama
Sama seperti mesin V8 yang sama dipasang di SUV seberat 2 ton dan di mobil berbodi ringan, konsumsi bensinnya pasti beda.
3. Biang kerok AI jadi boros biasanya "barang bawaan yang diangkut tiap giliran"
Pemakaian agen tidak cuma ditentukan oleh berapa banyak kata yang dia tulis di jawaban.
Di sesi yang panjang, setiap kali berpikir dia bisa ikut membawa:
- riwayat percakapan yang panjang
- prompt sistem yang besar
- AGENTS.md dan aturan lainnya
- definisi tool MCP
- banyak file yang dibaca dari GitHub
- log shell yang panjang banget
- hasil tes
- kegagalan sebelumnya
- info untuk percobaan ulang berikutnya
Kalau sekali saja sih ringan.
Masalahnya, semua itu dikirim ulang dan dibaca ulang 10 kali, 20 kali, 30 kali.
Kadang "membaca log 100KB sekali" malah tidak seberat memanggil model berkali-kali sambil terus membawa konteks sebesar 100KB.
Belum lagi, kalau harness A menyelesaikan satu tugas dalam 15 giliran, sementara harness B menghabiskan 30 giliran untuk rencana → cek → cari → cari lagi → review → review lagi, ya jelas beda, walaupun modelnya sama.
Irit atau borosnya bukan cuma soal mesin, tapi jebol gara-gara
barang bawaan × jumlah bolak-balik × jumlah percobaan ulang
4. Kenapa OpenCode menarik: login ChatGPT, MCP, dan pemadatan otomatis dalam satu kotak
Dokumentasi resmi OpenCode menyebut bahwa saat menghubungkan OpenAI, kamu bisa memilih ChatGPT Plus/Pro lalu login lewat browser. Ini jalur yang terpisah dari mengetik API key secara manual.
Selain itu, OpenCode berperan sebagai klien MCP dan bisa menambahkan MCP lokal maupun MCP jarak jauh.
Jadi, kamu bisa bikin susunan seperti ini:
OpenCode → GitHub MCP → MCP database → API buatan sendiri → tool eksternal lainnya
OpenCode juga punya pemadatan otomatis (compaction) yang mengganti konteks lama dari sesi panjang dengan sebuah titik simpan. Di dokumentasi saat ini, pemadatan otomatis aktif secara bawaan, dengan contoh pengaturan yang menyimpan ringkasan yang dibuat ditambah kira-kira 15.000 token terakhir.
Ini bukan "menghapus percakapan lama", tapi lebih mirip:
riwayatnya tetap disimpan di gudang, tapi untuk berangkat berikutnya cuma bawa barang yang perlu
Tapi bukan berarti sakti. OpenCode sendiri memperingatkan bahwa makin banyak server MCP ditambahkan, definisi tool dan sejenisnya makin memakan konteks, dan MCP besar seperti GitHub MCP gampang banget bikin konteks penuh.
Pasang 20 MCP lalu bilang "sekarang udah paling kuat!" itu sama saja seperti pahlawan yang memasukkan seluruh gudang ke slot perlengkapannya.
5. Mengendalikan semuanya dari ChatGPT lewat MCP, idenya juga hampir sama
Susunan dengan ChatGPT di tengah, yang mengurus GitHub, server, cloud, dan penyimpanan lewat MCP atau konektor eksternal, pada dasarnya juga "model + harness + tool".
Kalau digambar sebagai diagram kabel, sederhana:
ChatGPT → MCP / connector → GitHub, server, cloud, penyimpanan
ChatGPT yang memutuskan, MCP jadi tangan dan kakinya, dan tiap layanan menyimpan status yang sebenarnya.
OpenCode juga sama:
OpenCode → MCP / shell / API → repositori, server, cloud
Bedanya ada di di mana status percakapan disimpan, di mana putaran pemanggilan tool dijalankan, dan di mana konteks dipadatkan.
Jadi jawaban untuk pertanyaan "ini sama saja kan dengan mengendalikan semuanya dari ChatGPT lewat MCP?" adalah: hampir YES.
Konsep rancangannya sama, cuma merek ruang kendalinya yang beda.
6. Lalu, bisakah ChatGPT melempar pekerjaan ke OpenCode?
OpenCode secara resmi mendukung peran sebagai "pihak yang memakai MCP". Di sisi lain, dalam dokumentasi resmi yang dikutip, alih-alih mode untuk membuka OpenCode sendiri sebagai server MCP serbaguna, yang ditulis dengan jelas adalah pintu masuk berupa server HTTP/OpenAPI dengan SDK, atau ACP.
Dengan opencode serve, kamu bisa menjalankan OpenCode sebagai server HTTP tanpa tampilan dan mengendalikan sesi serta agen lewat program melalui OpenAPI. Ada juga SDK untuk JS/TS.
Karena itu, kalau mau melempar tugas dari ChatGPT ke OpenCode, susunan yang rapi kira-kira begini:
ChatGPT → jembatan MCP yang tipis → OpenCode Server → Sol → MCP / shell / API → GitHub, cloud, dan lain-lain
Tool yang dibuka oleh jembatan MCP boleh sedikit sekali:
- opencode_run_task
- opencode_get_status
- opencode_get_result
Segitu saja sudah cukup.
Tidak perlu tiap kali membawa puluhan definisi tool GitHub dan log raksasa ke ChatGPT. Biarkan OpenCode menuntaskan pekerjaan panjangnya, lalu cuma kirim balik hasil akhirnya.
Di titik inilah "lebih irit" benar-benar jadi soal rancangan.
7. Kalau serius mau hemat, jangan kurangi AI-nya, tapi kurangi "berapa kali balik ke AI"
Kesalahan paling umum adalah mengira ganti ke model yang lebih murah langsung menyelesaikan semuanya.
Tentu saja memilih model itu ngaruh.
Tapi untuk kerja otomatis yang lama, pembagian seperti ini biasanya lebih ampuh:
- proses yang hasilnya pasti dan tinggal ikut langkah, serahkan ke script
- status dan catatan pengerjaan disimpan di sisi mesin
- aktifkan hanya tool yang memang dibutuhkan
- log panjang diringkas atau diambil intinya dulu sebelum diberikan ke model
- jangan baca ulang file yang sama berkali-kali
- simpan alasan gagal dan langkah berikutnya sebagai status
- hanya keputusan yang meragukan yang dikembalikan ke model canggih
- ke manusia cukup kirim hasil cek akhir bahwa perubahan sudah benar-benar tayang
Bentuk idealnya:
AI = bagian yang mengurus hal-hal yang ambigu
script / alur kerja otomatis = bagian yang menjalankan langkah yang sudah pasti
GitHub / database / status yang tersimpan = bagian yang mengingat
Kalau AI disuruh mikir "eh, habis ini ngapain ya?" setiap kali, setiap kali itu juga dia mulai stok opname seluruh gudang.
Kalau mesin yang mencatat langkah berikutnya, AI cukup dipanggil saat benar-benar perlu.
8. Tapi, "pakai OpenCode pasti lebih untung dengan limit yang sama" belum bisa dikatakan
Yang bisa dipastikan dari dokumentasi resmi OpenAI: Codex dan Work berbagi limit pemakaian, tergantung paketnya ada limit 5 jam dan limit mingguan, dan pemakaian berubah sesuai konteks, tool, dan sebagainya.
Yang bisa dipastikan dari dokumentasi resmi OpenCode: kamu bisa login dengan ChatGPT Plus/Pro.
Tapi tidak ada tabel perbandingan di dokumentasi resmi kedua pihak yang menyebut apakah pemakaian login ChatGPT lewat OpenCode dipotong oleh OpenAI dengan rumus dan bobot internal yang persis sama seperti Codex, atau berapa kali lipat OpenCode selalu lebih untung.
Jadi:
"Punyaku jalan dua kali lipat" adalah cerita pengalaman nyata yang menarik.
"Pasti jalan dua kali lipat" belum terbukti.
Sebaiknya dua hal ini jangan dicampur.
Kalau mau membandingkan dengan benar, pakai repositori yang sama, model yang sama, tugas yang sama, dan syarat "selesai" yang sama, lalu catat:
- jumlah total pemanggilan model
- token masuk/keluar
- jumlah pemadatan
- jumlah pemanggilan tool
- waktu yang benar-benar terpakai
- jumlah perubahan yang selesai
- jumlah percobaan ulang
- hasil tes akhir
Jangan lihat "bisa dipakai berapa jam", tapi lihat berapa yang habis untuk tiap 1 tugas yang berhasil.
Itulah irit-boros yang sebenarnya.
9. Kesimpulan: di era AI, setelah memilih model, yang paling ngaruh berikutnya adalah "pengabelan"
Dulu yang dibahas cuma "model mana yang paling pintar".
Di era agen, itu saja tidak cukup.
Dengan model yang sama, banyaknya kerja yang selesai juga berubah tergantung:
- cara mengisi konteks
- jumlah tool
- pengelolaan status
- pemadatan
- percobaan ulang
- cara menentukan selesai
- pembagian kerja dengan alur kerja eksternal
Model itu mesinnya.
Harness itu satu sistem utuh: injeksi bahan bakar, transmisi, GPS, kru pit, sampai kapasitas bagasi.
Makanya pertanyaan "padahal sama-sama Sol, kok bisa beda segini?" justru wajar banget.
Dan begitu kamu mulai menghubungkan banyak layanan dengan MCP, yang kamu lakukan sudah berubah dari "memakai AI" jadi
merancang tempat kerja di sekeliling AI
Terakhir, kenyataan paling blak-blakan: MCP terbaik bukan yang "apa-apa nanya ke AI".
Tapi yang memperbanyak langkah yang tidak perlu nanya ke AI.
[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/
- 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


