5초 요약: 같은 모델을 써도 매번 컨텍스트에 뭘 넣는지, 모델을 몇 번 부르는지, 도구 실행 결과를 얼마나 끌고 다니는지, 언제 압축하는지에 따라 사용량은 크게 달라질 수 있다. 모델이 엔진이라면 Codex나 OpenCode 같은 하네스는 변속기, 연료 분사, 내비, 정비사를 합친 것이다. 엔진이 같아도 연비가 같으란 법은 없다.
1. "같은 5시간 한도인데 두 배를 달린다" — 이건 벤치마크가 아니라 사용 후기다
한 개발자가 SNS에 "Codex에서 OpenCode로 바꾸고, 똑같이 GPT-5.6 Sol을 ChatGPT 로그인으로 썼더니 같은 5시간 한도·주간 한도로 두 배 넘게 일이 되는 느낌"이라고 올렸다.
댓글에서는 pi라는 다른 하네스를 추천하는 사람, 컨텍스트 한도 설정이 다른 거 아니냐는 사람, 라우터나 사용량 기록으로 실제 소모량을 보고 싶다는 사람도 있었다.
여기서 제일 중요한 건 "OpenCode면 공식적으로 두 배 쓸 수 있다"고 증명한 사람은 아무도 없다는 점이다. 꽤 그럴듯한 관찰이긴 하지만, 조건을 맞춘 비교 실험은 아니다.
반면 OpenAI는 Codex 사용량이 정해진 메시지 수가 아니라 모델, 작업이 실행되는 위치, 복잡도, 컨텍스트, 추론, 속도, 도구 등에 따라 달라진다고 설명한다. 요금제에 따라 5시간 한도와 주간 한도가 둘 다 있다.
그러니까 "하네스를 바꿨더니 연비가 달라졌다"는 현상 자체는 구조상 충분히 자연스럽다.
2. 하네스가 뭔데? — AI 본체 바깥에 있는 '전부'
모델만 보면 간단하다.
Sol = 두뇌.
그런데 실제 코딩 에이전트는 그 두뇌 주변에 장치를 잔뜩 달고 있다.
- 시스템 지시문을 어떻게 짤지
- 어떤 파일을 읽을지
- 지난 대화를 몇 토큰까지 남길지
- shell, GitHub 같은 도구를 몇 개 보여 줄지
- 도구 실행 결과를 다음 턴까지 얼마나 가져갈지
- 실패하면 몇 번 다시 시도할지
- 계획, 구현, 검토를 몇 바퀴 돌지
- 컨텍스트가 넘치기 전에 압축할지
- 하위 에이전트에 일을 나눠 줄지
- 언제 "끝났다"고 판단할지
이 한 세트가 넓은 의미의 하네스다.
OpenAI도 Codex를 설명하면서 "harness"라는 말을 쓰고, 모델과 각 클라이언트·도구·대화 상태를 이어 주는 App Server를 소개한다.
그래서
모델이 같다 ≠ 시스템 전체가 같다
다.
같은 V8 엔진을 얹어도 2톤짜리 SUV와 가벼운 차의 연비가 같을 리 없는 것과 같다.
3. AI 연비를 망치는 범인은 대개 '매 턴 들고 가는 짐'
에이전트 사용량은 그냥 "답을 몇 글자 썼나"로 정해지지 않는다.
긴 세션에서는 매번 추론할 때마다
- 긴 대화 기록
- 큰 시스템 프롬프트
- AGENTS.md나 규칙
- MCP 도구 정의
- GitHub에서 읽어 온 많은 파일
- 엄청 긴 shell 로그
- 테스트 결과
- 지난 실패
- 다음 재시도용 정보
가 같이 실린다.
한 번이면 가볍다.
문제는 이걸 10번, 20번, 30번 다시 보내고 다시 읽는 거다.
"로그 100KB를 읽었다"보다 100KB급 컨텍스트를 끌어안은 채 모델을 몇 번이고 부르는 것이 더 타격이 클 때가 있다.
게다가 하네스 A는 15턴에 끝내는 일을 하네스 B가 계획→확인→탐색→재탐색→검토→재검토로 30턴을 쓰면, 같은 모델이라도 당연히 차이가 난다.
연비는 엔진 성능만으로 정해지지 않는다.
짐 × 왕복 횟수 × 재시도 횟수
로 무너진다.
4. OpenCode가 재미있는 이유 — ChatGPT 로그인, MCP, 자동 압축이 한 상자에
OpenCode 공식 문서를 보면 OpenAI에 연결할 때 ChatGPT Plus/Pro를 고르고 브라우저로 로그인할 수 있다. API 키를 직접 입력하는 방법과는 따로 준비돼 있다.
또 OpenCode는 MCP 클라이언트로서 로컬 MCP와 원격 MCP를 둘 다 붙일 수 있다.
그러니까
OpenCode → GitHub MCP → 데이터베이스 MCP → 직접 만든 API → 기타 외부 도구
같은 구성이 가능하다.
게다가 OpenCode에는 자동 압축(compaction)이 있어서, 긴 세션의 오래된 컨텍스트를 체크포인트로 바꿔 둔다. 현재 문서에는 자동 압축이 기본으로 켜져 있고, 생성된 요약과 대략 최근 15,000토큰을 남기는 설정 예시가 나와 있다.
이건 "옛날 대화를 지운다"기보다
창고에 기록은 남겨 두고, 다음 출동 때는 필요한 짐만 싣는다
는 설계에 가깝다.
물론 만능은 아니다. OpenCode 스스로도 MCP 서버를 늘리면 도구 정의 같은 것들이 컨텍스트를 잡아먹고, 특히 GitHub MCP처럼 큰 MCP는 컨텍스트를 금방 채운다고 경고한다.
MCP를 20개 붙여 놓고 "이제 최강!" 하는 건, 용사가 장비 칸에 창고를 통째로 장착하는 꼴이다.
5. ChatGPT에서 MCP로 전부 움직이는 것도 발상은 거의 같다
ChatGPT를 가운데 두고 MCP나 외부 커넥터로 GitHub, 서버, 클라우드, 스토리지를 다루는 구성도 본질은 "모델 + 하네스 + 도구"다.
배선도로 그리면 단순하다.
ChatGPT → MCP / connector → GitHub·서버·클라우드·스토리지
ChatGPT가 판단하고, MCP가 손발이 되고, 각 서비스가 실제 상태를 갖고 있다.
OpenCode도 마찬가지다.
OpenCode → MCP / shell / API → 저장소·서버·클라우드
차이는 대화 상태를 어디에 두고, 도구 실행 반복을 어디서 돌리고, 컨텍스트를 어디서 압축하느냐다.
그래서 "ChatGPT에서 MCP로 다 돌리는 거랑 같은 거야?"라는 질문에 대한 답은 거의 YES.
설계 사상은 같고, 관제실 브랜드만 다르다.
6. 그럼 ChatGPT에서 OpenCode로 일을 넘길 수 있을까
OpenCode는 'MCP를 쓰는 쪽'을 공식 지원한다. 한편 인용한 공식 문서에서는 OpenCode 자체를 범용 MCP 서버로 그대로 공개하는 모드보다는, HTTP/OpenAPI 서버와 SDK, 또는 ACP라는 입구가 분명하게 나와 있다.
opencode serve를 쓰면 OpenCode를 화면 없는 HTTP 서버로 띄우고, OpenAPI로 세션과 에이전트를 프로그램에서 제어할 수 있다. JS/TS SDK도 있다.
그래서 ChatGPT 쪽에서 OpenCode로 일을 넘기고 싶다면 깔끔한 구성은 이렇다.
ChatGPT → 얇은 MCP 브리지 → OpenCode Server → Sol → MCP / shell / API → GitHub·클라우드 등
MCP 브리지가 공개하는 도구는 아주 적어도 된다.
- opencode_run_task
- opencode_get_status
- opencode_get_result
정도면 충분하다.
ChatGPT 쪽에 GitHub 도구 정의 수십 개나 거대한 로그를 매번 들고 오지 않고, 긴 실제 작업은 OpenCode에서 끝낸 뒤 최종 결과만 돌려준다.
여기서 비로소 "연비 개선"이 설계가 된다.
7. 사용량을 진짜 줄이려면 AI를 줄이기보다 'AI로 돌아가는 횟수'를 줄여라
제일 흔한 실수는 싼 모델로 바꾸면 다 해결될 거라고 생각하는 거다.
물론 모델 선택도 효과가 있다.
하지만 오래 도는 자동 작업에서는 그보다
- 결과가 정해진 처리는 스크립트로 뺀다
- 상태와 처리 기록은 기계 쪽에 둔다
- 도구는 필요한 것만 켠다
- 긴 로그는 요약하거나 핵심만 뽑아서 모델에 넘긴다
- 같은 파일을 몇 번씩 다시 읽지 않는다
- 실패 이유와 다음 할 일을 상태로 저장한다
- 애매한 판단만 고성능 모델에 맡긴다
- 최종적으로 실제 서비스에 반영됐는지 확인한 결과만 사람에게 돌려준다
이런 분리가 더 잘 먹힌다.
이상적인 형태는
AI = 애매한 걸 처리하는 담당
스크립트 / 워크플로 = 정해진 절차를 돌리는 담당
GitHub / DB / 저장된 상태 = 기억하는 담당
이다.
AI한테 "다음에 뭐 하더라?"를 매번 생각하게 하면, 그때마다 창고 재고 조사가 시작된다.
다음 할 일을 기계가 적어 두게 하면, AI는 필요할 때만 부르면 된다.
8. 다만 "OpenCode면 같은 한도로 무조건 이득"이라고는 아직 말할 수 없다
OpenAI 공식 자료로 확인되는 건, Codex와 Work가 사용 한도를 공유하고, 요금제에 따라 5시간 한도·주간 한도가 있으며, 사용량이 컨텍스트나 도구 등에 따라 달라진다는 것.
OpenCode 공식 자료로 확인되는 건, ChatGPT Plus/Pro 로그인을 쓸 수 있다는 것.
하지만 OpenCode를 거친 ChatGPT 로그인 사용이 OpenAI 쪽에서 Codex와 완전히 같은 계산식·같은 내부 가중치로 차감되는지, 또 OpenCode가 항상 몇 배 이득인지를 보여 주는 비교표는 양쪽 공식 자료 어디에도 없다.
그러니까
"두 배 달렸다"는 재미있는 실측 후기.
"무조건 두 배 달린다"는 확인 안 됨.
이 둘은 섞지 않는 게 좋다.
제대로 비교하려면 같은 저장소, 같은 모델, 같은 작업, 같은 종료 조건으로
- 모델 총 호출 횟수
- 입력/출력 토큰
- 압축 횟수
- 도구 호출 횟수
- 실제 걸린 시간
- 완료한 변경 수
- 재시도 횟수
- 최종 테스트 결과
를 재야 한다.
"몇 시간 썼나"가 아니라 성공한 작업 1건당 얼마나 소모했나를 봐야 한다.
그게 진짜 연비다.
9. 결론 — AI 시대, 모델 고르기 다음으로 중요한 건 '배선'
예전에는 "어떤 모델이 제일 똑똑한가"가 중심이었다.
에이전트 시대에는 그것만으로는 부족하다.
같은 모델이라도
- 컨텍스트를 채우는 방식
- 도구 개수
- 상태 관리
- 압축
- 재시도
- 종료 판단
- 외부 워크플로와의 역할 분담
에 따라 해내는 일의 양이 달라진다.
모델은 엔진.
하네스는 연료 분사, 변속기, 내비, 피트 크루, 트렁크 용량까지 전부 합친 시스템.
그러니 "같은 Sol인데 왜 이렇게 다르지?"는 오히려 자연스러운 질문이다.
그리고 MCP로 여러 서비스를 잇기 시작한 순간, 내가 하는 일은 "AI를 쓰는 것"에서
AI 주변에 일터를 설계하는 것
으로 바뀌어 있다.
마지막으로 제일 냉정한 얘기를 하자면, 최강의 MCP는 "뭐든 AI에게 묻는 것"이 아니다.
AI에게 묻지 않아도 되는 단계를 늘리는 것이다.
[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


