Secondo l’analisi si Systima, Claude Code consuma 33.000 token mentre OpenCode circa 7.000 a parità di lavoro e macchina
L’intelligenza artificiale è ormai arrivata su ognuno di noi, ma come sempre bisogna andare incontro ad una gestione ottimale per non spendere una fortuna in abbonamenti e token sprecati. Ecco che in rete le guide per migliorare il consumo delle varie AI si spreca.
Un recente confronto diretto tra Claude Code e OpenCode mette in evidenza una differenza significativa nel consumo di token, a parità di modello, hardware e attività svolte. L’analisi realizzata da Systima ha monitorato il traffico API attraverso un proxy di logging, mostrando come il costo di utilizzo possa dipendere non soltanto dal modello di intelligenza artificiale utilizzato, ma anche dal modo in cui lo strumento costruisce e gestisce il contesto inviato al modello.
Il risultato più importante riguarda proprio il consumo di token. Prima ancora che venga elaborato il prompt dell’utente, Claude Code parte con una quantità di informazioni molto più elevata rispetto a OpenCode. Nel test, Claude Code ha utilizzato circa 33.000 token iniziali tra istruzioni di sistema, definizioni degli strumenti e componenti di scaffolding, mentre OpenCode si è fermato a circa 7.000 token.
Claude Code parte con un consumo di token molto più elevato
Una delle principali differenze tra i due strumenti riguarda il numero di tool disponibili. Claude Code utilizza 27 strumenti, mentre OpenCode ne impiega circa 10. L’ambiente di Anthropic comprende anche funzionalità dedicate agli agenti in background, all’orchestrazione, alla gestione dei worktree e alle notifiche.
Questa maggiore complessità ha un prezzo. Secondo l’analisi, circa 24.000 dei 33.000 token iniziali di Claude Code sono riconducibili alle definizioni degli strumenti. Anche eliminando questi componenti, il prompt di sistema di Claude Code rimane più pesante: circa 6.500 token contro i 2.000 di OpenCode.
La differenza è quindi legata non soltanto al modello, ma soprattutto alla quantità di istruzioni e metadati che vengono trasmessi durante l’interazione.
Il problema della prompt cache
Uno degli aspetti più interessanti del confronto riguarda la prompt cache, un meccanismo fondamentale per ridurre il costo delle richieste ripetitive. OpenCode mantiene il prefisso delle richieste sostanzialmente identico, consentendo di beneficiare della cache dopo la prima elaborazione.
Claude Code, invece, secondo i test, utilizza differenti classi di richieste durante una stessa sessione e può modificare il proprio prefisso. Il risultato è particolarmente evidente nel test dedicato al riepilogo di un file. In cinque richieste, Claude Code avrebbe scritto circa 53.839 token nella cache, mentre OpenCode ne avrebbe scritti appena 1.003. La differenza arriva quindi a circa 54 volte.
Questo elemento può spiegare perché il consumo visualizzato nei sistemi di monitoraggio possa aumentare rapidamente durante una sessione di lavoro con Claude Code.
L’analisi indica inoltre che il fenomeno è stato osservato utilizzando due famiglie di modelli differenti, Sonnet 4.5 e Fable 5. Questo suggerisce che la differenza non sia necessariamente riconducibile a una specifica versione del modello, ma piuttosto all’architettura e al modo in cui i due strumenti gestiscono il contesto.
In produzione il consumo può aumentare ulteriormente
Il divario può diventare ancora più evidente in un ambiente di sviluppo reale. Un file di istruzioni di grandi dimensioni, come AGENTS.md o CLAUDE.md, può aggiungere migliaia di token a ogni richiesta. Nel caso analizzato, un file da circa 72 KB avrebbe aggiunto mediamente 20.000 token.
A questi possono sommarsi altri 5.000-7.000 token provenienti da diversi server MCP. In uno scenario complesso, la configurazione iniziale può quindi arrivare a una baseline compresa tra 75.000 e 85.000 token, prima ancora che l’utente inserisca il proprio prompt.
Un ulteriore dettaglio riguarda la gestione dei file di istruzioni. Secondo il test, Claude Code 2.1.207 non legge automaticamente AGENTS.md in determinate condizioni e richiede CLAUDE.md, mentre OpenCode supporta entrambi i nomi. Il comportamento descritto è particolarmente importante perché un file ignorato può non generare un errore evidente.
I subagenti possono moltiplicare il consumo
La situazione diventa ancora più interessante quando entrano in gioco i subagenti AI. Nel test riportato, un’attività che richiedeva 121.000 token quando eseguita direttamente è arrivata a circa 513.000 token distribuendola a due subagenti.
Il motivo è legato alla struttura stessa del sistema ogni subagente deve comportarsi come un agente autonomo e può quindi dover ricostruire il proprio contesto e il bootstrap a ogni turno.
L’orchestrazione parallela può dunque migliorare la gestione di compiti complessi, ma può anche introdurre un costo considerevole in termini di token.
Claude Code può però essere più efficiente nei compiti multi-step
Il confronto non è completamente a sfavore di Claude Code. Nei compiti caratterizzati da numerosi passaggi, lo strumento di Anthropic può raggruppare diverse chiamate agli strumenti nello stesso round trip. In un ciclo composto da scrittura, esecuzione, test e correzione, Claude Code ha completato il lavoro con tre richieste, contro le nove effettuate da OpenCode nello stesso scenario.
In questo caso il vantaggio derivante dalla riduzione dei round trip può compensare parte del maggiore consumo iniziale. Il risultato, tuttavia, dipende dal modello utilizzato. Con Fable 5, per esempio, il test ha evidenziato sei richieste per Claude Code contro tre per OpenCode, con un consumo complessivo di circa 298.000 token contro 133.000.
Stessa qualità, ma costi molto differenti
Uno degli aspetti più significativi dell’analisi è che la qualità dei risultati è risultata sostanzialmente equivalente nei compiti testati. Entrambi gli strumenti hanno prodotto risultati corretti, verificati attraverso script di asserzione indipendenti.
In un benchmark composto da dieci sessioni, cinque per ciascuno strumento, Claude Code ha consumato mediamente circa 268.000 token per sessione completata, mentre OpenCode si è fermato a circa 72.000 token.
Il rapporto è quindi di circa 3,7 volte in più per Claude Code, senza un vantaggio evidente nel risultato finale dei test. Anche i tempi di esecuzione sono risultati differenti: OpenCode ha completato le sessioni in circa uno o due minuti, mentre Claude Code ha richiesto indicativamente dai quattro agli otto minuti.
Non tutto il consumo aggiuntivo porta un beneficio
L’analisi evidenzia due elementi particolarmente rilevanti per chi utilizza strumenti di coding basati sull’intelligenza artificiale. Il primo è la ripetizione di un prefisso della cache che rimane sostanzialmente identico: se lo stesso contenuto viene riscritto senza produrre un miglioramento nel risultato, il consumo aggiuntivo rappresenta soprattutto un costo.
Il secondo riguarda le istruzioni che non vengono effettivamente caricate. Un file di configurazione ignorato non migliora il comportamento dell’agente, ma può rendere più difficile capire perché il sistema non stia rispettando determinate istruzioni.
Claude Code vs OpenCode: Cosa significa per gli utenti
Il confronto tra Claude Code e OpenCode mostra quindi che il costo di un agente AI non dipende esclusivamente dal prezzo del modello o dal numero di prompt inviati dall’utente. La quantità di istruzioni di sistema, gli strumenti disponibili, la gestione della prompt cache, i server MCP e l’utilizzo di subagenti possono incidere pesantemente sul consumo complessivo.
Per sviluppatori e aziende che utilizzano agenti AI in produzione, diventa quindi importante monitorare il traffico direttamente al livello API e non affidarsi esclusivamente al dashboard del servizio. Analizzare quali token vengono effettivamente inviati al modello può aiutare a individuare sprechi, configurazioni inefficienti e comportamenti che aumentano inutilmente i costi.
In definitiva, l’analisi non dimostra che Claude Code sia sempre una scelta peggiore di OpenCode. Claude Code può infatti offrire vantaggi nell’orchestrazione di attività complesse e nella gestione parallela degli strumenti. Tuttavia, quando consumo di token e costi operativi sono fattori prioritari, il divario emerso dai test merita particolare attenzione.
La domanda da porsi, soprattutto in un ambiente professionale, non è quindi soltanto quale agente AI produca il risultato migliore, ma anche quanto contesto utilizzi per arrivare a quel risultato e quanto costi realmente ogni attività completata.
