Eine aktuelle technische Analyse vergleicht den Token-Verbrauch und die Prompt-Overheads der KI-Coding-Harnesses Claude Code und OpenCode unter identischen Bedingungen. Die Untersuchung nutzt einen HTTP-Logging-Proxy an der API-Grenze, um Anfragen-Payloads und Abrechnungsmetriken exakt zu erfassen, ohne die zugrundeliegenden Modelle oder Testaufgaben zu variieren. Ziel war es, versteckte Kostenfaktoren agentic AI-Systeme aufzudecken und Transparenz für Produktionsumgebungen zu schaffen. Die Ergebnisse zeigen erhebliche Unterschiede im Basis-Overhead. Für eine einfache Ein-Zeilen-Antwort generiert Claude Code rund 33.000 Token an System-Prompts, Tool-Schemata und injiziertem Scaffolding, bevor der Nutzer-Eingabetext verarbeitet wird. OpenCode benötigt hierfür nur etwa 7.000 Token. Dieser Unterschied vergrößert sich drastisch durch typische Produktionskonfigurationen. Ein 72 KB großes Instruktionsfile erhöht den Verbrauch bei beiden Systemen um jeweils 20.000 Token pro Anfrage. Der Anschluss von fünf MCP-Servern addiert weitere 5.000 bis 7.000 Token. In realistischen Startups starten die Anfragen damit bereits mit 75.000 bis 90.000 Token vor der ersten Nutzeraktion. Ein kritischer Faktor ist das Prompt-Caching. OpenCode sendet bei wiederholten Durchläufen byte-identische Prefixes, wodurch das System fast ausschließlich günstige Cache-Lesevorgänge tätigt. Claude Code hingegen verändert seine Prefixes häufiger und überschreibt bis zu 54 Mal mehr Cache-Token während einer Session. Da Cache-Schreibvorgänge mit einem Aufschlag von 25 bis 100 Prozent abgerechnet werden, erklärt dies beobachtete, unproportionale Kostensteigerungen im Usage-Dashboard. Bei komplexen, mehrschrittigen Aufgaben gleicht sich das Bild teilweise aus. Claude Code bündelt parallele Tool-Aufrufe effizient in weniger Roundtrips. Da OpenCode sequenziell vorgeht und sein kleineres Basis-Prompt bei jedem Schritt erneut senden muss, kann die Gesamtbilanz bei parallelen Aufgaben zugunsten von Claude Code ausfallen. Die Nutzung von Subagenten hingegen treibt die Kosten massiv in die Höhe. Beim Claude Code führt die Ausgabe an zwei Subagenten zu einem 4,2-fachen Token-Anstieg, da jeder Subagent seine eigenen Bootstrap-Kosten verursacht und dessen Transkript vom Hauptagenten erneut konsumiert wird. OpenCode setzt hier auf ein deutlich schlankeres Design. Die Studie unterstreicht, dass Token-Overhead nicht nur die Infrastrukturkosten, sondern auch die Effizienz des Kontextfensters und die Latenz beeinflusst. Ein 85.000 Token schwerer Bootstrap belegt bereits über 40 Prozent eines 200.000 Token Fensters, noch bevor tatsächlicher Code verarbeitet wird. Die durchgeführte Messmethodik, inklusive eines fälschungssicheren Audit-Logs, erfüllt Anforderungen nach Artikel 12 der EU-KI-Verordnung zur Nachverfolgbarkeit von Agentenverhalten. Entwickler agentic AI-Systeme sollten die API-Grenze auslesen, um Konfigurationskosten zu optimieren und unerwartete Token-Explosionen durch instabile Caching-Strategien oder Subagenten-Fan-Outs zu vermeiden. Die Ergebnisse dienen als exemplarische Momentaufnahme der getesteten Versionen, die Messarchitektur bleibt jedoch als reproduzierbarer Standard für Produktions-Audits relevant.