Une analyse technique récente a mesuré la consommation de tokens et la surcharge des invitations entre deux assistants de programmation alimentés par l'intelligence artificielle : Claude Code et OpenCode. L'étude, publiée en tant que reflet des configurations de juillet 2026, utilise un proxy de journalisation placé directement à la frontière de l'API pour capturer avec précision chaque demande et réponse envoyée au modèle. Les résultats révèlent un écart significatif au niveau de la surcharge initiale. Pour une simple instruction utilisateur, Claude Code transmet environ 33 000 tokens, composés d'un prompt système étendu, de schémas d'outils complexes et de blocs de structuration automatique. OpenCode, en revanche, n'envoie que 7 000 tokens, adoptant une architecture plus minimaliste. Cette différence s'explique par la conception de Claude Code, agissant comme une plateforme d'orchestration incluant une suite d'agents en arrière-plan, tandis qu'OpenCode se concentre sur des outils de codage classiques. L'impact de la configuration réelle multiplie cet écart. L'ajout de fichiers d'instruction techniques ajoute environ 20 000 tokens par demande. L'intégration de serveurs de connexion et de templates de workflow amplifie encore la charge. Dans une configuration de production typique, les deux assistants dépassent les 75 000 tokens avant même que l'utilisateur n'ait tapé une commande. Cependant, sur des tâches complexes nécessitant de multiples étapes, la stratégie de Claude Code, qui regroupe les appels d'outils en parallèle, permet parfois de réduire le nombre de requêtes et de rapprocher les coûts totaux de ceux d'OpenCode. Un facteur critique identifié est l'utilisation de sous-agents. Lorsque la charge de travail est déléguée à plusieurs agents parallèles, Claude Code voit sa consommation exploser, multipliée par 4,2 en raison des coûts d'initialisation indépendants de chaque sous-agent. OpenCode présente un profil plus léger dans cette configuration, bien que les tests aient rencontré des limites techniques lors de la mesure exacte. La gestion de la mémoire cache s'avère être le véritable révélateur des différences de performance. Pour optimiser les coûts, les fournisseurs de modèles réécrivent les données stables une fois et lisent ensuite cette version à un tarif réduit. OpenCode maintient un préfixe de cache parfaitement stable, générant peu de réécritures coûteuses. À l'inverse, Claude Code modifie fréquemment son préfixe cache au milieu des sessions, forçant jusqu'à 54 fois plus de réécritures payantes que son concurrent. Ce comportement instable explique pourquoi les tableaux de bord de consommation augmentent rapidement avec Claude Code lors de tâches répétitives. Ces mesures soulignent que l'architecture d'un assistant IA et la stabilité de ses données dictent directement la rentabilité et l'efficacité contextuelle. Pour les entreprises déployant ces agents en production, et notamment sous le cadre réglementaire de l'Union européenne sur l'intelligence artificielle, la transparence des données envoyées aux modèles est essentielle. La journalisation directe au niveau de l'API permet de diagnostiquer les surconsommations, d'optimiser la structure des invitations et de garantir une gestion prévisible des coûts et de la mémoire contextuelle.