Claude Code가 OpenCode보다 토큰을 33배 더 쓰는 이유, 실측 데이터로 밝혀졌다 (systima.ai)

한줄 요약

Claude Code는 첫 요청부터 OpenCode보다 약 4~5배 많은 토큰을 기본 탑재하며, 캐시 비효율까지 더해져 실제 비용 격차는 훨씬 크게 벌어진다.

---

AI 코딩 에이전트의 토큰 소비 구조는 "같은 모델을 쓰면 비용이 같다"는 통념을 완전히 무너뜨린다. Systima가 Claude Code와 OpenCode를 동일한 모델, 동일한 환경에 두고 API 경계에서 직접 패킷을 캡처해 분석한 결과가 공개됐다. 결론부터 말하면, 도구(harness) 자체의 설계 철학이 비용을 결정한다.

무엇이 달라지나?

시작 전부터 벌어지는 토큰 격차

"OK라고만 답하라"는 22자짜리 지시를 보냈을 때 두 도구의 첫 요청 페이로드는 다음과 같았다.

Claude Code는 시스템 프롬프트 3개 블록, 27개의 툴 스키마, 첫 메시지에 삽입된 <system-reminder> 블록까지 포함해 캘리브레이션 기준 약 32,800토큰을 소비했다. OpenCode는 시스템 프롬프트 1개 블록, 10개 툴, 사용자 프롬프트로만 구성돼 약 6,900토큰이었다.

차이의 핵심은 툴 스키마다. Claude Code의 27개 툴에는 코딩 핵심 기능뿐 아니라 CronCreate, Monitor, Task 계열의 오케스트레이션 스위트, 워크트리 관리, 푸시 알림 도구까지 포함돼 있다. 툴 정의만으로 약 24,000토큰이 나간다. OpenCode의 툴 정의는 약 4,800토큰이다.

캐시 효율의 현격한 차이

더 심각한 문제는 프롬프트 캐시 활용 방식이다. OpenCode는 매 세션에서 요청 접두사가 바이트 단위로 동일하게 유지된다. 즉, 첫 번째 요청에서 캐시 쓰기 비용을 한 번 지불하고 이후 요청은 캐시 읽기로 처리된다.

Claude Code는 다르다. 세션 중간에도 수만 토큰 규모의 캐시를 재작성하며, 같은 작업에서 OpenCode보다 최대 54배 많은 캐시 쓰기 토큰이 계측됐다. 캐시 쓰기는 일반 입력보다 높은 요금으로 청구된다는 점에서, 사용 대시보드의 비용이 예상보다 빠르게 오르는 원인이 여기에 있다.

실제 운영 환경에서의 배수 효과

기본 설정에서 이미 격차가 크지만, 실무 환경을 적용하면 더 벌어진다. 72KB짜리 AGENTS.md 또는 CLAUDE.md 파일이 있으면 요청마다 평균 약 20,000토큰이 추가된다. 규모가 크지 않은 MCP 서버 5개를 붙이면 5,000~7,000토큰이 더 붙는다. 실제 작업 환경에서는 사용자가 첫 글자를 입력하기 전에 이미 75,000~85,000토큰이 소비된 상태가 된다.

서브에이전트를 쓰면 비용은 곱으로 증가한다. 직접 실행했을 때 121,000토큰이 든 작업을 서브에이전트 두 개로 팬아웃하자 513,000토큰이 소비됐다. 각 서브에이전트가 자체 부트스트랩 비용을 지불하고, 상위 에이전트가 다시 그 트랜스크립트를 소비하는 구조 때문이다.

Claude Code가 유리한 경우도 있다

연구진이 유일하게 Claude Code의 손을 들어준 케이스는 멀티스텝 작업이었다. Claude Code는 툴 호출을 한 요청 안에 묶어 처리하기 때문에 HTTP 요청 횟수가 적고, 턴마다 기본 비용을 재지불하는 OpenCode보다 총 비용이 낮게 나오는 경우가 있었다. 단, 이 결과는 특정 모델 버전에서 확인된 것이고, 더 새로운 모델로 동일 작업을 재실행하자 요청 횟수가 두 배로 늘고 토큰도 약 298,000으로 올랐다. 같은 조건에서 OpenCode는 약 133,000토큰이었다.

실무에서 어떤 의미인가?

이 분석이 흥미로운 이유는 단순히 "어느 도구가 싸냐"의 문제가 아니기 때문이다.

첫째, 33,000토큰짜리 기본 탑재물은 비용의 문제이기도 하지만 컨텍스트 윈도우의 문제다. 200,000토큰 윈도우에서 매 턴마다 33,000토큰이 기본으로 소진된다면, 실질적으로 사용 가능한 컨텍스트는 처음부터 6분의 1이 잘려나간 채 시작하는 셈이다.

둘째, 외주 개발이나 자체 AI 에이전트 도입을 검토하는 팀이라면 어떤 harness 위에서 시스템이 동작하는지를 반드시 파악해야 한다. 같은 Anthropic 모델을 쓴다고 비용 구조가 같지 않다. 도구의 설계가 실제 청구액을 결정한다.

셋째, EU AI Act Article 12가 로그와 시스템 행동의 이해를 요구하는 것처럼, 에이전트가 실제로 무엇을 보내는지를 데이터로 답할 수 있어야 한다. "우리 에이전트가 요청마다 얼마나 보내나요?"라는 질문에 API 레벨의 로그 없이 답하기 어렵다면, 운영 리스크가 이미 쌓이고 있는 것이다.

도입 전 체크포인트

AI 코딩 에이전트를 팀에 도입하거나 외주 개발사가 어떤 에이전트 스택을 쓰는지 확인할 때 점검할 항목들이다.

• 툴 스키마 규모: 실제로 쓰는 툴만 활성화돼 있는가, 아니면 오케스트레이션 스위트 전체가 기본 탑재돼 있는가.
• 캐시 전략: 세션 간 프롬프트 접두사가 안정적으로 유지되는가, 아니면 매 턴마다 재작성이 발생하는가.
• instruction 파일 크기: AGENTS.md, CLAUDE.md 파일이 수십 KB에 달한다면 요청마다 수만 토큰이 추가로 소비된다.
• 서브에이전트 사용 여부: 팬아웃 구조가 있다면 단순 배수가 아닌 지수적 비용 증가를 예상해야 한다.
• API 레벨 로깅: 어떤 도구를 쓰든 실제 요청 페이로드와 usage 블록을 기록하는 프록시가 있어야 비용 이상을 조기에 탐지할 수 있다.