Die nützlichste Debatte über AI Coding Agents drehte sich diese Woche nicht darum, welcher Agent klüger wirkt. Es ging darum, was der Agent an das Modell sendet, bevor er die Aufgabe überhaupt liest.

Abstraktes Dashboard eines Coding-Agenten mit Tokenanzeige und Budgetmesser

Am 12. Juli veröffentlichte Systima eine Messung von Claude Code und OpenCode an der API-Grenze. Die griffige Zahl: Bei einer trivialen Aufgabe, exakt "OK" zu antworten, maß Systima rund 32.800 First-Turn-Tokens für Claude Code und rund 6.900 für OpenCode. Bis zum 14. Juli erreichte der Hacker-News-Thread etwa 687 Punkte und 378 Kommentare.

Das war nicht nur Tool-Fandom. Der Post traf einen wunden Punkt. AI Coding Agents sind nützlich genug für echte Entwicklung geworden, aber Kosten und Verhalten sind oft schwer sichtbar. Der Prompt des Entwicklers ist nur ein Teil der Rechnung. Der Harness fügt Systemanweisungen, Tool Schemas, Repo-Regeln, MCP-Server-Beschreibungen, Erinnerungen, Subagent-Pläne, Cache Writes und Gesprächshistorie hinzu.

Die praktische Frage lautet nicht "Claude Code schlecht, OpenCode gut". Systimas Ergebnisse sind nuancierter. Die Frage ist, ob Teams sehen können, was ihr Agent Stack sendet, warum er es sendet und ob die Qualität die Tokenlast rechtfertigt.

Was Systima gemessen hat

Systima sagt, ein Logging Proxy habe zwischen Coding Harness und Model Endpoint gesessen. Verglichen wurden Claude Code 2.1.207 und OpenCode 1.17.18 auf derselben Maschine, denselben Aufgaben und derselben Modellfamilie. Es gab eine Floor Task, eine One-Tool Task und eine Multi-Step Write-Run-Test-Fix Task.

Berühmt wurde die Floor Task. Sie verlangte nur die Antwort "OK". In dieser Konfiguration maß Systima etwa 33k Tokens bei Claude Code vor sinnvoller Nutzerarbeit und etwa 7k bei OpenCode.

Laut Payloads lag das nicht am User Prompt, sondern am Wrapper. Systima sagt, Tool Schemas dominierten den Baseline: Claude Code exponierte 27 Tools und etwa 99.778 Zeichen Tool Schemas, OpenCode 10 Tools und etwa 20.856 Zeichen. Selbst ohne Tools lag Claude Codes System Prompt bei etwa 26.891 Zeichen, rund 6,5k Tokens, gegenüber 8.811 Zeichen und rund 2k Tokens bei OpenCode.

Das ist die versteckte Steuer von Agent Interfaces. Im Terminal sieht es wie ein einzelner Befehl aus. Darunter schickt der Agent dem Modell vielleicht bei jedem Turn ein kleines Handbuch.

Kleiner ist nicht immer besser

Ein schlanker Baseline ist attraktiv. Er kostet weniger, braucht weniger Context Window und senkt oft die Latenz. Aber Systima fand auch einen Fall, in dem Claude Codes schwererer Harness nicht klar verlor.

In der Multi-Step Task bündelte Claude Code mehrere Tool Calls in weniger Model Requests. OpenCode machte mehr One-Tool-per-Turn Calls. Weil der Baseline pro Request wieder anfällt, können weniger Requests einen größeren Baseline teilweise ausgleichen. In diesem Sonnet Run maß Systima rund 121k cumulative metered input tokens für Claude Code und rund 132k für OpenCode.

Diese Einschränkung ist wichtig. Ein Tool mit schwerem Start kann effizient sein, wenn es die Aufgabe in weniger Turns löst. Ein schlankes Tool kann teuer werden, wenn es zu stark serialisiert. Tokenkosten müssen pro nützlicher Aufgabe gemessen werden, nicht nur pro erstem Request.

Die Hacker-News-Kommentare kritisierten auch die Methodik: Meridian Gateway, gepinnte Modellversion, Gateway Envelope und die Frage, ob Toggles wie extended thinking den gesamten Pfad überlebten. Systima räumte einige Caveats ein, und Fable Reruns veränderten Teile des Bildes.

Der ehrliche Schluss ist enger als die virale Überschrift: Harness Overhead kann riesig und tool-spezifisch sein. Es beweist nicht, dass ein Agent immer billiger ist als ein anderer.

Warum Teams plötzlich Token Overhead zählen

Für einzelne Entwickler erscheint Overhead als schneller verbranntes Abo, langsamere Session oder Kontext, der früher voll ist. Für Unternehmen wird es ein Budgetproblem.

Die Claude-Code-Kostendokumentation sagt es klar: Claude Code berechnet API Token Consumption, und Kosten pro Entwickler variieren stark nach Modellwahl, Codebase-Größe und Mustern wie mehreren Instanzen oder Automation. Die Docs empfehlen Pilotgruppen, Usage Tracking, Spend Limits, Organisationsanalytik, OpenTelemetry und Gateway-basierte Metriken.

Anthropic nennt Enterprise-Orientierungswerte: etwa 13 Dollar pro Entwickler und aktivem Tag, 150-250 Dollar pro Monat, und 90 Prozent der Nutzer unter 30 Dollar pro aktivem Tag. Das kann vernünftig sein. Aber Durchschnitte verstecken Ausreißer.

Forbes beschrieb Token Spend zuletzt als neue Managementmetrik nach der frühen "Tokenmaxxing"-Phase. Der Zyklus ist aus Cloud-Infrastruktur bekannt: Begeisterung, Rechnung, Governance.

AI Coding Agents sind jetzt in dieser zweiten Phase.

Wo die versteckten Kosten entstehen

Der sichtbare User Prompt ist selten der teure Teil. Teuer sind die Strukturen.

Tool Schemas zuerst. Jedes exponierte Tool braucht Name, Beschreibung und Parameterschema. Wenn der Harness Dateioperationen, Suche, Shell, Browser, Planung, Task Management und MCP Tools zeigt, bekommt das Modell vor der eigentlichen Aufgabe ein großes Menü. Das kann Autonomie verbessern. Es verbraucht aber Kontext und Geld.

Projektanweisungen kommen dazu. Ein großes AGENTS.md oder CLAUDE.md ist nützlich, wenn es echte Repo-Regeln enthält. Es kann auch zur Müllhalde alter Vorlieben, wiederholter Warnungen und vager Stilregeln werden. Systima maß, dass ein reales 72KB Instruction File etwas mehr als 20k Tokens pro Request hinzufügte.

MCP Server bringen eine eigene Steuer. Jeder Server liefert Beschreibungen und Schemas. Systima maß rund 1.000 bis 1.400 Tokens pro kleinem öffentlichen MCP Server, pro Request. Produktionsserver mit reichhaltigen APIs können deutlich größer sein.

Subagents multiplizieren das Problem. Wenn ein Orchestrator mehrere Agents startet und jeder dieselben Repo-Anweisungen, Tools und Setup bekommt, zahlt das Team den Baseline mehrfach, bevor Code besser wird.

Dann wächst die Historie. Eine lange Session verbringt immer mehr Kontext mit Scaffolding und altem Zustand. Cache-Rabatte helfen bei der Rechnung, aber sie geben das Context Window nicht zurück.

Was vor Tool-Debatten gemessen werden sollte

Ein praktischer Rollout beginnt mit Messung an der Grenze. Ohne Payload Size, Cache Writes, Cache Reads, Output Tokens und Request Count diskutiert man vor allem Gefühle.

Trennen Sie Model Cost von Harness Cost. Ein Premium-Modell ist eine Entscheidung. Ein schwerer Wrapper ist eine andere. Teams sollten wissen, ob die Rechnung von Reasoning, Tool Schemas, wiederholten Instruction Files, MCP Metadata, Subagent Fan-out oder zu vielen Model Turns kommt.

Messen Sie pro Aufgabe, nicht nur pro Session. Ein Refactor mit 300k Tokens kann sinnvoll sein, wenn er zwei Stunden Senior Engineering ersetzt. Ein Rename mit 80k Tokens, weil der Agent jedes Tool und jede Regel lädt, eher nicht.

Messen Sie pro Projekt und Repository. Manche Repos brauchen schweren Kontext. Andere tragen aufgeblähte Anweisungen, weil niemand sie aufräumt. Der Unterschied muss sichtbar sein.

Messen Sie pro Agent Mode. Planning, Implementation, Test Repair, Code Review, Dependency Updates und Documentation haben verschiedene Profile. Jede Aufgabe in dasselbe teure Setup zu schicken, ist wie jeden Cron Job auf der größten Cloud-Instanz laufen zu lassen.

Prompt-Regeln ersetzen keinen Engineering-Prozess

Ein Hacker-News-Unterthread traf einen praktischen Punkt: Wenn man dem Agent per Prompt sagt, immer alle Tests zu starten, kann er wiederholt Tokens darauf verwenden, diese Testpolitik zu interpretieren und breite Checks auszuführen. Manchmal ist das gut. Oft gehört es in Hooks, CI oder task-spezifische Skripte.

Dasselbe gilt für Stilregeln, Security Checks und Release Steps. Ist eine Regel deterministisch, gehört sie dahin, wo Software sie billig erzwingt. Pre-commit Hooks, Pre-push Hooks, CI Jobs und Repository Scripts sind langweilig, aber sie reduzieren die Notwendigkeit, dass das Modell dieselbe Policy in jedem Turn neu auslegt.

Instructions sind für Urteil. Automation ist für Wiederholung.

So bleibt der Agent bei den Dingen, bei denen Sprache und Reasoning zählen: Änderung verstehen, Ansatz wählen, Codebase navigieren, Trade-offs erklären und Fehler beheben, die nicht aus einer statischen Regel folgen.

Kosten steuern, ohne Adoption zu töten

Die falsche Reaktion wäre, starke Agents zu verbieten, weil ein Benchmark teuer aussieht. Die andere falsche Reaktion ist unbegrenzter Zugang in der Hoffnung, dass die Rechnung zur Demo passt.

Ein gesunder Rollout sieht eher aus wie FinOps für AI Development.

Starten Sie mit einer Pilotgruppe. Messen Sie echte Arbeit, keine Toy Prompts. Nehmen Sie kleine Fixes, Code Review, Test Repair, Migrationen und Multi-File Changes. Vergleichen Sie Token Spend mit Outcomes: gesparte Zeit, gefundene Bugs, PR Cycle Time und Entwicklerzufriedenheit.

Setzen Sie Budgets und Alerts. Entwickler sollten sehen, wenn eine Session Kontext oder Limits verbrennt. Manager sollten Trends nach Projekt und Team sehen, ohne Token Tracking in Überwachung zu verwandeln.

Routen Sie Aufgaben. Nutzen Sie das beste Modell, wenn es nötig ist. Nutzen Sie günstigere Modelle oder kleinere Harnesses für Routine Edits, Erklärungen, Formatierung und Sucharbeit. Wenn ein Agent Subagents unterstützt, sollten diese für enge Aufgaben auf günstigere Modelle wechseln können.

Auditieren Sie Instruction Files. Entfernen Sie veraltete Regeln. Teilen Sie riesige Anweisungen in Skills oder task-spezifische Guidance, wenn der Harness das unterstützt. Repo-Instructions sollten knapp und prüfbar sein.

Auditieren Sie MCP Server. Nicht jeder Server muss in jeder Session hängen. Datenbankschema, Browser, Ticket Tracker und Cloud Admin Tool können wertvoll sein. Nicht in jedem Coding Prompt.

Beobachten Sie Cache-Verhalten. Cache Writes, Cache Reads und Context Window Use sind verschieden. Ein rabattierter Cache Read kann trotzdem Kontext füllen.

Warum es über Coding hinausgeht

Coding Agents machen das Problem nur früh sichtbar. Dasselbe Muster kommt bei Sales Agents, Legal Research Agents, Support Automation, Data Analysis Agents und internen Operations Bots.

Jedes Agent Framework bringt Overhead: Role Instructions, Tool Schemas, Memory, Policies, Examples, Retrieved Context und Historie. Ein Teil verbessert Zuverlässigkeit. Ein Teil ist Cargo Cult. Ohne Observability kann ein Team beides nicht trennen.

Der Markt bewegt sich von "mehr Kontext für das Modell" zu "beweise, dass dieser Kontext das Senden wert ist". Das ist gut. Es macht Agents nicht weniger nützlich. Es macht sie mehr wie Infrastruktur.

Die praktische Lehre

Der Systima-Post wurde viral, weil er Kosten benannte, die viele spürten, aber nicht sahen. 33k Tokens vor dem Prompt sind ein dramatisches Beispiel. Die Lehre ist breiter: AI Agents haben eine Bill of Materials.

Dazu gehören Modell, Harness, Tools, Instruction Files, Server, Subagents und Organisationsgewohnheiten. Wenn ein teurer Agent bessere Ergebnisse bringt, nutzen Sie ihn. Wenn er Tokens auf Scaffolding verbrennt, das niemand versteht, reparieren Sie das Scaffolding.

Die nächste reife Phase von AI Practice ist nicht weniger AI. Sie ist messbare AI. Teams sollten einfache Fragen beantworten können: Was hat der Agent gesendet, was hat es gekostet, was hat er erreicht, und welcher Teil des Stacks machte den Unterschied?