OpenClaw troppo costoso — perché l'agente brucia token e come risparmiare

OpenClaw è un agente autonomo con un'architettura multilivello. A differenza dei semplici assistenti, dove un prompt va al modello e restituisce una risposta, OpenClaw costruisce una catena di diversi ruoli e diverse iterazioni. Ogni anello della catena consuma token, e il consumo finale per un singolo compito utente supera quello di un assistente di chat di un ordine di grandezza o più.

Il tipico workflow di OpenClaw per il compito "scrivere il modulo X":

1. Il pianificatore legge la descrizione del compito e l'intero contesto del progetto (~30K input + 2K output)
2. Il decompositore scompone il piano in sotto-compiti (~20K input + 1K output)
3. L'esecutore per ogni sotto-compito: legge i file, genera il codice, applica le patch (5-15 iterazioni × ~50K input + 3K output)
4. Il critico controlla i risultati e suggerisce le correzioni (~40K input + 2K output)
5. Il correttore applica le correzioni (5-10 iterazioni × ~30K input + 2K output)
6. Verifica finale e stesura del rapporto (~30K input + 1.5K output)

Sommate tutto: per un compito medio, OpenClaw spende 800K-1.5M input-token e 50-120K output-token. Per compiti complessi con lunghe iterazioni autonome, il consumo sale a 5-15M input + 200-500K output.

Cifre reali per tipi di compiti specifici:

• Funzione semplice (una funzione con test): ~600K token totali ≈ $3 su Anthropic
• Funzione media (nuovo modulo di 200 righe): ~3M token totali ≈ $12
• Funzione complessa (refactoring + nuova funzionalità): ~10M token totali ≈ $35
• Compito autonomo lungo (esecuzione di un'ora con critico e iterazioni): 30-50M token totali ≈ $100-170
• Giornata intera dell'agente con più compiti in OpenClaw: 100-200M token totali ≈ $350-700

La differenza principale rispetto a Cline o Cursor è che OpenClaw effettua 3-5 chiamate di ruolo ad ogni passaggio, mentre Cline ne effettua una. Questo non è un bug - è una feature che aumenta la qualità del processo decisionale e riduce il numero di errori. Ma dal punto di vista monetario, rende OpenClaw lo strumento agentico più costoso sul mercato se si usa Anthropic o OpenAI direttamente.

Confronto della velocità di consumo con altri strumenti sullo stesso compito:

• Cursor Agent: ~5K-50K token per compito
• Cline: ~500K-5M token per compito
• Claude Code: ~200K-3M token per compito
• OpenClaw: ~3M-50M token per compito (×5-10 rispetto a Cline)

OpenClaw supporta qualsiasi fornitore compatibile con OpenAI tramite variabili d'ambiente e un file di configurazione. Ciò significa che il passaggio da Anthropic API a JoinGonka Gateway non richiede alcuna modifica del codice di OpenClaw, solo la modifica dell'endpoint e della chiave API.

Confronto per tipo di compito:

L'architettura multilivello di OpenClaw, che la rende costosa su Anthropic, su JoinGonka si trasforma in un vantaggio: più chiamate di ruolo = maggiore precisione decisionale, e ora non costa quasi nulla. Si possono attivare tutti i critici e i revisori, lasciare i task autonomi in esecuzione durante la notte, sperimentare lunghe catene, senza paura di trovare una bolletta a quattro cifre al mattino.

JoinGonka Gateway tariffa input e output allo stesso modo: $0.001/1M. Anthropic costa $3 per input e $15 per output. Ciò significa che OpenClaw, che genera molti token di output intermedi durante gli scambi di ruolo, risparmia ancora di più rispetto al nativo Claude Sonnet 4.5.

Cosa c'è sotto il cofano: il modello Qwen3-235B-A22B-Instruct (MoE con 22B parametri attivi). Per i compiti di ruolo (pianificazione, esecuzione, critica), le sue capacità di output strutturato e tool calling sono significative: il modello supporta il tool calling nativo tramite PR #767 con una soglia di 0.958. Nel benchmark SWE-bench, che misura la qualità dello sviluppo autonomo, Qwen3-235B si mantiene al livello di Claude Sonnet 4.5. Maggiori dettagli nell'articolo su Qwen3-235B. Il contesto di mercato generale è nella recensione del API AI più economico nel 2026.

OpenClaw legge la configurazione dalle variabili d'ambiente e da un file di configurazione locale (per impostazione predefinita ~/.openclaw/config.yaml). Per passare a JoinGonka è sufficiente modificare due valori: l'URL base e la chiave API.

Passo 1. Ottieni la chiave API di JoinGonka. Registrati su gate.joingonka.ai/register, ottieni 10M token gratuiti per il test, copia la chiave dalla Dashboard (formato jg-xxx).

Passo 2a. Metodo tramite variabili d'ambiente. Il modo più veloce:

export OPENAI_BASE_URL=https://gate.joingonka.ai/v1
export OPENAI_API_KEY=jg-tua-chiave
export OPENCLAW_MODEL=Qwen/Qwen3-235B-A22B-Instruct-2507-FP8
openclaw run "task"

Per mantenere le variabili, aggiungile a ~/.bashrc o ~/.zshrc.

Passo 2b. Metodo tramite file di configurazione. Più affidabile per la produzione. Apri ~/.openclaw/config.yaml e aggiungi:

provider: openai
base_url: https://gate.joingonka.ai/v1
api_key: jg-tua-chiave
model: Qwen/Qwen3-235B-A22B-Instruct-2507-FP8
max_tokens: 2048
temperature: 0.3

Questa configurazione viene caricata automaticamente ogni volta che viene avviato OpenClaw.

Passo 3. Se si utilizzano più agenti di ruolo. OpenClaw consente di assegnare modelli diversi a ruoli diversi, ad esempio un modello più leggero per il pianificatore e uno più potente per l'esecutore. Tramite JoinGonka è possibile utilizzare lo stesso Qwen3-235B per tutti i ruoli (è abbastanza potente per l'intera pipeline) o combinarlo con altri modelli di rete, come Kimi K2.6 (se è necessaria una finestra di contesto lunga per il critico). Dettagli nell'articolo su Kimi K2.6.

Passo 4. Limiti e protezione. OpenClaw è in grado di limitare il numero massimo di iterazioni e il consumo massimo di token per compito. Anche su JoinGonka è consigliabile impostare limiti ragionevoli (ad esempio, 1M token per compito) — ciò protegge da cicli accidentali e accelera il debug della logica dell'agente stesso. Nel config:

limits:
  max_iterations: 50
  max_tokens_per_task: 1000000
  max_cost_per_task_usd: 1.00

Passo 5. Verifica. Avvia un semplice compito - openclaw run "create a hello world function in python". Se l'agente ha completato il ciclo di pianificazione, esecuzione e verifica e ha prodotto il file finale, la configurazione è completa. Il consumo nella Dashboard JoinGonka apparirà in tempo reale.

La stessa chiave JoinGonka funziona con altri strumenti agentici: Cline, Cursor, Claude Code. Tutti vengono fatturati dal saldo generale dell'account.

Confrontiamo tre profili tipici di utilizzo di OpenClaw in produzione.

Profilo 1: "Esperimento con agenti". Uno sviluppatore esegue OpenClaw 5-10 volte a settimana, principalmente su attività di media complessità per valutare la qualità. Consumo mensile: ~50M token totali.

• Anthropic: 50M × $0.005 ≈ $250/mese
• JoinGonka: 50M × $0.001 = $0.05/mese. Risparmio - 5000 volte.

Profilo 2: "Uso regolare come parte del workflow". OpenClaw viene eseguito su attività complesse quotidianamente, a volte lasciato in sessioni autonome prolungate. Consumo mensile: ~500M token totali.

• Anthropic: 500M × $0.005 ≈ $2500/mese
• JoinGonka: 500M × $0.001 = $0.50/mese. Risparmio - 5000 volte.

Profilo 3: "Production-pipeline su OpenClaw". Il team ha automatizzato parte dei processi di lavoro tramite OpenClaw - generazione di report, refactoring di codice vecchio, code review. Consumo: ~3B token totali al mese.

• Anthropic: 3B × $0.005 = $15000/mese
• JoinGonka: 3B × $0.001 = $3/mese. Risparmio - 5000 volte.

A livello del Profilo 3 l'effetto è particolarmente interessante: OpenClaw da "troppo costoso per l'automazione regolare" si trasforma in "così economico che si può automatizzare tutto ciò che si può". Questo cambia l'economia stessa del processo decisionale: un compito che prima sembrava troppo costoso per un agente, ora può essere affidato a lui senza esitazione.

Su un orizzonte annuale, il risparmio per un utente attivo è di circa $30.000, per un team di $180.000. Questo non è più solo un'ottimizzazione del budget, ma un cambiamento qualitativo nel modo in cui un team utilizza l'AI agentica: gratuitamente invece di "secondo il budget".

Nel contempo, lo stesso OpenClaw, come strumento, rimane invariato: le stesse pipeline di ruolo, la stessa decomposizione di qualità, lo stesso controllo tramite critici. Cambia solo la fonte di inference, e con essa cambia l'economia dell'intero workflow.

Strategia di combinazione dei modelli in OpenClaw. OpenClaw supporta diversi modelli per diversi ruoli nella pipeline. Tramite JoinGonka Gateway puoi assegnare Qwen3-235B a tutte le fasi (un modello forte universale), oppure combinarlo con Kimi K2.6 per il critico e la verifica finale - Kimi ha un contesto lungo e un forte ragionamento, particolarmente utile per valutare risultati a più passaggi. Poiché entrambi i modelli sono tariffati a $0.001/1M, non si otterrà alcun bonus finanziario dall'utilizzo di un modello più "leggero" nei ruoli economici, ma si può ottimizzare la qualità delle risposte per ogni fase della pipeline.

Caso di produzione: automazione del code review. Uno degli scenari reali, reso possibile dall'economia di JoinGonka, è la revisione automatica del codice per ogni pull request tramite OpenClaw. Pipeline: "leggere il diff → analizzare ogni file → verificare la copertura dei test → creare un report finale". Su Anthropic, questa pipeline costerebbe circa $5-15 per una PR; su JoinGonka, $0.002-0.005. Un team di 10 sviluppatori che effettua 50 PR al giorno passa da $750/giorno su Anthropic a $0.25/giorno su JoinGonka - e l'agente di code review si trasforma da lusso a workflow quotidiano.