Cuando diseñamos flujos de trabajo asistidos por inteligencia artificial es fácil perderse en debates sobre protocolos y olvidar lo que realmente importa: la arquitectura del flujo de datos y su impacto económico. En Q2BSTUDIO, empresa especializada en desarrollo de software a medida, aplicaciones a medida, inteligencia artificial y ciberseguridad, hemos medido de forma controlada el consumo real de tokens en cinco enfoques distintos usando la misma tarea: un CSV de 500 filas, los mismos requerimientos de análisis y el mismo modelo Claude Sonnet. El resultado principal fue claro: la arquitectura importa más que la elección del protocolo.

Resumen ejecutivo: con el mismo protocolo MCP se observó una diferencia de consumo de tokens de hasta 5 veces entre una implementación vanilla que serializa datos en cada llamada y una optimizada que pasa referencias a archivos. Ese único diseño marcó la diferencia en costos y consistencia.

Enfoques evaluados y cuándo usarlos

MCP Optimizado Ideal para cargas productivas repetitivas, grandes datasets y necesidades de coste predecible. La idea clave es pasar rutas de archivo y dejar que el servidor MCP realice la E/S, evitando duplicar datos en el contexto del modelo. Resultado práctico: consumo de tokens muy bajo, baja variabilidad y escalado sublineal al aumentar el tamaño del archivo.

MCP Vanilla Patrón donde los datos se serializan y se incluyen en cada llamada. Rápido de implementar como prototipo pero extremadamente caro y con alta varianza; no recomendable para producción.

Code-Driven y Skills El modelo escribe y ejecuta código para realizar la tarea. Excelente para prototipado, descubrimiento rápido de requerimientos y tareas nuevas. Ofrece máxima flexibilidad pero alta variabilidad en costos, requiere sandboxing y control de seguridad antes de pasar a producción.

Slash Commands Comandos de sustitución de texto que permiten ejecuciones deterministas y controladas por el usuario sin overhead de llamada a herramientas. Perfectos para revisiones de código, checklists y tareas repetibles donde se prefiere comportamiento determinista.

Datos medidos: metodología y números relevantes

Metodología: misma carga de trabajo, mismo modelo, múltiples ejecuciones por enfoque y registro de payloads para medir tokens consumidos por petición. Resultados resumidos: MCP Optimizado promedió 60 420 tokens por ejecución; MCP Vanilla 309 053 tokens; Code-Skill 133 006 tokens; variaciones y calorías se reflejan en la tabla conceptual de consumo. En costes proyectados mensuales para 1 000 ejecuciones, la diferencia anual entre MCP Optimizado y MCP Vanilla puede superar los 9 360 USD, ilustrando el impacto en operaciones a escala.

Comportamiento frente a escala: MCP Optimizado escala de manera sublineal porque pasar una ruta de archivo no aumenta tokens según el tamaño del archivo. MCP Vanilla escala superlineal porque serializar más filas añade muchos tokens por ejecución.

Variabilidad y planificación de capacidad: MCP Optimizado mostró coeficiente de variación inferior a 1 por ciento, mientras que Code-Skill y MCP Vanilla presentaron variaciones superiores al 18 por ciento, dificultando planificar y predecir costos.

Guía rápida de decisión

Si la tarea se va a ejecutar más de 20 veces y los datasets son grandes y estables: elegir MCP Optimizado. Si es exploración puntual, requisitos cambiantes o prototipo: optar por Code-Driven o Skills. Si el usuario debe controlar cuándo se ejecuta y se requiere comportamiento determinista: usar Slash Commands. Evitar MCP Vanilla en producción, y evitar Skills en sistemas multiusuario o con requisitos de seguridad sin adecuadas medidas de sandboxing.

Flujo de decisión simplificado

Pregunta 1: tarea one-off menos de 5 ejecuciones. Si sí: Code-Driven o prompting directo. Si no: continuar. Pregunta 2: dataset mayor a 100 filas y se necesita menos del 5 por ciento de variación de coste. Si sí: MCP Optimizado. Si no: continuar. Pregunta 3: el usuario necesita control explícito de invocación. Si sí: Slash Commands. Si no: continuar. Pregunta 4: ejecuciones mayores a 20 y requisitos estables. Si sí: MCP Optimizado. Si no: Code-Driven con plan de migración.

Patrones de implementación recomendados

Patrón de ruta de archivo: evitar pasar los datos serializados al modelo. En lugar de enviar un arreglo JSON con 500 filas en cada llamada, pasar una referencia a un archivo en el servidor para que el MCP realice la lectura interna y devuelva resultados estructurados, reduciendo drásticamente tokens y latencia.

Ejecución paralela de herramientas: la arquitectura basada en archivos facilita llamadas paralelas y reduce coste agregado por visualizaciones y análisis múltiples, ya que la referencia de archivo se comparte sin reinyectar datos al contexto.

Descubrimiento progresivo de herramientas: para catálogos grandes de herramientas, mantener un conjunto mínimo en contexto y usar meta-herramientas para descubrir y ejecutar capacidades on demand, evitando cargar decenas de herramientas en cada sesión.

Estrategia de migración por fases: fase 1 usar Code-Driven para validar procesos; fase 2 si la tarea se estabiliza invertir en MCP Optimizado; fase 3 monitorizar uso real y migrar según patrones de ejecución.

Lecciones clave

Arquitectura sobre protocolo: el estudio demuestra que el mismo protocolo puede ser muy eficiente o muy costoso dependiendo de si se diseña para pasar rutas de archivo o datos en contexto. Evitar duplicación de datos en el contexto del modelo es la mayor ganancia de eficiencia.

Prototipa con Skills, produce con MCP Optimizado: los skills son una gran herramienta para descubrir lógica y herramientas necesarias; sin embargo, para producción y entornos con requisitos de seguridad, conviene migrar a un MCP seguro y controlado por el servidor.

Comandos slash para flujos deterministas: cuando se necesitan ejecuciones controladas por el usuario y sin sorpresas del modelo, los slash commands ofrecen latencia y determinismo superiores.

Mide antes de optimizar: instrumenta tráfico y registra el consumo de tokens. En Q2BSTUDIO recomendamos auditar el uso de tokens como parte de cualquier proyecto de inteligencia artificial empresarial para evitar sorpresas económicas y técnicas.

Sobre Q2BSTUDIO

En Q2BSTUDIO somos una empresa de desarrollo de software y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad, servicios cloud aws y azure y soluciones de inteligencia de negocio como power bi. Diseñamos y construimos software a medida para empresas que quieren integrar agentes IA y soluciones de automatización con seguridad desde el diseño. Si quieres saber cómo adaptamos este marco de decisión a un proyecto real de aplicaciones a medida visita nuestra página de servicios de desarrollo Software y aplicaciones a medida y para conocer nuestras capacidades en IA empresarial consulta Inteligencia artificial para empresas.

Conclusión

La elección entre MCP optimizado, MCP vanilla, code-driven o slash commands no es una discusión de protocolos sino de diseño de flujo de datos y requisitos operativos. Prioriza evitar duplicación de datos, prototipa con flexibilidad y estabiliza para optimizar costes y seguridad. Mide, itera y migra cuando la carga de trabajo lo justifique. En proyectos de software a medida e iniciativas de ia para empresas Q2BSTUDIO puede ayudarte a definir la arquitectura adecuada y a implementar soluciones seguras y rentables.