Herramientas MCP discretas vs execute_code: cuándo gana cada una

La arquitectura de agentes IA basada en MCP (Model Context Protocol) enfrenta a los desarrolladores con una disyuntiva crucial: ¿hasta qué punto permitimos que el modelo tome decisiones sobre cómo consultar los datos? Dos enfoques antagónicos se disputan el terreno: por un lado, herramientas discretas con interfaces fijas y comportamientos predecibles; por otro, una herramienta única de ejecución de código que otorga libertad total al modelo. Cada uno responde a necesidades y entornos muy distintos, y la elección condiciona la fiabilidad, la seguridad y la experiencia de usuario de los sistemas basados en inteligencia artificial.

El enfoque de ejecución de código (execute_code) ofrece una flexibilidad casi ilimitada. Basta con una única definición de herramienta en el contexto del modelo para que este pueda redactar código JavaScript arbitrario, acceder al modelo de datos y responder a consultas complejas sin necesidad de nuevas versiones del servidor. Es ideal cuando trabajamos con modelos frontera (frontier models) de gran capacidad, donde la eficiencia de tokens es crítica —una sola definición de herramienta en lugar de docenas— y donde las consultas compuestas, como comparar tendencias de múltiples sensores, se resuelven en una sola llamada. Sin embargo, este poder tiene un precio: los errores tienden a ser silenciosos. Un código incorrecto puede producir un número con apariencia plausible pero completamente erróneo, lo que en contextos de toma de decisiones puede tener consecuencias graves.

En el extremo opuesto, las herramientas discretas ofrecen contratos de interfaz explícitos: cada herramienta tiene un nombre, un esquema de argumentos validado y una respuesta con formato fijo. Esto hace que los fallos sean ruidosos y fácilmente detectables (rechazo en la validación del esquema), y que la salida pueda ser preformateada para su consumo directo, por ejemplo en un sistema de texto a voz. Es el enfoque preferido cuando el agente se ejecuta en modelos pequeños o locales, cuando la interacción es por voz y la atención del usuario está dividida, o simplemente cuando la fiabilidad prima sobre la flexibilidad. La limitación es evidente: el repertorio de preguntas queda restringido a lo que el servidor ofrece, y añadir nuevas capacidades requiere una nueva versión del mismo.

En la práctica, la decisión no es binaria, sino que depende del perfil del modelo y del contexto de uso. Un sistema de monitorización industrial que emplee un modelo ligero embebido en un dispositivo edge se beneficiará de herramientas discretas con respuestas preformateadas. En cambio, un asistente de análisis de datos que utilice un modelo frontera en la nube puede explotar la potencia de execute_code para responder consultas imprevistas. En Q2BSTUDIO, como empresa especializada en soluciones de inteligencia artificial para empresas, abordamos esta decisión con un enfoque pragmático. Analizamos el modelo objetivo, el tipo de interacción (texto, voz, dashboard), los requisitos de latencia y los riesgos de error silencioso para diseñar la interfaz MCP más adecuada. Integramos también servicios cloud AWS y Azure para escalar, aplicamos medidas de ciberseguridad para proteger los datos, y complementamos con servicios de inteligencia de negocio como Power BI para visualizar los resultados que los agentes procesan.

Ninguna columna es superior en abstracto. La clave está en que el diseño de herramientas MCP debe estar orientado al agente que realmente se va a ejecutar. Herramientas potentes y flexibles para modelos grandes; herramientas validadas, preformateadas y de propósito único para modelos pequeños o sistemas de voz. Con esa premisa, y con la experiencia en el desarrollo de aplicaciones a medida y software a medida, en Q2BSTUDIO ayudamos a nuestros clientes a construir agentes IA robustos, seguros y eficientes, adaptados a las necesidades reales de cada negocio.