En l'era dels agents intel·ligents, cada decisió tècnica sobre com connectar models de llenguatge amb sistemes externs té un impacte directe en l'eficiència, el cost i la qualitat de les solucions. Durant els últims mesos, el protocol MCP ha captat l'atenció de desenvolupadors i empreses com l'estàndard emergent per integrar intel·ligència artificial amb eines i serveis. No obstant això, després d'una avaluació profunda en entorns reals de producció, emergeix una veritat incòmoda: l'humil CLI continua sent, en molts casos, una opció extraordinàriament més eficaç que MCP. Aquest article explora les raons tècniques i estratègiques d' aquesta aparent paradoxa, i proposa una reflexió sobre quan convé apostar per cada paradigma, especialment en el context de projectes empresarials on es requereix programari a mida i arquitectures orientades a agents.
Per comprendre per què els CLIs poden superar MCP en certs fluxos de treball, cal analitzar el cicle de decisió d' un agent. Quan un model de llenguatge decideix invocar una eina, consumeix tokens de raonament i genera una sol·licitud estructurada. En el cas de MCP, cada trucada a una eina equival a una única operació atòmica: una inferència produeix una única invocació. Això pot semblar suficient per a tasques simples, però en escenaris reals —com la consulta massiva de dades, la manipulació d'arxius o l'execució de fluxos condicionals— l'agent es veu forçat a realitzar cents de torns consecutius, duplicant el cost de tokens, augmentant la latència i multiplicant les oportunitats d'error o al·lucinació. Un CLI, en canvi, permet al model generar un script complet en una sola iteració, combinant bucles, filtres, redireccions i trucades a APIs externes sense necessitat de tornar a inferir cada pas. Aquesta capacitat de composició és la que fa que els CLIs siguin irraonablement efectius en tasques que requereixen volum o lògica procedural.
Des de la perspectiva del pla de dades, l' avantatge és igualment notable. Amb un CLI, l' agent pot llegir arxius, filtrar línies amb grep, transformar sortides amb jq, i únicament presentar al model el resultat depurat que necessita per a la següent decisió. A MCP, per contra, la tendència és que els servidors retornin grans blocs de contingut directament al context del model, saturant la finestra d'atenció i obligant l'agent a processar informació irrellevant. Tot i que teòricament un servidor MCP podria implementar paginació i filtratge, a la pràctica molts no ho fan, cosa que genera una experiència inflada en costos i poc escalable. Les empreses que desenvolupen solucions de serveis cloud aws i azure saben bé que l' eficiència en el maneig de dades és crítica per mantenir els costos sota control, especialment quan es treballa amb models de llenguatge d' última generació.
Un altre aspecte fonamental és el bucle de desenvolupament i iteració. Quan un equip necessita construir un connector perquè els seus agents IA interactuïn amb un sistema intern —per exemple, un CRM, un repositori de documents o una base de dades— l'opció de desenvolupar un CLI a mida sol ser més ràpida, més barata i més flexible que implementar un servidor MCP. Un CLI pot exposar comandaments que acceptin arxius per referència, realitzin operacions en lot i retornin sortides per al model, sense necessitat que l'agent hagi de llegir i reenviar grans volums de dades en cada trucada. En Q2BSTUDIO, hem acompanyat nombrosos clients en la creació d'ia per a empreses on l'elecció de l'interfície entre el model i els sistemes legacy marca la diferència entre un prototip lent i una solució llesta per a producció. La nostra experiència demostra que un CLI ben dissenyat, acompanyat d'instruccions clares (skills) per a l'agent, supera amb freqüència un MCP en velocitat, cost i mantenibilitat.
No obstant, seria ingenu afirmar que MCP no té virtuts. El protocol ofereix descobriment automàtic d'eines, documentació incrustada i un model d'autenticació centralitzat que resulta molt atractiu per a departaments de ciberseguretat i compliment normatiu. De fet, la possibilitat de canalitzar totes les invocacions a través d'una porta d'enllaç MCP permet aplicar polítiques d'accés uniformes, registrar cada operació i evitar que els agents actuïn sobre sistemes no autoritzats. Això és especialment rellevant en entorns regulats, on la ciberseguretat és una prioritat i qualsevol fuga d'informació pot tenir conseqüències greus. No obstant això, aquests avantatges no eliminen les limitacions fonamentals del paradigma: el cost de cada inferència i la impossibilitat d'executar fluxos complexos sense múltiples voltes al model. La clau està a entendre que MCP no és un reemplaçament universal, sinó una eina més dins de l'arsenal de l'enginyer d'agents.
A la pràctica, moltes organitzacions estan adoptant un enfocament híbrid: fan servir MCP per a tasques de context breu on la seguretat i el descobriment són crítics —com consultar un tiquet de suport, llegir un correu o crear un esdeveniment en un calendari— i confien en CLIs o scripts per a processos pesants com la generació d'informes, la migració de dades o l'automatització de fluxos d'integració contínua. Aquesta combinació intel·ligent permet aprofitar el millor de tots dos mons. A més, l'ecosistema està evolucionant: nous frameworks permeten que els mateixos agents generin i executin scripts en temps real, actuant com un enginyer de programari que escriu el seu propi codi per resoldre una tasca. Això acosta la visió de la intel·ligència artificial autònoma a un nivell de productivitat que seria impossible si cada acció requerís una consulta al model.
Les implicacions per al desenvolupament d' aplicacions a mida són profundes. Quan una empresa encarrega la construcció d' un sistema basat en agents, s' ha de plantejar no només quin model utilitzar, sinó com es comunicarà aquest model amb el món exterior. Un error comú és assumir que MCP és l'única via moderna i que els CLIs són tecnologia obsoleta. Res més lluny de la realitat. Els CLIs, especialment aquells que s'autodescobreixen dinàmicament (com el cas de gws, que construeix la seva superfície de comandaments a partir d'APIs en temps real), ofereixen una agilitat que difícilment iguala un ecosistema de servidors MCP estàtics. A més, els agents poden aprendre a fer servir un CLI llegint la seva ajuda o una skill documentada, i només consumiran tokens quan realment ho necessitin, en lloc de carregar totes les instruccions de cada eina MCP en cada conversa.
En l'àmbit dels serveis intel·ligència de negoci, com Power BI o eines d'analytics, la combinació d'agents amb CLIs també demostra la seva eficàcia. Imagín un agent que ha d'extreure dades de diverses fonts, netejar-les, aplicar transformacions i finalment pujar el resultat a un dashboard. Amb MCP, cada pas requeriria una invocació independent: connectar a la base de dades, obtenir les files, filtrar, agregar, etc. L'agent consumiria tokens per a cada decisió intermèdia. Amb un CLI que exposi un comandament d'ingesta massiva amb paràmetres de transformació, el model pot generar un únic script que executi tot el pipeline, i només presentar a l'usuari el resum final o els errors. Això no només estalvia costos, sinó que redueix dràsticament la latència, millorant l'experiència de l'usuari. En Q2BSTUDIO hem implementat arquitectures d'aquest tipus per a clients que necessiten power bi alimentat per agents intel·ligents, obtenint resultats fins a deu vegades més ràpids que amb enfocaments purament MCP.
La decisió final depèn del context d' ús. Per a tasques interactives on un humà supervisa cada pas i es necessita màxima transparència, MCP pot ser adequat. Però per a automatització de processos interns, batch processing o workflows iteratius amb grans volums de dades, el CLI continua sent el rei indiscutible. Els equips d' enginyeria que desenvolupen programari a mida per als seus clients han de considerar seriosament incloure CLIs en la seva caixa d' eines d' agents, i no deixar-se portar únicament per la moda de MCP. L' eficiència real es mesura en tokens estalviats, temps d' execució i fiabilitat del resultat. Des de la nostra experiència en Q2BSTUDIO, hem constatat que un enfocament pragmàtic —construir primer un CLI robust i, si la seguretat ho exigeix, afegir una capa MCP només per a les operacions que ho necessitin— ofereix el millor equilibri entre cost i funcionalitat. En un mercat on cada mil·lisegon i cada centau compten, la irraonable efectivitat dels CLIs enfront de MCP no és una anècdota, sinó una lliçó que transforma la forma en què dissenyem la pròxima generació d'agents IA.
