Cifras reales de benchmark de MCP frente a CLI en agentes de IA: 1.365 tokens frente a 44.026 para la misma tarea de GitHub, y una prueba con Playwright en la que la diferencia casi desapareció. Descubre a dónde van los tokens, cuándo MCP compensa su sobrecarga y cómo reducir la factura sin renunciar a las herramientas que necesitas.
Tu agente todavía no ha escrito ni una palabra de su respuesta y ya ha gastado miles de tokens. Ese es el verdadero argumento detrás de MCP frente a CLI para agentes de IA: no cuál de los dos protocolos está mejor organizado, sino cuál deja más espacio en la ventana de contexto para el trabajo real. Un benchmark midió 1.365 tokens para una consulta a GitHub ejecutada por línea de comandos y 44.026 para la misma consulta a través de MCP. Otro, basado en Playwright, no encontró casi ninguna diferencia. Ambos resultados son reales, y la diferencia entre ellos dice más que cualquiera de las dos cifras por separado. A continuación verás a dónde van los tokens, qué muestran las mediciones, cuándo MCP sigue mereciendo su peso y cómo elegir sin adivinar.
Ambos enfoques dan manos al modelo. Se diferencian en cómo el modelo descubre lo que esas manos pueden hacer y en cuándo paga por ese conocimiento.
El Model Context Protocol es un estándar JSON-RPC. Cuando empieza una sesión, el cliente pregunta a cada servidor conectado qué herramientas ofrece. Cada herramienta llega como un nombre, una descripción y un esquema de entrada, y todo ello se coloca en el contexto del modelo para que pueda decidir qué llamar. Cada llamada y cada resultado viajan después como JSON estructurado.
La ventaja es real: entradas tipadas, autenticación gestionada en el servidor y herramientas que cualquier cliente compatible puede encontrar por su cuenta. La desventaja es que todo el catálogo se paga por adelantado, tanto si la tarea necesita una herramienta como si no necesita ninguna.
Con el enfoque CLI, el agente escribe un comando de shell, el entorno lo ejecuta y la salida estándar vuelve como texto plano. No hay catálogo ni protocolo de presentación. El modelo ya conoce git, grep, curl y jq por sus datos de entrenamiento, y si se le olvida un parámetro, ejecuta --help y lee una página breve.
El costo solo aparece por los comandos que realmente se usan. Esa única diferencia de diseño explica gran parte de lo que sigue.
💡 Definición rápida: un token es un fragmento de texto que el modelo lee o escribe. Las definiciones de herramientas, los comandos y los resultados ocupan la ventana de contexto, y todos cuentan como entrada en el siguiente turno.
El costo en tokens de un bucle de agente viene de tres lugares: lo que se le dice al modelo sobre sus herramientas, lo que envía y lo que vuelve. MCP y CLI se diferencian sobre todo en el primero y en el tercero.
Un servidor MCP típico inyecta la definición de cada herramienta en la conversación antes de que se haga la primera pregunta. El servidor oficial de GitHub expone 43 herramientas, según el benchmark de Scalekit, así que incluso una consulta trivial lleva consigo 43 esquemas. Checkly midió solo las definiciones del servidor de Playwright en 5,9k tokens. Anthropic plantea el problema sin rodeos en su artículo técnico sobre la ejecución de código con MCP: las definiciones de herramientas saturan la ventana de contexto.
El segundo costo es más fácil de pasar por alto. Con las llamadas MCP por defecto, cada resultado intermedio pasa por el modelo. El ejemplo de Anthropic es una transcripción de una reunión que se obtiene de un servicio y se escribe en otro: el texto atraviesa el contexto dos veces, lo que puede sumar más de 50.000 tokens en una grabación larga. Un pipeline de shell puede filtrar, contar o recortar esos datos antes de que el modelo los vea.
| Fuente del costo | MCP, configuración por defecto | CLI |
|---|---|---|
| Catálogo de herramientas | Todas las definiciones se cargan al inicio de la sesión | Ninguno, --help bajo demanda |
| Formato de llamada | Envoltorio JSON con nombre y argumentos | Una sola cadena de shell |
| Resultados | Respuesta completa devuelta al modelo | Canalizada, filtrada o escrita en un archivo |
| Búsqueda de herramientas | El servidor declara sus herramientas | El modelo recuerda los comandos o lee la ayuda |
Dos pruebas públicas ofrecen la imagen más clara, y apuntan en direcciones distintas.
Scalekit ejecutó cinco tareas de solo lectura en GitHub con Claude Sonnet 4, 25 ejecuciones por enfoque, contra el servidor MCP oficial de GitHub. Compararon CLI simple, CLI con archivos cortos de instrucciones llamados skills y MCP, lo que suma 75 ejecuciones en total. Tokens por tarea:
| Tarea | CLI | CLI + skills | MCP | MCP frente a CLI |
|---|---|---|---|---|
| Lenguaje y licencia del repositorio | 1.365 | 4.724 | 44.026 | 32x |
| Detalles del PR y estado de la revisión | 1.648 | 2.816 | 32.279 | 20x |
| Metadatos del repositorio e instalación | 9.386 | 12.210 | 82.835 | 9x |
| PR fusionados por colaborador | 5.010 | 6.107 | 33.712 | 7x |
| Última versión y dependencias | 8.750 | 6.860 | 37.402 | 4x |
Promediando las cinco tareas, son unos 5.200 tokens para CLI frente a unos 46.000 para MCP, cerca de 9x. La estimación de Scalekit para 10.000 operaciones al mes es de unos 3,20 $ con CLI frente a 55,20 $ con MCP directo, una diferencia de 17x. La fiabilidad fue en la misma dirección: CLI completó 25 de 25 ejecuciones, MCP completó 18 de 25 (72%), y los siete fallos fueron tiempos de espera a nivel TCP.
Fíjate también en la columna de skills. En la última tarea, la versión con skills usó menos tokens que la CLI simple (6.860 frente a 8.750), probablemente porque un archivo corto de instrucciones ahorró al agente algo de prueba y error. En las consultas sencillas costó más, porque las instrucciones se cargan en cada ocasión.
⚠️ Lee los límites: un modelo, un servicio y tareas de solo lectura. Los tiempos de espera son problemas de conexión, no errores de razonamiento, así que la brecha de fiabilidad dice más de esa configuración del servidor que del protocolo en sí.
Checkly hizo otra prueba: abrir una tienda de demostración, buscar un producto, navegar por ella, añadir artículos al carrito y validar el contenido. La sesión MCP usó entre 48k y 50k tokens de contexto. La sesión CLI, con skills instalados, usó entre 45k y 48k. Tras tres ejecuciones, la diferencia fue insignificante, y la explicación es sencilla: la CLI de Playwright y el servidor MCP comparten un backend y escriben los mismos archivos de instantánea en disco.
Checkly también reconoce que la crítica a MCP era justa en 2025. Dos cosas la motivaban: los servidores cargaban todas las definiciones por adelantado, y cada acción devolvía una instantánea completa de la página incrustada en la respuesta. Ambas cosas se han suavizado desde entonces, porque los entornos modernos de agentes aplazan la carga de las herramientas MCP hasta que se necesitan, y los servidores pueden guardar las instantáneas en disco. La advertencia de Checkly merece repetirse: los consejos sobre IA caducan en cuestión de meses.
La lección no es que uno de los dos bandos se equivocara. La cifra de 32x describe una implementación con todos los esquemas cargados. La casi igualdad describe otra que evita esa sobrecarga. El costo en tokens depende de cómo está construido un servidor, no de la etiqueta del protocolo.
Cuando ambas opciones funcionan de serie, CLI gana más veces que no. Dos razones pesan casi todo el peso.
Décadas de scripts de shell, archivos README y respuestas de foros están en los datos de entrenamiento de cualquier modelo grande. El agente no necesita un esquema para usar git log o grep -r, y un comando de una línea sustituye a una llamada JSON con un nombre, un objeto de argumentos y un envoltorio alrededor. Cuando no está seguro, --help cuesta una página corta, no un catálogo completo al inicio de cada sesión.
La ventaja de CLI más infravalorada es la composición. Esta es una forma de listar los títulos de las pull requests fusionadas más recientes:
gh pr list --state merged --limit 10 --json title --jq '.[].title'
El modelo ve diez líneas con títulos. Una llamada MCP por defecto a una herramienta de pull requests suele devolver la carga completa de cada elemento: autores, etiquetas, URL, marcas de tiempo, estado de la revisión. La mayor parte se ignora, pero todo se lee y todo se cobra.
Una sesión CLI también es más fácil de depurar. Puedes pegar el mismo comando en tu propia terminal y ver exactamente lo que vio el agente.
El recuento bruto de tokens es un eje. Algunos trabajos necesitan lo que solo un protocolo puede dar.
Un comando de shell se ejecuta con los permisos de quien lo lanzó. Eso está bien en tu propio equipo portátil y es un problema en un producto donde muchos usuarios conectan cada uno sus propias cuentas. Un servidor MCP puede guardar credenciales con alcance por usuario y exponer solo las acciones previstas, como "leer incidencias" sin "eliminar repositorio". También permite que clientes que no son de terminal, desde asistentes de escritorio hasta paneles de IDE, encuentren herramientas sin que nadie instale un binario.
Las herramientas con estado favorecen a MCP. Una sesión de navegador que debe sobrevivir a decenas de turnos, o una conexión a base de datos con una transacción abierta, es difícil de reconstruir a partir de comandos de shell puntuales.
La generación de medios es un buen ejemplo. Los modelos de imagen y video funcionan como trabajos asíncronos: envías una solicitud, obtienes un ID de trabajo y consultas hasta que el resultado está listo. El conector de PicassoIA envuelve ese flujo en nueve herramientas en el momento de escribir esto: generación de imágenes, edición de imágenes, dos generadores de video, consulta de estado, cancelación, lista de trabajos anteriores, lista de modelos y comprobación de la cuenta. Las herramientas de generación devuelven un ID de trabajo junto con una espera sugerida antes de la siguiente consulta, así que el agente sabe cuándo volver a mirar en lugar de hacer bucles a ciegas. Los modelos detrás de él incluyen PicassoIA Image, PicassoIA Image Editor Pro, PicassoIA Video y Seedance 2.5 Lite, con hasta cinco predicciones ejecutándose a la vez por cuenta.
Puedes llegar a los mismos modelos a través de la API REST en https://api.picassoia.com/v1 con curl sencillo. Funciona bien, pero el agente tiene que recordar el endpoint, adjuntar credenciales y escribir su propio bucle de consulta. Las herramientas MCP empaquetan esos pasos. Fíjate también en que el tamaño del catálogo importa: nueve herramientas pequeñas pesan mucho menos que las 43 de GitHub, por eso un servidor ligero perjudica menos que uno desmesurado.
Si MCP es la opción adecuada, no tienes por qué aceptar la factura por defecto.
Anthropic llama a esto divulgación progresiva: dejar que el modelo lea las definiciones de herramientas cuando las necesite en lugar de todas a la vez. Funcionan dos formas. Una es una estructura de archivos en la que cada herramienta es un archivo pequeño que el agente abre cuando lo necesita. La otra es una función de búsqueda que encuentra y carga solo las definiciones relevantes. Como lo llame tu entorno, revisa si la carga diferida está activada y conecta solo los servidores que necesita el proyecto actual.
El movimiento más ambicioso de Anthropic es presentar las herramientas MCP como código que el agente puede llamar desde un entorno aislado. El agente escribe un script corto, el script habla con los servidores y solo vuelve un resumen al modelo. En su ejemplo de Google Drive a Salesforce, el uso de tokens bajó de 150.000 a 2.000, un ahorro del 98,7%.
Fíjate en lo que eso significa de verdad: un comportamiento al estilo CLI, en el que los datos se filtran antes de que el modelo los vea, sobre la autenticación y las interfaces tipadas de MCP. Los dos bandos acaban tomando prestado el uno del otro.
Mejoras rápidas que puedes aplicar hoy:
En costo bruto en tokens con la configuración por defecto, CLI gana la mayoría de las veces, entre 4x y 32x en el benchmark mejor documentado. En control de acceso, estado de larga duración y servicios alojados, gana MCP. Y cuando las herramientas MCP se cargan bajo demanda y los resultados voluminosos quedan fuera del contexto, la diferencia puede reducirse casi a nada, como mostró la prueba con Playwright.
| Situación | Mejor opción | Por qué |
|---|---|---|
| Trabajo local con git, archivos y compilaciones | CLI | Comandos familiares, salida filtrada |
| Tareas cortas en scripts o CI | CLI | Sin protocolo de presentación, huella pequeña |
| Servidor con más de 40 herramientas en la configuración por defecto | CLI o ejecución de código | La sobrecarga de esquemas domina |
| Muchos usuarios, cada uno con sus cuentas | MCP | Credenciales con alcance por usuario |
| Sesiones largas de navegador | MCP | El estado se mantiene entre turnos |
| Generación de medios asíncrona | MCP | ID de trabajo y pistas de consulta |
Elige CLI cuando la herramienta ya existe como comando, el agente funciona en una máquina que controlas y cada token cuenta.
Elige MCP cuando necesitas permisos por usuario, estado persistente o un servicio alojado sin una buena herramienta de línea de comandos.
Combina ambos si tienes dudas. La mayoría de las configuraciones reales lo hacen: shell para el trabajo local, MCP para unos pocos servicios alojados, cada uno ajustado a lo que necesita la tarea.
Puedes probar estas contrapartidas en tu propia configuración con Claude Sonnet 5, un modelo pensado para programación en varios pasos y uso de herramientas. Este es un flujo de auditoría rápido:
low desactiva el pensamiento y responde más rápido, lo que basta para una clasificación inicial. Pasa a high cuando quieras que las contrapartidas entre varios servidores se analicen con razonamiento.wc -c para una estimación aproximada del tamaño, y usa las cifras de uso de tu proveedor para obtener el recuento exacto de tokens.💡 Consejo: ejecuta la misma auditoría con Kimi K2.6 o GPT 5.6 Sol y compara qué herramientas recortaría cada modelo.
Cada foto de este artículo sigue un patrón sencillo: un sujeto claro, una fuente de luz, una elección de cámara y objetivo. Prueba tú mismo la misma receta. Describe un banco de trabajo a las nueve de la mañana, un excursionista en una bifurcación del sendero o tu propia versión de un escritorio lleno de herramientas, y ejecútalo con PicassoIA Image. Refina el resultado con PicassoIA Image Editor Pro y, cuando una imagen fija merezca movimiento, envíala a PicassoIA Video. Elige un prompt de tu próximo proyecto y mira qué sale.
Elige tu idioma
