La promesa del Model Context Protocol (MCP) era seductora: un estándar universal que permite a los modelos de lenguaje interactuar con cualquier fuente de datos o herramienta externa sin integraciones a medida. Anthropic lo presentó como el "USB-C de la IA" y la comunidad no tardó en construir servidores para todo: sistemas de archivos, GitHub, Slack, navegadores, buscadores, bases de datos. La tentación era obvia: ¿por qué no enchufarlos todos a un solo agente y crear una superinteligencia con acceso total?

Un desarrollador de Towards AI decidió probar exactamente eso. Conectó una pila de servidores MCP a un único agente —filesystem, GitHub, Slack, browser, search y varios más— y midió la precisión en tareas reales. El resultado fue contundente: hasta unos 20 herramientas el rendimiento se mantenía estable; a partir de ahí, la precisión se desplomó en picado. El agente empezó a invocar herramientas equivocadas, a mezclar contextos y a alucinar parámetros. En términos coloquiales: se volvió tonto.

El fenómeno tiene una explicación técnica clara. Cada herramienta MCP expone su propio esquema de funciones, descripciones y parámetros al modelo. Cuando el contexto se satura con docenas de esquemas, el mecanismo de atención del LLM pierde capacidad para discriminar qué herramienta es la adecuada para cada paso. Es el equivalente cognitivo a pedirle a un cirujano que elija el bisturí correcto entre 50 opciones mientras le gritan instrucciones contradictorias. Además, muchas herramientas tienen semánticas solapadas —buscar en web vs buscar en archivos, escribir en Slack vs escribir en archivo— y el modelo empieza a confundir sus dominios de competencia.

Esto no invalida MCP; de hecho, confirma su valor como capa de abstracción. El problema es arquitectónico: la idea de un "agente único omnisciente" choca con las limitaciones fundamentales de la ventana de contexto y la atención dispersa. La solución emergente en la industria apunta hacia arquitecturas jerárquicas: un agente orquestador que delega en sub-agentes especializados, cada uno con su propio conjunto acotado de herramientas MCP. Patrones como "router agents" o "swarms" de agentes ligeros están reemplazando al monolito.

Para los equipos que construyen productos sobre LLMs, la lección es operativa: auditen cuántas herramientas expone realmente su agente en producción. Si superan la barrera de las 15-20, probablemente estén degradando la experiencia de usuario sin saberlo. La modularidad y la especialización vencen a la acumulación indiscriminada. MCP sigue siendo el estándar ganador para la interoperabilidad, pero su poder exige disciplina en el diseño de la arquitectura de agentes.