¿Cuándo utilizar MCP y prompts optimizados para reducir los costos de las automatizaciones empresariales?
Las empresas que actualmente confían sus procesos a la IA descubren rápidamente que el principal desafío ya no es la capacidad del modelo, sino el costo de los tokens. Con la evolución de los modelos de llamada a herramientas y el aumento de la automatización de procesos, la optimización de los prompts se convierte en un factor competitivo clave. En este artículo, te mostraré cómo el Protocolo de Contexto de Modelo (MCP) de Okta, los nuevos prompts para LLM de llamada a herramientas y el reciente GLM-5.3 de Z.ai pueden reducir los gastos sin sacrificar el rendimiento.
Por qué la optimización de tokens es crucial en 2026
Los modelos LLM modernos, como Qwen3 y los sistemas finetuneados XYZ-Aquila-SFT, consumen más tokens cuando operan sin una delimitación clara del contexto. Cada llamada no optimizada puede aumentar el presupuesto, especialmente cuando se gestionan cientos de agentes de IA diariamente. Por ello, las empresas buscan una forma de:
- Reducir el número de llamadas al modelo manteniendo la precisión.
- Limitar el acceso a recursos solo cuando sea estrictamente necesario.
- Adaptarse rápidamente a nuevos modelos sin necesidad de rediseñar los flujos de trabajo.
La solución llega de la mano de Okta con el Protocolo de Contexto de Modelo (MCP), anunciado el 13 de agosto de 2026, que permite vincular las acciones de los agentes de IA a un ámbito de identidad específico, reduciendo drásticamente el número de tokens necesarios por operación.
El Protocolo de Contexto de Modelo (MCP) de Okta: ¿qué es y cómo funciona?
MCP es un nuevo estándar que define una lista de herramientas de ámbito identitario para los agentes de IA. En lugar de permitir que un agente acceda a todo el inquilino, se puede proporcionar una lista de herramientas específica (por ejemplo, solo las API de aprovisionamiento de usuarios). Esto limita el contexto que el modelo debe procesar, reduciendo directamente el consumo de tokens.
Principales ventajas
- Reducción de los costos de tokens hasta en un 40 % en las pruebas internas de Okta.
- Mayor seguridad, ya que cada agente solo ve lo que necesita.
- Integración nativa con los sistemas de identidad existentes.
Ejemplo práctico
# Ejemplo de prompt con ámbito MCP para un agente de aprovisionamiento de usuarios
{
"agent_id": "provisioning_service",
"tools": [
"create_user",
"deactivate_user",
"reset_password"
],
"scope": "identity_provider=Okta_US_EU"
}Cuando este prompt se envía a un LLM de llamada a herramientas (como Qwen3), el modelo sabe exactamente qué acciones están permitidas y nunca genera llamadas innecesarias, reduciendo el presupuesto de tokens.
Diseñar prompts efectivos para LLM de llamada a herramientas en 2026
Con el auge de los modelos de llamada a herramientas, un prompt bien estructurado se convierte en el motor que transforma la intención del usuario en una llamada de función segura. Los pasos clave son:
- Define el ámbito de las herramientas (usa MCP cuando sea posible).
- Incluye ejemplos de razonamiento paso a paso.
- Especifica el formato de salida deseado (JSON, markdown, etc.).
- Añade restricciones de seguridad (por ejemplo, nunca llamar a delete sin confirmación).
A continuación, un ejemplo de prompt que aprovecha el pipeline de fine-tuning XYZ-Aquila-SFT, mencionado el 15 de agosto de 2026 como método líder para la creación de LLM especializados en la llamada a herramientas.
# Prompt para un LLM finetuneado con XYZ-Aquila-SFT
Instrucciones:
- Identifica la intención del usuario entre: creación de usuario, actualización, desactivación.
- Selecciona la herramienta adecuada de la lista proporcionada.
- Devuelve un objeto JSON con las claves: "action", "resource_id", "parameters".
- Nunca generar texto libre no solicitado.
Herramientas disponibles:
- create_user (requiere: email, username)
- update_user (requiere: user_id, campo, valor)
- deactivate_user (requiere: user_id)
Ejemplo:
Entrada: "Crea un nuevo usuario con email test@example.com y username testuser"
Salida: {"action": "create_user", "resource_id": null, "parameters": {"email": "test@example.com", "username": "testuser"}}Este prompt funciona sin cambios tanto con Qwen3 como con el nuevo GLM-5.3, demostrando la portabilidad del método.
GLM-5.3 de Z.ai: rendimiento sin necesidad de retrainning
Z.ai lanzó GLM-5.3 el 14 de agosto de 2026, un modelo que mantiene el núcleo de 743B de GLM-5.2 sin cambios e introduce mejoras solo en la fase de post-entrenamiento. El resultado es un salto cualitativo en tareas de codificación complejas y en el procesamiento de largos horizontes temporales, sin necesidad de un retrainning costoso.
Para las automatizaciones empresariales, esto significa poder:
- Gestionar scripts multilingües más largos sin perder precisión.
- Ejecutar razonamientos a largo plazo (por ejemplo, seguimiento del ciclo de vida de los usuarios) con menos llamadas al modelo.
Ejemplo de integración
# Uso de GLM-5.3 para un agente de automatización del ciclo de vida
import requests
payload = {
"model": "GLM-5.3",
"messages": [
{"role": "system", "content": "Eres un agente de automatización del ciclo de vida. Puedes crear usuarios, asignar roles y enviar correos electrónicos de bienvenida."},
{"role": "user", "content": "Crea el usuario 'jdoe' y asígnale el rol 'analista'."}
],
"tools": [
{"type": "function", "function": {"name": "create_user", "parameters": {"email": "string", "role": "string"}}}
]
}
response = requests.post("https://api.z.ai/v1/chat/completions", json=payload)
print(response.json())Con GLM-5.3, la respuesta incluye tanto la llamada a la función como un breve plan de acción, todo en un solo turno, reduciendo aún más el número de tokens necesarios.
Flujo de trabajo end-to-end para automatizaciones empresariales optimizadas con prompts
Pon en práctica las tres tecnologías en un flujo de trabajo concreto:
- Planificación:Identifica los procesos repetitivos (aprovisionamiento de usuarios, actualización de datos, generación de informes).
- Prototipado:Crea un prompt básico utilizando el esquema MCP para limitar las herramientas.
- Pruebas y optimización:Ejecuta el prototipo con un LLM finetuneado (XYZ-Aquila-
Conclusión:Utiliza estos pasos como base operativa, adaptando herramientas, políticas y controles al contexto real de tu organización.
IMPORTANTE: Estamos en 2026. Todas las referencias temporales deben ser actuales. No menciones años pasados como 2024, 2023, etc. Los contenidos deben ser frescos y relevantes para el presente. CONTEXTO ACTUAL (agosto de 2026): Aquí tienes algunas tendencias y noticias recientes para inspirarte: - Okta aborda los costos de tokens de los agentes de IA con el escoping de MCP: Okta afirma que las listas de herramientas con escoping de identidad del Protocolo de Contexto de Modelo (MCP) pueden reducir los costos de tokens de los agentes de IA. Cada llamada de modelo realizada por un agente de IA puede incluir... [2026-08-13] - Google prueba AMIE para consultas clínicas en vídeo: El sistema de IA médica de investigación de Google, AMIE (Video), realizó consultas síncronas en vídeo con actores profesionales de pacientes y recibió... [2026-08-12] - Google AI lanza Gemini 3.7 Flash: Un modelo de codificación y agentes por 0,75 dólares/1 millón de tokens de entrada: Google ha lanzado Gemini 3.7 Flash, una mejora de Gemini 3.6 Flash con mejoras algorítmicas en su núcleo de razonamiento. Maneja texto, imágenes, etc. [2026-08-13] Usa esta información actual como inspiración para crear un prompt original y relevante para 2026.