Okta propone filtro de herramientas MCP para reducir costos de tokens en agentes de IA

El costo de operar agentes de inteligencia artificial no se limita al tiempo de cómputo. Cada vez que un modelo de lenguaje hace una llamada, debe procesar la descripción completa de todas las herramientas a su disposición, incluso aquellas que nunca utilizará. Okta, empresa especializada en gestión de identidades, ha denominado a este gasto oculto como el “impuesto de herramientas” y propone un mecanismo para reducirlo drásticamente: filtrar la lista de herramientas antes de que llegue al modelo, usando permisos de identidad.

El problema del overhead en las herramientas MCP

Convertido en un estándar para conectar agentes de IA con sistemas empresariales como Google Workspace, Slack o servidores internos, el Protocolo de Contexto de Modelo (MCP) expone en cada servidor un conjunto de herramientas, y el modelo recibe en cada ciclo de conversación el esquema, nombre, descripción y parámetros de cada una. Esto genera una carga en el prompt —los tokens de contexto que el modelo procesa— que Okta describe como un problema que se multiplica con el número de herramientas y de usuarios.

Doble es el costo: por un lado, el volumen de tokens consumidos crece linealmente con las herramientas disponibles; por otro, cada usuario activo incurre en ese gasto cada vez que su agente realiza una llamada. Okta lo enmarca como un desafío de escala tanto de herramientas como de usuarios. Un agente que ve herramientas fuera de su alcance autorizado puede intentar usarlas, y aunque un control en tiempo de ejecución bloquee la acción, los tokens ya se han consumido.

La solución: filtrar antes de que llegue al modelo

Okta propone un control previo a la invocación del modelo. En lugar de pasar la lista completa de herramientas de un servidor MCP, el sistema filtra el catálogo basándose en la identidad del agente y del usuario asociado. De esta forma, el modelo solo recibe las herramientas para las que tiene permiso explícito. El beneficio es doble: se reduce el consumo de tokens y se elimina el riesgo de que el modelo intente usar herramientas no autorizadas.

La compañía realizó modelos internos que mostraron que, en ciertos escenarios de permisos, el número de herramientas visibles se redujo en más del 90%. Okta afirma que el costo de los esquemas de herramientas cayó en una proporción similar, aunque no proporcionó cifras absolutas de tokens ni montos en dólares. El ahorro es significativo en entornos empresariales donde un servidor MCP puede exponer decenas o cientos de herramientas, y la frecuencia de llamadas al modelo es alta.

Implicaciones para empresas latinoamericanas

Para los equipos de infraestructura y seguridad en América Latina, este hallazgo tiene un impacto directo en la planificación de costos y en la adopción de agentes autónomos. En la región, donde los presupuestos de nube suelen ser más ajustados y el retorno de inversión en IA se mide con lupa, reducir el overhead de tokens sin sacrificar funcionalidad es una ventaja competitiva. Un agente que consume menos tokens por llamada permite escalar a más usuarios o a más interacciones sin disparar la factura de la API.

Además, el enfoque de Okta refuerza la necesidad de integrar controles de identidad desde el diseño de los sistemas de IA. En mercados latinoamericanos donde la regulación de datos avanza —como la Ley General de Protección de Datos en Brasil o la Ley de Protección de Datos Personales en México—, un filtro de herramientas basado en identidad también ayuda a cumplir con principios de minimización y control de acceso. No se trata solo de ahorrar tokens, sino de construir una arquitectura más segura y gobernable.

Una pieza en la eficiencia operativa

Del “impuesto de herramientas”, el problema no es exclusivo de MCP; cualquier sistema que exponga una biblioteca grande de funciones a un modelo de lenguaje enfrenta un dilema similar. La propuesta de Okta es relevante porque ataca el problema en la fuente —antes de que el modelo procese la petición— y lo hace desde un ángulo de seguridad y gestión de identidades. Para los CTO y líderes de infraestructura en la región, esta aproximación sugiere que la eficiencia en costos de IA no pasa solo por optimizar el modelo o el prompting, sino también por repensar cómo y qué información se le entrega al modelo en cada paso.

Cifras concretas de ahorro en dólares no ofrece el estudio de Okta, pero la magnitud de la reducción —más del 90% en algunos casos— indica que el impacto puede ser sustancial. Las empresas latinoamericanas que ya estén experimentando con agentes autónomos o planeen hacerlo deberían considerar este tipo de controles como parte de su estrategia de costos y seguridad. El costo de los tokens no es estático: crece con cada usuario y con cada herramienta. Ignorarlo puede convertir una prueba piloto prometedora en una sorpresa presupuestaria.