---
title: "Caso de estudio: reducir alrededor de un 90 % la sobrecarga de herramientas de un agente de soporte con IA — onemcp"
description: "El agente de IA de un equipo de soporte ilustrativo dedicaba la mayor parte de su contexto a las definiciones de herramientas MCP. Al pasar por el Code Mode de onemcp, la sobrecarga por solicitud cayó alrededor de un 90 % — respuestas más rápidas y económicas."
ogTitle: "Caso de estudio: un agente de soporte con IA a dieta de tokens"
ogDescription: "Cómo una automatización de soporte redujo alrededor de un 90 % su sobrecarga de herramientas por solicitud con el Code Mode de onemcp — más rápido, más barato, más fiable."
url: "https://onemcp.dev/es/case-studies/support-agent-token-diet"
eyebrow: "Caso de estudio · Automatización del soporte al cliente"
headline: "El agente de soporte dedicaba más contexto a las definiciones de herramientas que al propio ticket."
summary: "El agente de IA de un equipo de soporte estaba conectado a una docena de servidores MCP y ahogaba cada prompt en esquemas de herramientas. Pasar al Code Mode de onemcp devolvió el contexto al problema del cliente — y redujo el coste y la latencia de cada respuesta."
industry: "Soporte al cliente SaaS"
teamSize: "Organización de soporte de ~15 personas"
stack: "Zendesk · Stripe · Postgres · API interna de pedidos · Slack"
illustrative: "Escenario ilustrativo inspirado en implementaciones habituales de onemcp. El equipo descrito es una composición y no un cliente nombrado; las cifras son representativas y no medidas."
results:
  - "Sobrecarga de herramientas por solicitud reducida alrededor de un 90 %"
  - "Esquema de herramientas por llamada de ~15 000 a ~500 tokens"
  - "Menor coste y latencia en cada respuesta"
quote: "El agente se volvió más rápido y más barato el mismo día del cambio, y no quitamos ni una sola herramienta. Simplemente dejó de cargarlas todas en cada mensaje."
quoteAttribution: "Responsable de operaciones de soporte (ilustrativo)"
---

## Contexto

Un equipo de soporte SaaS había construido un agente de IA para clasificar y responder tickets. Para trabajar de verdad, necesitaba alcance: Zendesk para el ticket, Stripe para el cargo, Postgres y una API interna de pedidos para el estado de la cuenta, y Slack para escalar. Cada uno de ellos era un servidor MCP, cableado directamente en el agente.

El agente fue útil desde el primer día. También era lento y caro de un modo que el equipo no lograba explicar del todo — hasta que examinó qué contenía realmente cada prompt.

## El reto

Cada servidor MCP al que el agente se conectaba inyectaba, en cada solicitud, **su esquema de herramientas completo** en el contexto. Con una docena de servidores conectados, eso suponía cientos de definiciones de herramientas y parámetros acompañando a cada ticket — lo necesitara o no el ticket en curso.

El coste se manifestaba de tres formas:

- **Contexto desperdiciado.** Unos 15 000 tokens de texto repetitivo de herramientas precedían a la pregunta real del cliente en cada prompt. En hilos largos, las definiciones desplazaban a la propia conversación.
- **Mayor coste y latencia.** Esos tokens de entrada se pagaban y procesaban en cada turno, multiplicados por miles de tickets a la semana.
- **Más margen de error.** Un prompt más grande y ruidoso daba al modelo más ocasiones de elegir la herramienta equivocada o de perder el hilo en un ticket de varios pasos.

## El enfoque

El equipo situó todos los servidores del agente tras un único **portal** de onemcp e hizo que el agente dialogara con él mediante el **Code Mode**.

En lugar de precargar cada definición, el portal expone tres meta-herramientas:

- `search` — encontrar las herramientas pertinentes para el ticket que se tiene delante.
- `describe` — obtener a demanda la firma exacta de esas herramientas.
- `execute` — ejecutar un breve script que las llama, en una sola ida y vuelta.

Así, un ticket de reembolso carga las herramientas de Stripe y de pedidos que necesita, y nada más. El catálogo completo sigue disponible — simplemente ya no se arrastra a cada prompt.

## Los resultados

- **Alrededor de un 90 % menos de sobrecarga de herramientas por solicitud.** El esquema de herramientas por llamada bajó de unos 15 000 tokens hacia ~500. El ahorro se repite en cada turno de cada ticket.
- **Respuestas más baratas y rápidas.** Menos tokens de entrada por llamada suponían una factura más baja y una primera respuesta más rápida, sin retirar ninguna herramienta del alcance del agente.
- **Un manejo multipaso más estable.** Con el contexto puesto en el ticket y no en la caja de herramientas, el agente mantuvo el hilo a lo largo de reembolsos, consultas de cuenta y escalados.

> El agente se volvió más rápido y más barato el mismo día del cambio, y no quitamos ni una sola herramienta. Simplemente dejó de cargarlas todas en cada mensaje.

## Casos de estudio relacionados

- [Un equipo de plataforma reúne 20 servidores MCP tras un endpoint](/es/case-studies/platform-team-mcp-gateway)
- [Agentes de datos de autoservicio sin filtrar credenciales](/es/case-studies/data-team-secure-agents)