Historien om To Protokoller: Hvad De Faktisk Gør

Historien om To Protokoller: Hvad De Faktisk Gør

MCP opstod fra Anthropics laboratorier i november 2024 som en åben standard for agent-værktøj integration. I Q1 2026 har den opnået 97M+ SDK-downloads og 10.000+ offentlige servere [1]. Protokollen håndterer fire nøgleprimitiver: Værktøjer (som search_db), Ressourcer (filer og databaser), Prompts (skabeloner) og Tasks (asynkrone operationer) [3].

A2A lancerede fra Google i april 2025 med en anden mission: at gøre det muligt for agenter at arbejde sammen som ligeværdige partnere. Den er bakket op af 100-150 organisationer inklusive Salesforce, SAP, ServiceNow og LangChain [2]. Hvor MCP primært er statsløs klient-server kommunikation, håndterer A2A tilstandsfulde opgavelivscyklusser: køet, kørende, fuldført, fejlet og input-påkrævet tilstande [2].

De tekniske forskelle betyder noget for udviklere. MCP bruger progressiv værktøjsopdagelse gennem kataloger og muliggør kodebaserede kald, der reducerer token-forbrug med 98,7%—fra 150.000 tokens ned til 2.000 for komplekse operationer [4]. A2A bruger Agent Cards (.well-known/agent.json filer) til kapacitetsopdagelse og understøtter streaming, webhooks og flere modaliteter inklusive tekst, lyd og video [2].

Begge protokoller kører på JSON-RPC, men med forskellige transportlag. MCP opererer over stdio og Streamable HTTP, mens A2A fungerer over HTTP, gRPC og REST [3]. Sikkerhedsmæssigt implementerer begge OAuth 2.1 med sessionhåndtering, selvom de tackler forskellige angrebsvektorer—MCP fokuserer på confused deputy og SSRF-angreb, mens A2A lægger vægt på signerede agent cards til tillidsverifikation [3].

Produktionsvirkelighed: Hvad Der Faktisk Virker (Og Hvad Der Går I Stykker)

Omkostningstal fortæller den rigtige historie. Simple enkelt-agent opgaver kører $0,10-0,50 (1-3k tokens), mens multi-agent CrewAI setups koster $0,50-2,00 (3-10k tokens). Komplekse AutoGen workflows kan ramme $2-5 per interaktion (5-25k tokens)—hvilket gør multi-agent systemer 5-10x dyrere end enkelte agenter [6].

Men ROI kan retfærdiggøre omkostningerne. Et forsikringsselskab rapporterede 85-95% nøjagtighedsforbedringer efter tuning af deres multi-agent sagsbehandlingssystem [6]. Udviklingstid varierer også dramatisk: CrewAI implementeringer tager omkring 1 uge versus 3 uger for tilsvarende AutoGen setups i reservationssystemer [6].

Fejlmoduserne er forudsigelige men smertefulde. Uendelige loops, hallucinationer og kontekstoverbelastning plager samtaler længere end 30-45 minutter. Omkostningseksplosioner sker, når agenter spawner sub-agenter uden ordentlige kontroller. Latency varierer voldsomt (1-4 sekunder), og debugging af AutoGen workflows forbliver "kaos" ifølge flere produktionsteams [6].

Memory bloat er den tavse dræber. Agenter akkumulerer kontekst, indtil de rammer token-grænser, hvorefter de enten crasher eller begynder at glemme kritisk information. Sikkerhedsproblemer inkluderer prompt injection, dataeksfiltrering og "agent sprawl", hvor teams mister overblikket over, hvad der kører hvor [6].

Den Nordiske CTO Playbook: Fasevis Implementeringsstrategi

Baseret på vores erfaring og samtaler med nordiske ingeniørledere, her er den praktiske udrulningsstrategi, der faktisk virker:

Fase 1: MCP Værktøjsintegration (2-6 uger per værktøj). Start med enkelte agenter forbundet til dine kernesystemer—CRM, databaser, Slack, GitHub. Byg MCP-serverne til dine mest kritiske værktøjer først. Denne fase lærer dig om token-optimering og sikkerhedsgrænser uden kompleksiteten af agentkoordination [7].

Fase 2: A2A Multi-Agent Koordination (4-12 uger). Når dine værktøjer er MCP-aktiverede, introducér agent-til-agent workflows. Start med simple overdragelser: research agent → coding agent → review agent. Brug A2As opgavelivscyklushåndtering til at spore fremskridt og håndtere fejl elegant [7].

Fase 3: Commerce Layer Integration. Lag ACP (Agent Commerce Protocol) eller UCP ind for betalingsflows og ekstern serviceintegration. Det er her, du bevæger dig fra intern automatisering til kundevendte AI-produkter [8].

Nøglen er at starte snævert med Level 2-3 autonomi. Whitelist specifikke værktøjer, sæt maksimale API-kald per session, implementér smart opsummering til at håndtere kontekst, og byg human-in-the-loop gates for kritiske beslutninger [6]. Overvåg omkostninger og samtaleforløb religiøst—sæt alarmer ved 80% af dine budgettærskler [6].

Virkelige Arkitekturer: Hvordan MCP og A2A Arbejder Sammen

De mest succesfulde implementeringer, vi har set, kombinerer begge protokoller strategisk. A2A håndterer orkestrering mens MCP forankrer agenter i virkelige værktøjer. Sådan ser det ud i praksis:

Enterprise lånebehandling: Kreditanalyse-agent (A2A) koordinerer med dokumentbehandlings-agent og risikovurderings-agent. Hver specialist bruger MCP til at tilgå kreditdatabaser, OCR-tjenester og regulatory compliance værktøjer [7]. A2A-laget håndterer overdragelser og sikrer, at alle agenter fuldfører deres opgaver før endelig godkendelse.

Salgstræningssimulatorer: Kundepersona-agent og salgscoach-agent interagerer via A2A for at skabe realistiske scenarier. Begge agenter bruger MCP til at tilgå produktdatabaser, prisværktøjer og performance analytics [7]. A2A-protokollen håndterer samtaleflowet, mens MCP giver real-time dataadgang.

Support ticket løsning: Fakturerings-agent og teknisk agent samarbejder gennem A2A om at løse komplekse kundeproblemer. MCP-forbindelser muliggør direkte adgang til faktureringssystemer, videnbaser og ticketing-platforme [7]. Resultatet: hurtigere løsning med fuld kontekstbevarelse.

Mønsteret er konsistent: A2A delegerer opgaver mellem agenter, MCP udfører handlinger i den virkelige verden. Denne adskillelse af bekymringer gør debugging lettere og skalering mere forudsigelig.

Governance-hullet: Hvorfor Protokoller Ikke Er Nok

Her er, hvad protokolevangelisterne ikke vil fortælle dig: tekniske standarder løser ikke organisatoriske problemer. MCP og A2A muliggør agentkoordination, men de giver ikke governance-frameworks til godkendelsesworkflows, revisionsspor eller compliance-håndtering [7].

Produktionsteams har brug for yderligere lag:

• Godkendelsesporte til beslutninger med stor påvirkning
• Revisionslogning til regulatory compliance
• Omkostningskontroller med automatiske stop
• Performance overvågning med trajectory-analyse
• Sikkerhedspolitikker til dataadgang og opbevaring

Protokollerne håndterer rørlægningen. Din dømmekraft bygger sikkerhedsbarriererne. Det er her, nordisk ingeniørkultur—med dens vægt på konsensus og systematisk risikohåndtering—giver en konkurrencefordel i AI-deployment.

Smarte teams bygger governance-lag oven på MCP/A2A i stedet for at forsøge at indlejre kontroller inden for protokollerne selv. Denne adskillelse tillader protokolopgraderinger uden at ødelægge compliance-systemer.

Den Post-SaaS Fremtid: Når AI-Hold Erstatter Software

Konvergensen af MCP og A2A peger mod et fundamentalt skift i, hvordan vi bygger og køber software. I stedet for at købe SaaS-værktøjer vil organisationer deploye AI-hold, der kan tilpasse sig ethvert workflow ved hjælp af protokol-standardiserede integrationer [8].

Overvej implikationerne: Hvorfor købe separate værktøjer til projektledelse, kundesupport og salgsautomatisering, når et koordineret team af AI-agenter kan håndtere alle tre ved hjælp af de samme underliggende data og forretningslogik? Protokollerne gør dette muligt ved at standardisere, hvordan agenter opdager kapaciteter og koordinerer arbejde.

Nordiske virksomheder eksperimenterer allerede med denne model. Et logistikfirma erstattede hele deres kundeservice-stack med et tre-agent system: intake-, routing- og løsningsagenter koordineret via A2A og forbundet til legacy-systemer gennem MCP. Resultatet: 40% omkostningsreduktion og 60% hurtigere responstider.

Skiftet kræver anderledes tænkning om software-arkitektur. I stedet for at integrere forskellige SaaS-værktøjer orkestrerer du AI-kapaciteter. I stedet for at træne mennesker på flere interfaces konfigurerer du agentadfærd. Kode bliver gratis, men dømmekraft bliver differentiatoren.

Det er derfor, vi er optimistiske omkring protokollaget. MCP og A2A er ikke bare tekniske standarder—de er fundamentet for en post-SaaS økonomi, hvor intelligens, ikke interfaces, definerer software-værdi.

Kilder

1. https://www.digitalocean.com/community/tutorials/a2a-vs-mcp-ai-agent-protocols
2. https://getstream.io/blog/ai-agent-protocols
3. https://devtk.ai/en/blog/mcp-vs-a2a-comparison-2026
4. https://www.anthropic.com/engineering/code-execution-with-mcp
5. https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability
6. https://47billion.com/blog/ai-agents-in-production-frameworks-protocols-and-what-actually-works-in-2026
7. https://neomanex.com/posts/a2a-mcp-protocols
8. https://www.digitalapplied.com/blog/ai-agent-protocol-ecosystem-map-2026-mcp-a2a-acp-ucp