Fortellingen om to protokoller: Hva de faktisk gjør

Fortellingen om to protokoller: Hva de faktisk gjør

MCP oppsto fra Anthropics laboratorier i november 2024 som en åpen standard for agent-verktøy-integrasjon. Innen Q1 2026 har den samlet 97M+ SDK-nedlastinger og 10 000+ offentlige servere [1]. Protokollen håndterer fire nøkkelprimitiver: Verktøy (som search_db), Ressurser (filer og databaser), Prompts (maler), og Oppgaver (asynkrone operasjoner) [3].

A2A ble lansert fra Google i april 2025 med et annet oppdrag: å gjøre det mulig for agenter å arbeide sammen som likeverdige. Den støttes av 100-150 organisasjoner inkludert Salesforce, SAP, ServiceNow og LangChain [2]. Der MCP hovedsakelig er tilstandsløs klient-server-kommunikasjon, administrerer A2A tilstandsfulle oppgavelivssykluser: kølagt, kjørende, fullført, mislykket og input-påkrevd tilstander [2].

De tekniske forskjellene betyr noe for utviklere. MCP bruker progressiv verktøyoppdagelse gjennom kataloger og muliggjør kodebaserte kall som reduserer token-bruk med 98,7%—fra 150 000 tokens ned til 2 000 for komplekse operasjoner [4]. A2A bruker Agent Cards (.well-known/agent.json-filer) for kapabilitetsoppdagelse og støtter streaming, webhooks og flere modaliteter inkludert tekst, lyd og video [2].

Begge protokollene kjører på JSON-RPC, men med forskjellige transportlag. MCP opererer over stdio og Streamable HTTP, mens A2A fungerer over HTTP, gRPC og REST [3]. Sikkerhetsmessig implementerer begge OAuth 2.1 med sesjonsadministrasjon, selv om de takler forskjellige angrepsvektor—MCP fokuserer på confused deputy og SSRF-angrep, mens A2A legger vekt på signerte agentkort for tillitsverifisering [3].

Produksjonsvirkelighet: Hva som faktisk fungerer (og hva som feiler)

Kostnadstallene forteller den virkelige historien. Enkle enkelt-agent-oppgaver koster $0,10-0,50 (1-3k tokens), mens multi-agent CrewAI-oppsett koster $0,50-2,00 (3-10k tokens). Komplekse AutoGen-arbeidsflyter kan treffe $2-5 per interaksjon (5-25k tokens)—noe som gjør multi-agent-systemer 5-10x dyrere enn enkle agenter [6].

Men ROI kan rettferdiggjøre kostnadene. Ett forsikringsselskap rapporterte 85-95% nøyaktighetsforbedringer etter å ha justert sitt multi-agent saksprosesseringssystem [6]. Utviklingstid varierer også dramatisk: CrewAI-implementeringer tar omtrent 1 uke versus 3 uker for tilsvarende AutoGen-oppsett i reservasjonssystemer [6].

Feilmodusene er forutsigbare men smertefulle. Uendelige løkker, hallusinasjoner og kontekstoverbelastning plager samtaler lengre enn 30-45 minutter. Kostnadeksplosjoner skjer når agenter spawner sub-agenter uten ordentlige kontroller. Latens varierer vilt (1-4 sekunder), og debugging av AutoGen-arbeidsflyter forblir "kaos" ifølge flere produksjonsteam [6].

Minneoppblåsing er den stille draperen. Agenter akkumulerer kontekst til de treffer token-grenser, deretter enten krasjer eller begynner å glemme kritisk informasjon. Sikkerhetsproblemer inkluderer prompt injection, dataeksfiltrasjon og "agentspredning" hvor team mister oversikten over hva som kjører hvor [6].

Den nordiske CTO-spilleboken: Faseinndelt implementeringsstrategi

Basert på vår erfaring og samtaler med nordiske ingeniørledere, her er den praktiske utrullingsstrategien som faktisk fungerer:

Fase 1: MCP-verktøyintegrasjon (2-6 uker per verktøy). Start med enkle agenter koblet til kjernesystemene dine—CRM, databaser, Slack, GitHub. Bygg MCP-serverne for dine mest kritiske verktøy først. Denne fasen lærer deg om token-optimalisering og sikkerhetsgrenser uten kompleksiteten av agentkoordinering [7].

Fase 2: A2A multi-agent-koordinering (4-12 uker). Når verktøyene dine er MCP-aktivert, introduser agent-til-agent-arbeidsflyter. Start med enkle overføringer: forskningsagent → kodingsagent → vurderingsagent. Bruk A2As oppgavelivssyklusadministrasjon for å spore fremgang og håndtere feil elegant [7].

Fase 3: Handelslag-integrasjon. Legg inn ACP (Agent Commerce Protocol) eller UCP for betalingsflyter og ekstern tjenesteintegrasjon. Dette er hvor du beveger deg fra intern automatisering til kundevendte AI-produkter [8].

Nøkkelen er å starte smalt med Nivå 2-3 autonomi. Hvitelist spesifikke verktøy, sett maksimale API-kall per sesjon, implementer smart oppsummering for å administrere kontekst, og bygg menneske-i-løkka-porter for kritiske beslutninger [6]. Overvåk kostnader og samtalebaner religiøst—sett varsler på 80% av budsjettgrensene dine [6].

Virkelige arkitekturer: Hvordan MCP og A2A fungerer sammen

De mest vellykkede implementeringene vi har sett kombinerer begge protokollene strategisk. A2A håndterer orkestrering mens MCP forankrer agenter i virkelige verktøy. Her er hvordan det ser ut i praksis:

Bedriftslånprosessering: Kredittanalyseagent (A2A) koordinerer med dokumentprosesseringsagent og risikovurderingsagent. Hver spesialist bruker MCP for å få tilgang til kredittdatabaser, OCR-tjenester og regulatoriske compliance-verktøy [7]. A2A-laget administrerer overføringer og sikrer at alle agenter fullfører oppgavene sine før endelig godkjenning.

Salgstreningssimulasjoner: Kundepersonaagent og salgscoachagent samhandler via A2A for å skape realistiske scenarioer. Begge agenter bruker MCP for å få tilgang til produktdatabaser, prisverktøy og ytelsesanalyse [7]. A2A-protokollen administrerer samtaleflyt mens MCP gir sanntids datatilgang.

Støttebillettløsning: Faktureringsagent og teknisk agent samarbeider gjennom A2A for å løse komplekse kundeproblemer. MCP-tilkoblinger muliggjør direkte tilgang til faktureringssystemer, kunnskapsbaser og billettsystemer [7]. Resultatet: raskere løsning med full kontekstbevaring.

Mønsteret er konsistent: A2A delegerer oppgaver mellom agenter, MCP utfører handlinger i den virkelige verden. Denne separasjonen av bekymringer gjør debugging enklere og skalering mer forutsigbar.

Styringsgapet: Hvorfor protokoller ikke er nok

Her er hva protokollevangelistene ikke vil fortelle deg: tekniske standarder løser ikke organisatoriske problemer. MCP og A2A muliggjør agentkoordinering, men de gir ikke styringsrammeverk for godkjenningsarbeidsflyter, revisjonsspor eller compliance-administrasjon [7].

Produksjonsteam trenger ekstra lag:

• Godkjenningsporter for høyeffektbeslutninger
• Revisjonslogging for regulatorisk compliance
• Kostnadskontroller med automatiske avstengninger
• Ytelsesovervåking med baneanalyse
• Sikkerhetspolicyer for datatilgang og oppbevaring

Protokollene håndterer rørleggerarbeidet. Din dømmekraft bygger gelenderne. Dette er hvor nordisk ingeniørkultur—med sin vektlegging av konsensus og systematisk risikoadministrasjon—gir et konkurransefortrinn i AI-distribusjon.

Smarte team bygger styringslag på toppen av MCP/A2A i stedet for å prøve å bygge inn kontroller innenfor protokollene selv. Denne separasjonen tillater protokolloppgraderinger uten å bryte compliance-systemer.

Post-SaaS-fremtiden: Når AI-lag erstatter programvare

Konvergensen av MCP og A2A peker mot et grunnleggende skifte i hvordan vi bygger og kjøper programvare. I stedet for å kjøpe SaaS-verktøy, vil organisasjoner distribuere AI-lag som kan tilpasse seg enhver arbeidsflyt ved hjelp av protokollstandardiserte integrasjoner [8].

Vurder implikasjonene: Hvorfor kjøpe separate verktøy for prosjektadministrasjon, kundestøtte og salgsautomatisering når et koordinert team av AI-agenter kan håndtere alle tre ved hjelp av samme underliggende data og forretningslogikk? Protokollene gjør dette mulig ved å standardisere hvordan agenter oppdager kapabiliteter og koordinerer arbeid.

Nordiske selskaper eksperimenterer allerede med denne modellen. Ett logistikkfirma erstattet hele sin kundeservicestack med et tre-agent-system: inntak-, ruting- og løsningsagenter koordinert via A2A og koblet til legacy-systemer gjennom MCP. Resultatet: 40% kostnadsreduksjon og 60% raskere responstider.

Skiftet krever annen tenkning om programvarearkitektur. I stedet for å integrere forskjellige SaaS-verktøy, orkestrerer du AI-kapabiliteter. I stedet for å trene mennesker på flere grensesnitt, konfigurerer du agentadferd. Kode blir gratis, men dømmekraft blir differensiatoren.

Dette er hvorfor vi er optimistiske på protokollaget. MCP og A2A er ikke bare tekniske standarder—de er grunnlaget for en post-SaaS-økonomi hvor intelligens, ikke grensesnitt, definerer programvareverdi.

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