Berättelsen om två protokoll: Vad de faktiskt gör

Berättelsen om två protokoll: Vad de faktiskt gör

MCP kom från Anthropics laboratorier i november 2024 som en öppen standard för agent-verktygsintegration. Vid Q1 2026 har det samlat på sig 97M+ SDK-nedladdningar och 10 000+ publika servrar [1]. Protokollet hanterar fyra huvudprimitiver: Verktyg (som search_db), Resurser (filer och databaser), Promptar (mallar) och Uppgifter (asynkrona operationer) [3].

A2A lanserades från Google i april 2025 med ett annat uppdrag: att möjliggöra för agenter att arbeta tillsammans som jämlikar. Det stöds av 100-150 organisationer inklusive Salesforce, SAP, ServiceNow och LangChain [2]. Där MCP mestadels är tillståndslös klient-server-kommunikation, hanterar A2A tillståndsfulla uppgiftslivscykler: köade, körande, slutförda, misslyckade och input-krävande tillstånd [2].

De tekniska skillnaderna spelar roll för utvecklare. MCP använder progressiv verktygsupptäckt genom kataloger och möjliggör kodbaserade anrop som minskar tokenanvändningen med 98,7%—från 150 000 tokens ner till 2 000 för komplexa operationer [4]. A2A använder Agent Cards (.well-known/agent.json-filer) för kapacitetsupptäckt och stöder streaming, webhooks och flera modaliteter inklusive text, ljud och video [2].

Båda protokollen körs på JSON-RPC, men med olika transportlager. MCP opererar över stdio och Streamable HTTP, medan A2A fungerar över HTTP, gRPC och REST [3]. Säkerhetsmässigt implementerar båda OAuth 2.1 med sessionshantering, även om de tacklar olika attackvektorer—MCP fokuserar på confused deputy- och SSRF-attacker, medan A2A betonar signerade agentkort för förtroendevalidering [3].

Produktionsverklighet: Vad som faktiskt fungerar (och vad som går sönder)

Kostnadssiffrorna berättar den verkliga historien. Enkla enagent-uppgifter kostar $0,10-0,50 (1-3k tokens), medan multi-agent CrewAI-uppsättningar kostar $0,50-2,00 (3-10k tokens). Komplexa AutoGen-arbetsflöden kan nå $2-5 per interaktion (5-25k tokens)—vilket gör multi-agentsystem 5-10x dyrare än enskilda agenter [6].

Men ROI kan motivera kostnaderna. Ett försäkringsbolag rapporterade 85-95% noggrannhetsförbättringar efter att ha justerat sitt multi-agent ärendebehandlingssystem [6]. Utvecklingstiden varierar också dramatiskt: CrewAI-implementationer tar cirka 1 vecka jämfört med 3 veckor för motsvarande AutoGen-uppsättningar i reservationssystem [6].

Felmönstren är förutsägbara men smärtsamma. Oändliga loopar, hallucinationer och kontextöverbelastning plågar konversationer längre än 30-45 minuter. Kostnadssprängar händer när agenter skapar underagenter utan ordentliga kontroller. Latens varierar vilt (1-4 sekunder), och felsökning av AutoGen-arbetsflöden förblir "kaos" enligt flera produktionsteam [6].

Minnesbloat är den tysta dödaren. Agenter samlar kontext tills de når tokengränser, sedan kraschar de antingen eller börjar glömma kritisk information. Säkerhetsproblem inkluderar prompt injection, dataexfiltration och "agentspridning" där team tappar koll på vad som körs var [6].

Den nordiska CTO-handboken: Stegvis implementeringsstrategi

Baserat på vår erfarenhet och samtal med nordiska ingenjörsledare, här är den praktiska utrullningsstrategin som faktiskt fungerar:

Fas 1: MCP-verktygsintegration (2-6 veckor per verktyg). Börja med enskilda agenter anslutna till dina kärnsystem—CRM, databaser, Slack, GitHub. Bygg MCP-servrarna för dina mest kritiska verktyg först. Denna fas lär dig om tokenoptimering och säkerhetsgränser utan komplexiteten av agentkoordinering [7].

Fas 2: A2A Multi-agent-koordinering (4-12 veckor). När dina verktyg är MCP-aktiverade, introducera agent-till-agent-arbetsflöden. Börja med enkla överlämningar: forskningsagent → kodningsagent → granskningsagent. Använd A2A:s uppgiftslivscykelhantering för att spåra framsteg och hantera fel elegant [7].

Fas 3: Commerce Layer-integration. Lägg till ACP (Agent Commerce Protocol) eller UCP för betalningsflöden och extern tjänsteintegration. Det är här du går från intern automatisering till kundriktade AI-produkter [8].

Nyckeln är att börja smalt med nivå 2-3 autonomi. Vitlista specifika verktyg, sätt maximala API-anrop per session, implementera smart sammanfattning för att hantera kontext, och bygg människa-i-loopen-grindar för kritiska beslut [6]. Övervaka kostnader och konversationsbanor religiöst—sätt varningar vid 80% av dina budgettrösklar [6].

Verklig arkitektur: Hur MCP och A2A fungerar tillsammans

De mest framgångsrika implementeringarna vi sett kombinerar båda protokollen strategiskt. A2A hanterar orkestrering medan MCP förankrar agenter i verkliga verktyg. Så här ser det ut i praktiken:

Företagslånebehandling: Kreditanalysagent (A2A) koordinerar med dokumentbehandlingsagent och riskbedömningsagent. Varje specialist använder MCP för att komma åt kreditdatabaser, OCR-tjänster och regelefterlevnadsverktyg [7]. A2A-lagret hanterar överlämningar och säkerställer att alla agenter slutför sina uppgifter före slutgodkännande.

Säljträningssimuleringar: Kundpersonaagent och säljcoachagent interagerar via A2A för att skapa realistiska scenarier. Båda agenterna använder MCP för att komma åt produktdatabaser, prisverktyg och prestandaanalys [7]. A2A-protokollet hanterar konversationsflödet medan MCP ger realtidsdataåtkomst.

Supportärendelösning: Faktureringsagent och teknisk agent samarbetar genom A2A för att lösa komplexa kundproblem. MCP-anslutningar möjliggör direkt åtkomst till faktureringssystem, kunskapsbaser och ärendeplattformar [7]. Resultatet: snabbare lösning med fullständig kontextbevarande.

Mönstret är konsekvent: A2A delegerar uppgifter mellan agenter, MCP utför handlingar i den verkliga världen. Denna separation av ansvar gör felsökning enklare och skalning mer förutsägbar.

Styrningsgapet: Varför protokoll inte räcker

Här är vad protokollevangelisterna inte berättar för dig: tekniska standarder löser inte organisatoriska problem. MCP och A2A möjliggör agentkoordinering, men de tillhandahåller inte styrningsramverk för godkännandearbetsflöden, revisionsspår eller efterlevnadshantering [7].

Produktionsteam behöver ytterligare lager:

• Godkännandegrindar för högpåverkande beslut
• Revisionsloggning för regelefterlevnad
• Kostnadskontroller med automatiska avstängningar
• Prestandaövervakning med bananalys
• Säkerhetspolicyer för dataåtkomst och retention

Protokollen hanterar rörmokeri. Ditt omdöme bygger skyddsräckena. Det är här nordisk ingenjörskultur—med sin betoning på konsensus och systematisk riskhantering—ger en konkurrensfördel i AI-deployment.

Smarta team bygger styrningslager ovanpå MCP/A2A snarare än att försöka bädda in kontroller inom protokollen själva. Denna separation möjliggör protokolluppgraderingar utan att bryta efterlevnadssystem.

Den post-SaaS framtiden: När AI-team ersätter mjukvara

Konvergensen av MCP och A2A pekar mot en grundläggande förändring i hur vi bygger och köper mjukvara. Istället för att köpa SaaS-verktyg kommer organisationer att deploiera AI-team som kan anpassa sig till vilket arbetsflöde som helst med protokollstandardiserade integrationer [8].

Överväg implikationerna: Varför köpa separata verktyg för projektledning, kundsupport och säljautomatisering när ett koordinerat team av AI-agenter kan hantera alla tre med samma underliggande data och affärslogik? Protokollen gör detta möjligt genom att standardisera hur agenter upptäcker kapaciteter och koordinerar arbete.

Nordiska företag experimenterar redan med denna modell. Ett logistikföretag ersatte hela sin kundservicestack med ett treagentsystem: intag-, routing- och lösningsagenter koordinerade via A2A och anslutna till legacy-system genom MCP. Resultatet: 40% kostnadsminskning och 60% snabbare svarstider.

Förändringen kräver annorlunda tänkande kring mjukvaruarkitektur. Istället för att integrera disparata SaaS-verktyg orkestrerar du AI-kapaciteter. Istället för att träna människor på flera gränssnitt konfigurerar du agentbeteenden. Kod blir gratis, men omdöme blir differentiatorn.

Det är därför vi är optimistiska om protokolllagret. MCP och A2A är inte bara tekniska standarder—de är grunden för en post-SaaS-ekonomi där intelligens, inte gränssnitt, definierar mjukvaruvärde.

Källor

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