Atlassian publicó el 1 de julio de 2026 un preview de Rovo MCP v2 con una decisión que toca un problema muy concreto de los agentes: no todo cliente necesita ver decenas de tools en cada turno. La nueva versión agrupa capacidades detrás de herramientas de descubrimiento y ejecución, reduce la exposición predeterminada y, según el changelog oficial, baja en más de 50 % el consumo de la ventana de contexto.

El endpoint de preview está disponible en https://mcp.atlassian.com/v1/mcp/preview, pero Atlassian advierte que es acceso temprano y que las tools y sus respuestas pueden cambiar. La noticia interesa aunque no uses Jira: propone un patrón para diseñar servidores MCP que no entreguen todo el catálogo al modelo desde el inicio.

El cambio es de contrato, no solo de cantidad

La versión anterior exponía capacidades individuales. En v2, el cliente puede descubrir qué operaciones existen y después ejecutar la que corresponde. El changelog de Atlassian habla de docenas de tools detrás de discover y execute, nuevas capacidades de Confluence para adjuntos, whiteboards y bases de datos, y respuestas optimizadas que también reducen el contexto producido por las invocaciones.

Cajón de descubrimiento abierto con tokens abstractos que pasan por un único riel de ejecución hacia un gateway

En términos de arquitectura, el agente ya no recibe una lista plana de funciones con descripciones largas. Primero obtiene un mapa pequeño; después pide el contrato de la operación que necesita; por último ejecuta con los permisos que ya tiene. Es una forma de divulgación progresiva aplicada a tools.

El ahorro de tokens no es el único beneficio. Menos tools simultáneas también reduce la probabilidad de que el modelo elija una operación parecida pero incorrecta. La contrapartida es una ronda adicional: descubrir, seleccionar y ejecutar puede añadir latencia y exige que la respuesta de discover sea suficientemente clara para el modelo.

Qué conserva Atlassian

El overview oficial de Rovo MCP describe un servidor alojado que conecta clientes MCP con Jira, Confluence, Compass, Jira Service Management, Bitbucket y Rovo. Las acciones respetan los permisos del usuario autenticado mediante OAuth 2.1 o un token de API para flujos headless; el servidor no amplía el acceso que ya existe en Atlassian Cloud.

Eso separa dos problemas que suelen mezclarse: reducir el contexto no equivale a reducir permisos. Un catálogo más pequeño puede hacer que el modelo razone mejor, pero la autorización todavía debe comprobarse en el servidor y en cada operación de escritura. Si el cliente guarda en caché el resultado de discover, también debe invalidarlo cuando cambien la identidad, el proyecto o el alcance de la sesión.

Balanza con pocos tokens seleccionados frente a una pila de tools no utilizadas, junto a una llave de permisos y un checkpoint transparente

Cómo llevar el patrón a tu propio MCP

Separa catálogo y ejecución. discover describe capacidades; execute recibe una operación validada y argumentos tipados.
Devuelve contratos pequeños. Evita incluir ejemplos, campos y permisos que no correspondan al recurso que el agente pidió.
Incluye identidad en la caché. La misma descripción no debe reutilizarse entre usuarios o ámbitos de autorización distintos.
Protege las escrituras. Requiere confirmación o una policy adicional para crear, borrar, publicar o enviar mensajes.
Mide el costo completo. Registra tokens, latencia, errores de selección, rondas de descubrimiento y resultado final.

El preview no es una promesa de compatibilidad estable. Atlassian indica que puede cambiar y que algunas capacidades están en acceso temprano; antes de conectar un agente de producción, prueba expiración de OAuth, cambios de permisos, respuestas grandes y fallos de execute.

La demanda se infiere, sin SEO tooling conectado, por la documentación oficial, el endpoint público de preview y consultas como Atlassian Rovo MCP v2, MCP reduce context window y discover execute tools. Agente IA puede competir con una lectura útil para builders de Latinoamérica: la optimización de contexto empieza antes del prompt; empieza decidiendo qué tools merece descubrir el modelo y cuáles deben permanecer cerradas.

Si quieres diseñar un agente con herramientas y aprobación, el curso gratis ofrece el punto de partida para separar tool calling, contexto y control humano.