MCP è già superato? Gli AI Agent passano alle CLI

La domanda è provocatoria, ma il trend merita attenzione: in molti workflow agentici la CLI sta tornando al centro, non come nostalgia da sviluppatori, ma come interfaccia più naturale, economica e robusta per far agire i modelli nel mondo reale. Più che decretare la fine del Model Context Protocol, questo cambio di rotta mostra che gli agenti moderni funzionano meglio quando possono usare strumenti essenziali, testuali e scopribili on demand.

Per un LLM la riga di comando non è un ambiente estraneo. I modelli moderni sono stati addestrati su enormi quantità di documentazione tecnica, shell command, README e script, quindi comprendono già molto bene pattern come flag, output testuale, help contestuale e piping tra comandi. Questo significa che, in molti casi, l'agente non ha bisogno di una grande quantità di schema upfront per capire come usare uno strumento: può esplorarlo passo dopo passo con --help, esempi e subcomandi mirati.

La differenza diventa evidente soprattutto quando il task è iterativo. Con una API tradizionale o con MCP, l'agente spesso deve portarsi dietro descrizioni verbose dei tool, schemi JSON e payload molto ricchi; con una CLI ben progettata, invece, l'interazione si riduce a input essenziali e output puliti, più facili da leggere e da riutilizzare nel turno successivo.

Il progetto che ha acceso il dibattito è Printing Press, presentato come una piattaforma capace di 'stampare' CLI agent-first a partire da API esistenti, con un mirror SQLite locale e con la possibilità di esporre anche un server MCP senza duplicare la logica applicativa. Secondo il sito ufficiale, il sistema punta su query locali in circa 50 millisecondi, comandi composti e un design ottimizzato per agenti che devono fare discovery e azione nello stesso workflow.

Intorno a questo approccio circola anche il riferimento a Peter Steinberger, noto per OpenClaw, e alla sua intuizione di costruire strumenti più adatti agli agenti rispetto alle integrazioni tradizionali. La narrativa che accompagna Printing Press è chiara: invece di adattare gli agenti alle API verbose, conviene adattare l'interfaccia alle modalità operative dei modelli.

Il punto più forte della tesi pro-CLI è l'efficienza del contesto. Una recente analisi che riassume i benchmark di Printing Press sostiene che i server MCP possano introdurre fino a 35 volte più overhead di token rispetto a una CLI sullo stesso compito, proprio perché il protocollo richiede più descrizione, più schema e più payload strutturato da passare nel contesto del modello. Un altro contributo tecnico pubblicato a febbraio 2026 arriva a una conclusione simile: la CLI tende a essere più efficiente quando il costo principale non è l'esecuzione del tool, ma il contesto necessario per insegnare all'agente come usarlo.

Anche sul piano dell'affidabilità il confronto sta diventando interessante. Il materiale divulgativo su Printing Press sostiene che, su task più complessi, l'affidabilità di un flusso MCP possa scendere fino al 72 percento mentre la CLI resta al 100 percento, anche se questi numeri vanno letti come benchmark promozionali e non come standard universali indipendenti. In pratica, la lezione utile non è che 'MCP non funziona', ma che una CLI stretta e focalizzata può ridurre ambiguità, superficie di errore e carico cognitivo per il modello.

Dire che MCP sia 'già superato' sarebbe però eccessivo. MCP resta una buona scelta quando servono interoperabilità standard, integrazioni riusabili tra ambienti diversi, sicurezza centralizzata, governance dei tool e una superficie di accesso più uniforme per ecosistemi complessi. In altri termini, MCP è spesso più adatto come protocollo di integrazione, mentre la CLI può essere la forma più efficiente con cui un agente concreto interagisce con quella stessa capacità.

La vera evoluzione non sembra quindi una sostituzione netta, ma una stratificazione. Printing Press stesso si presenta non come alternativa esclusiva a MCP, ma come sistema che genera prima una CLI agent-native e poi, sopra quella, anche un server MCP pronto all'uso. Questo è il segnale più interessante: la CLI non elimina il protocollo, ma può diventare il layer operativo più vicino al modello.

Per chi sviluppa prodotti AI, il messaggio è operativo. Se un agente deve eseguire task ripetitivi, consultare dati, concatenare comandi e ridurre al minimo i costi di contesto, progettare una CLI stretta, leggibile e interrogabile al bisogno può offrire un vantaggio concreto in velocità, costo e stabilità. Al contrario, se l'obiettivo è pubblicare un'integrazione standard per molti client, team e ambienti diversi, allora MCP mantiene un ruolo importante come lingua franca dell'ecosistema.

In sostanza, non è la fine di MCP. È la fine dell'idea che l'unica interfaccia 'moderna' per gli agenti debba essere una API ricca o un protocollo formale sempre caricato in memoria. In molti casi, il terminale — asciutto, locale e comprimibile — si sta rivelando il modo più intelligente per far lavorare davvero un modello.