Stejný model může v nástrojových úlohách podávat výrazně jiné výsledky podle toho, v jakém agentovi běží. Benchmark M3 otestoval Claude Haiku 5.5 proti 21 MCP serverům přes OpenCode, Claude Code a Codex. OpenCode zvládl 82 procent úloh, Claude Code 65,4 procenta. Rozdíl nevznikal hlavně u serverů bez konkurenčního vestavěného nástroje. U těch byly výsledky blízko sebe. Propast se otevřela u vyhledávání, dokumentace, souborů a paměti, kde agenti často použili vlastní nástroje místo připojeného MCP serveru. OpenCode například dosáhl u serveru Exa úspěšnosti 96 procent, zatímco ostatní agenti se k němu často vůbec nedostali. Test zahrnul 3 717 hodnocených běhů a jeho autoři zveřejnili jednotlivé výsledky i metodiku. Pro vývojáře z toho plyne praktická lekce: kvalita MCP serveru se nedá měřit bez uvedení agenta, který ho používá.
