¿Qué es MCP (Model Context Protocol)?

MCP es la sigla de Model Context Protocol, un estándar que Anthropic publicó como código abierto el 25 de noviembre de 2024. Resuelve un problema muy concreto: antes de MCP, conectar un modelo de lenguaje a una fuente de datos externa (una base de datos, un calendario, un sistema de reservas) exigía escribir una integración distinta para cada combinación de modelo y sistema. MCP sustituye esas integraciones a medida por un protocolo común: cualquier aplicación de IA que hable MCP puede conectarse a cualquier servidor que también lo hable, sin código específico para cada par.

La comparación que usa la propia documentación de MCP es la del puerto USB-C: del mismo modo que ese conector estandarizó cómo se enchufa un dispositivo electrónico a otro, MCP estandariza cómo una aplicación de IA se conecta a un sistema externo.

Conviene no confundir MCP con un rastreador de IA ni con un agente de IA. Un rastreador como GPTBot recorre páginas web de forma pasiva para reunir contenido de entrenamiento o indexación. Un agente de IA ejecuta una tarea concreta en tiempo real, a petición de un usuario. MCP es distinto de ambos: es la interfaz técnica estructurada por la que un modelo accede a datos y herramientas externas, con independencia de si detrás hay un agente ejecutando una tarea o un rastreador leyendo contenido.

MCP sigue una arquitectura cliente-servidor. Una aplicación de IA, llamada MCP host (por ejemplo Claude Desktop o un editor de código), crea un cliente MCP por cada servidor al que se conecta. Cada cliente mantiene una conexión dedicada con su servidor correspondiente, y un mismo host puede tener varios clientes activos a la vez, uno por cada sistema externo con el que trabaja.

El protocolo se organiza en dos capas. La capa de datos define la estructura de los mensajes con JSON-RPC 2.0, el mismo formato que usan otros muchos protocolos de intercambio remoto, e incluye tres primitivas principales que un servidor puede ofrecer: herramientas, que son funciones ejecutables como consultar una base de datos; recursos, que son datos de contexto como el contenido de un archivo; y prompts, que son plantillas reutilizables para estructurar una interacción. La capa de transporte define cómo viajan esos mensajes: por entrada y salida estándar cuando el servidor corre en local, o por HTTP con eventos enviados por el servidor cuando corre en remoto.

Un cliente descubre qué ofrece un servidor con una petición de tipo lista, como tools/list, y solo después ejecuta una herramienta concreta con una petición de tipo llamada, tools/call. El servidor puede además avisar al cliente cuando cambia lo que ofrece mediante notificaciones, para que el cliente no tenga que preguntar constantemente si algo ha cambiado.

El 9 de diciembre de 2025, Anthropic transfirió la gobernanza de MCP a la Agentic AI Foundation, un fondo dirigido dentro de la Linux Foundation y fundado junto con Block y OpenAI, con apoyo de Google, Microsoft, AWS, Cloudflare y Bloomberg. Los mantenedores del proyecto siguen priorizando la participación de la comunidad y la toma de decisiones transparente, según el propio anuncio de Anthropic.

La decisión que depende de esto es cómo una empresa con datos estructurados (un catálogo de productos, un sistema de reservas, un CRM) planea que un modelo de IA acceda a ellos. Sin un protocolo común, cada integración con cada modelo es un proyecto aparte, que hay que mantener por separado cuando cualquiera de los dos lados cambia. Con MCP, exponer esos datos como un servidor MCP los hace accesibles a cualquier aplicación de IA compatible, sin repetir el trabajo de integración por cada una.

La escala del cambio ya es medible: según el propio anuncio de Anthropic de diciembre de 2025, existen más de 10.000 servidores MCP públicos activos y más de 97 millones de descargas mensuales de sus SDK en Python y TypeScript. Con la gobernanza ya fuera de Anthropic y dentro de una fundación neutral, MCP se perfila como una capa de infraestructura compartida más que como una herramienta de un solo proveedor, lo que reduce el riesgo de apostar por un estándar que dependa de las decisiones comerciales de una sola empresa.

Para un negocio con datos propios (reservas, inventario, precios en tiempo real) la pregunta relevante ya no es solo si un modelo de IA puede leer su contenido público, sino si puede actuar sobre sus sistemas mediante un servidor MCP: consultar disponibilidad, iniciar una reserva, actualizar un registro. Esa es la frontera entre ser una fuente de información citada y ser un sistema con el que un asistente de IA puede operar directamente.

• Antes de construir un servidor MCP propio, revisa el repositorio oficial de servidores de referencia: es posible que el sistema que quieres conectar ya tenga uno mantenido por la comunidad.
• Expón solo las herramientas que un modelo necesita de verdad, no toda tu API interna: cada herramienta adicional es una acción más que un modelo podría invocar de forma inesperada.
• Usa el transporte HTTP con autenticación OAuth para servidores remotos, no credenciales fijas incrustadas en el código.
• Documenta cada herramienta con una descripción clara de cuándo usarla y cuándo no, porque el modelo decide si la invoca a partir de esa descripción.
• Revisa los registros de llamadas a tu servidor MCP igual que revisarías los logs de una API pública: es una superficie de acceso nueva.
• Mantente al día de los cambios de versión del protocolo publicados por la Agentic AI Foundation, que gobierna MCP desde diciembre de 2025.

• Tratar un servidor MCP como una API interna sin control de acceso, cuando en realidad queda expuesta a cualquier modelo que se conecte.
• Confundir MCP con un agente de IA: MCP es la interfaz de conexión, no el programa que decide qué tarea ejecutar.
• Construir un servidor MCP desde cero para un sistema que ya tiene uno de referencia mantenido por la comunidad.
• Exponer decenas de herramientas genéricas en vez de unas pocas bien descritas, lo que aumenta la probabilidad de que el modelo invoque la equivocada.