• Blog
  • IA
  • ¿Qué es el Model Context Protocol (MCP)?

¿Qué es el Model Context Protocol (MCP)?

16min

Aunque los modelos LLM puedan trabajar de manera aislada, en muchas ocasiones es imprescindible establecer conectores que integrar sus habilidades en otras aplicaciones. El Model Context Protocol (MCP) responde a esta necesidad, con un estándar abierto que propone una nueva forma de integrar sistemas, simplificando la arquitectura y abriendo la puerta a una generación de asistentes y agentes de IA mucho más eficientes en cualquier tarea.

Índice

¿Qué es el Model Context Protocol?

El Model Context Protocol (más conocido por sus siglas MCP) es un estándar abierto diseñado para conectar modelos de Inteligencia Artificial con sistemas externos. Como  sistema externo puede ser cualquier aplicación que desarrolles o que uses en tu día a día.

Gracias a ello los modelos LLM son capaces de acceder de manera unificada a fuentes de datos diversas, herramientas de software y en general a cualquier aplicación que quiera exponer funcionalidad accionable desde un modelo de IA.

Lo bueno de MCP es que es un estándar abierto, lo que permite disponer de una integración que funciona en cualquier familia de modelos de IA. En otras palabras, si no existiese MCP los desarrolladores tendrían que crear integraciones distintas para cada modelo o familia de modelos, lo que sería bastante complejo no solo por el coste de construir cada integración, sino por mantenerlas.

Así pues, MCP define una interfaz común entre clientes (como asistentes de IA o aplicaciones) y servidores de contexto, que actúan como intermediarios encargados de exponer datos, acciones o capacidades específicas.

Ventajas del Model Context Protocol

El estándar MCP ofrece diversas ventajas, donde destaca su capacidad de adaptarse a cualquier tipo de modelo, pero también por ofrecer una arquitectura robusta donde se garantiza la privacidad y el aislamiento de datos sensibles. Vamos a ver ahora en detalle éstas y otras ventajas.

Estandarización universal para conectar cualquier modelo con bases de datos locales

Como decimos, MCP proporciona una capa de abstracción que permite a los modelos acceder a herramientas externas, ya sean bases de datos, API u otras fuentes de datos.  Así, los modelos son capaces de acceder a información clave para poder trabajar con datos que pueden ser necesarios para realizar las actividades personalizadas que deseamos pedirles.

Arquitectura desacoplada que elimina la necesidad de escribir integraciones propietarias

Gracias a ser un estándar abierto podemos usar un MCP único que se adapta a cualquier modelo de lenguaje. Esto es genial para los usuarios, ya que podemos elegir libremente nuestro LLM pero también es muy importante para los desarrolladores de estas integraciones, ya que les permite desarrollar un único conector y dar soporte a cualquier LLM, evitando tener que mantener varios conectores por separado, para cada modelo que necesitemos integrar.

Control absoluto sobre la privacidad y el aislamiento de datos sensibles

Los servidores de contexto se ejecutan en entornos controlados, lo que nos permite mantener la gobernanza de los datos que se exponen a los modelos. De este modo los servicios externos pueden garantizar que no se exponen datos sensibles al alcance directo de los modelos de IA.

Reducción drástica del coste y tiempo de desarrollo en aplicaciones de IA

Además, el uso de un protocolo estándar evita reinventar integraciones que ya han desarrollado otras personas. De este modo podemos reutilizar servidores MCP existentes que realicen las cosas que necesitamos, lo que reduce el tiempo de desarrollo de las aplicaciones y los costes asociados.

Portabilidad óptima para reutilizar servidores de contexto en múltiples clientes

Paralelamente, un servidor MCP puede ser consumido por distintos clientes sin modificaciones. De este modo podemos usar las herramientas que queremos con mayor libertad.

Un claro ejemplo de esta situación ocurre con los editores de código. Todos permiten usar los mismos servidores de MCP para integrar funcionalidades con los modelos de IA. Esto hace que, una vez existe un MCP, se pueda reutilizar a lo largo de muchos tipos de herramientas distintas.

Arquitectura del ecosistema de Model Context Protocol en Github

En GitHub puedes encontrar el repositorio oficial de Model Context Protocol donde está todo el código base, la especificación y las implementaciones de referencia del protocolo MCP. Aquí puedes encontrar toda una serie de recursos esenciales que necesitarás para crear nuevos servidores de MCP en cualquier lenguaje de programación.

Estructura del repositorio oficial y especificaciones del estándar abierto

El repositorio oficial de MCP en GitHub te ofrece todo lo que necesitas para trabajar con este estándar. Entre otras cosas encuentras:

  • SDK oficiales en múltiples lenguajes (TypeScript, Python, Java, Go, Rust, PHP, Ruby, C#, Swift, Kotlin) que implementan el protocolo.
  • Ejemplos de referencia, que muestran cómo construir servidores MCP para diferentes casos de uso: sistema de archivos, bases de datos, API externas, etc.
  • Herramientas de desarrollo como el MCP Inspector para depurar y probar servidores.
  • Documentación técnica y especificaciones del protocolo.

Implementación de transportes nativos basados en JSON-RPC y Server-Sent Events

MCP utiliza mecanismos de comunicación cliente/servidor ampliamente adoptados en la industria como JSON-RPC para las llamadas estructuradas y Server-Sent Events (SSE) para la transmisión de eventos en tiempo real.  Mediante estas tecnologías puedes construir sistemas reactivos y eficientes, compatibles con múltiples entornos.

El rol de los SDK oficiales en TypeScript y Python para el ecosistema

Dentro del ecosistema de MCP los lenguajes más habituales son TypeScript y Python. Pero estos no son los únicos SDK disponibles para el protocolo MCP pero sí los más populares en adaptaciones.

En todo caso, sea el lenguaje que sea, estos SDK abstraen la complejidad del protocolo y permiten crear clientes y servidores de forma sencilla, acelerando bastante el desarrollo, ya que te dan toda una base de código que no vas a tener que escribir tú.

Organización de la suite de pruebas del inspector MCP para depuración remota

Cuando pones un MCP a disposición tienes que estar seguro de que funciona correctamente. Es por ello que el ecosistema de MCP en Github incluye herramientas como el inspector MCP, que permite inspeccionar, probar y depurar servidores de contexto.

De este modo puedes pasar fácilmente una suite de pruebas que facilite el diagnóstico de problemas y asegure que las implementaciones cumplen con la especificación.

El catálogo comunitario de servidores integrados listos para producción

En la documentación oficial del Model Context Protocol también encuentras una sección dedicada a ejemplos, con MCPciales publicados por las compañías de las distintas plataformas que han decidido implementar este protocolo para integrar sus servicios con los modelos de IA.

Estos ejemplos sirven como casos de uso de MCP, que pueden darte ideas de implementación y también te pueden servir para aprender a desarrollar tus propios servidores de MCP.

Integración de MCP en los principales asistentes de IA del mercado

Ahora bien, aunque no seas desarrollador, los MCP publicados en Internet pueden ofrecerte una vía excelente para extender las posibilidades de los modelos de Inteligencia Artificial que usas en el día a día.  En los siguientes puntos te vamos a explicar brevemente cómo integrar MCP en los principales asistentes de IA del mercado.

Configuración nativa de servidores locales en la aplicación Claude Desktop

Si usas Claude Desktop puedes registrar servidores MCP locales de una manera bastante sencilla, ya sea para acceder a datos o herramientas del sistema desde la propia herramienta de IA.

Esta integración se realiza mediante la pantalla de configuración y luego vamos a Extensiones y luego a Explorar Extensiones. Veremos una pantalla donde podemos seleccionar varias extensiones:

Que no te líe que Claude le llame extensiones, en realidad todo se implementa mediante servidores MCP.

Conexión de herramientas y fuentes de datos personalizadas en ChatGPT

ChatGPT Desktop también tiene soporte para MCP, permitiendo a los usuarios conectar herramientas externas y fuentes de datos. Esto se hace desde Configuración y luego MCP Servers. Luego pulsamos «Añadir servidor».

Potenciando flujos de trabajo de desarrollo con Copilot mediante protocolos compartidos

Por su parte, GitHub Copilot también permite MCPs. Aquí la instalación depende un poco de la herramienta que uses para trabajar con GitHub Copilot, porque los menús pueden cambiar bastante de un IDE a otro.

Si usas Visual Studio Code lo tienes muy fácil ya que tiene también un catálogo de extensiones que ya están integradas en este IDE. Para acceder a estos servidores de MCP tienes que entrar en el menú de extensiones y simplemente buscar por «MCP». Verás toda una serie de opciones cuya integración puedes hacer a golpe de clic.

Integración del estándar abierto en el entorno de Cursor e IDE modernos

Otros IDE modernos como Cursor, que han nacido con la IA como bandera, también tienen MCP y puedes instalarlos de una manera más o menos sencilla.

En este caso los servidores de MCP se suelen instalar a nivel de proyecto, de modo que cada proyecto de desarrollo pueda tener su set de herramientas. Para ello tienes que editar un archivo llamado mcp.json que colocas en la raíz del código de tu aplicación. Es un poco más engorroso pero no resulta tampoco demasiado complicado si estás acostumbrado a lidiar con código.

Ya depende de cada servidor de MCP los datos que tienes que meter en el archivo mcp.json. Tienes la ayuda de Cursor para instalar MCP como referencia. Y, dicho sea de paso, este mismo procedimiento también te permite instalar MCPs a nivel de proyecto en VSCode y otros IDE.

Orquestación de asistentes virtuales utilizando clientes unificados de MCP

MCP es un protocolo que permite funcionalidades muy amplias. Por eso, muchas veces, en vez de desarrollar un MCP enorme se decide romper la complejidad en distintos MCP con responsabilidades más acotadas y un MCP orquestador que es quien decide qué MCP o MCPs necesita activar para realizar estas tareas.

En estos casos, con registrar en el sistema este cliente unificado es suficiente, evitando tener que instalar cada herramienta por separado.

Casos de usos del Model Context Protocol

Como hemos dicho,  el protocolo MCP sirve de manera general para conectar sistemas externos con modelos de Inteligencia Artificial. Este es un contexto muy amplio en el que podemos encontrar innumerables casos de uso.

Consulta automatizada y manipulación directa de bases de datos relacionales

Existen servidores de MCP que permiten a los modelos interactuar con bases de datos relacionales Esto quiere decir que son capaces de realizar consultas para saber la estructura de las tablas, recuperar datos, etc.

Estos servidores nos dispensan de ejecutar nosotros mismos consultas o prepararle los datos al modelo. En lugar de ello podemos simplemente dar instrucciones en lenguaje natural y el modelo se encarga de usar el puente que le proporciona el servidor MCP para acceder directamente a los datos que va a necesitar.

Auditoría y refactorización de código en repositorios locales de software

Existe una gran cantidad de servidores MCP que sirven para innumerables funcionalidades en el área del desarrollo de software. Por ejemplo encontramos algunos que permiten conectarse con sistemas de archivos o repositorios Git para realizar actividades diversas como analizar código fuente, detectar problemas, sugerir mejoras o aplicar refactorizaciones automáticamente.

Integración de herramientas de IA con suites corporativas como Slack o Jira

Muchas plataformas conocidas como Slack o Jira mantienen sus propios servidores de MCP para realizar la conexión entre modelos de IA con las herramientas, de modo que un simple prompt con el LLM puede realizar tareas simples como publicar mensajes en un grupo de Slack… o tareas no tan triviales como la creación de tickets en Jira o la actualización de incidencias existentes.

Automatización de flujos de trabajo DevOps para el despliegue de infraestructura

Los servidores MCP pueden también integrarse con herramientas de DevOps para realizar acciones de diverso calado como despliegues, gestionar contenedores o interactuar con sistemas de integración continua.

Un ejemplo clásico lo tenemos en el MCP de GitHub que permite realizar desde el modelo LLM todo tipo de actividades de gestión del software en el repositorio remoto, que desencadenarán procesos DevOps. Pero existen MCP para cualquier herramienta popular.

Extracción de información y scraping inteligente mediante motores de búsqueda locales

Un MCP, o la combinación de varios MCP, podría también hacer tareas más complejas como conectar motores de búsqueda locales o herramientas de scraping para que los modelos obtengan información actualizada con la que actualizar otras fuentes de datos.

De este modo, en vez de construir complejos sistemas de raspado, puedes delegar al modelo para que encuentre la información que necesitas y la suba a la base de datos, aplicando todo tipo de transformaciones o estructuras.

La revolución de la automatización con MCP

En el área de Automatización también se utilizan mucho los servidores MCP ya que son la herramienta que nos permite conectar con servicios externos. El modelo de lenguaje natural queda entonces como una especie de orquestador entre diversos servicios, a los que se accede a través de los correspondientes MCP.

¿Cómo el protocolo MCP habilita la creación de agentes de IA autónomos?

MCP proporciona los conectores necesarios para dotar a los agentes autónomos de capacidades de acceso a los servicios externos. Gracias a ello el agente de IA puede hacer muchas más cosas que devolver un simple texto.

Pero además, gracias a su capacidad de razonamiento es posible que el agente use las fuentes de datos o comunique con los destinos de una manera inteligente, o que incluso sea capaz de ejecutar tareas complejas encadenando múltiples acciones. Todo esto lo hace sin intervención humana constante, por lo que es excelente para usarlo como motor de la automatización.

Compartición de servidores de datos comunes entre diferentes modelos

Los servidores de MCP pueden adaptarse a distintos tipos de modelos, gracias a que están realizados mediante un estándar abierto. Por ello el único requisito es que tu origen de datos, o el destino de tus automatizaciones, disponga de un MCP. Tú como usuario podrás usar cualquier modelo que prefieras. En otras palabras, no necesitas depender de conectores específicos para el modelo que estás utilizando.

DevOps impulsado por IA para el monitoreo de logs, control de versiones y despliegue automático de código mediante MCP

MCP abre la puerta a flujos DevOps donde la IA es capaz de realizar tareas que antes a los humanos nos resultaba muy complicado. Ahora puedes monitorizar grandes cantidades de datos y buscar anomalías en logs, por ejemplo, sin ningún esfuerzo, más allá de configurar los sistemas.

También puedes usar los MCP para ejecutar despliegues automatizados en los que es perfectamente viable realizar flujos tan complejos como sea necesario, garantizando seguridad y trazabilidad.

Conexión directa a entornos Jupyter Notebook y sistemas de Business Intelligence (BI)

Los servidores MCP pueden entrar en un notebook de Jupyter para leer celdas, datos, resultados intermedios o incluso lanzar análisis en otros notebook. También puedes usar esos datos para conectarte con otras plataformas de BI, como Power BI, para incrustar informes, extraer métricas o publicar resultados en paneles de negocio

Protegiendo tu sistema local frente a la IA

La enorme potencia que ofrecen los servidores MCP para poder acceder a recursos externos implica también la necesidad de proteger los sistemas integrados, de modo que se realicen solamente aquellas operaciones que deberían permitirse, evitando que el modelo de IA pueda hacer y deshacer todo lo que quiera.

Esta es una protección esencial para evitar sorpresas, ya que cualquier error a la hora de comunicar una solicitud al modelo, o cualquier desvío en la interpretación del prompt podría dar lugar a situaciones poco deseables o incluso catastróficas. De hecho, ya se ha leído mucho sobre IAs con superpoderes que de repente han echado al traste la organización de meses de trabajo.

¿Qué permisos debes otorgar a los LLM?

Lo primero es limitar el alcance de los permisos del modelo, para lo que se recomienda aplicar el principio de mínimo privilegio. Esto quiere decir que los modelos solo deben tener acceso a las capacidades estrictamente necesarias para cumplir su función. En este sentido debes definir explícitamente qué acciones pueden ejecutar, qué datos pueden consultar y bajo qué condiciones, de modo que evites accesos innecesarios.

Configuración de entornos de ejecución aislados con Docker y Sandboxes

También se recomienda aislar los entornos en los cuales se ejecutan los servidores de MCP, por ejemplo creando sandboxes donde el impacto ante errores esté bien limitado. Este aislamiento permite controlar los recursos que tiene asignado el modelo de IA, de modo que su ejecución se realice dentro de un entorno seguro. Una tecnología que funciona muy bien para esto son los contenedores, ya los tengas en Docker o en cualquier otra plataforma similar.

También hay muchas personas que controlan las cuentas de los servicios a los que permiten acceder los modelos, por ejemplo separando a una cuenta de Gmail los procesos de IA, mientras que acceden a recursos críticos (como banca a distancia) mediante otra cuenta de correo. Así es imposible que la IA pueda tener acceso a servicios con recursos sensibles.

¿Cómo manejar claves de API, contraseñas y tokens de acceso en el archivo de configuración de tu cliente?

Otra cosa importantísima que debes atender es que las credenciales de acceso no se expongan directamente al modelo. Para ello los distintos servicios que manejas en el día a día suelen tener sistemas seguros de almacenamiento de secretos. Es importante que los uses siempre que sea posible, para garantizar el uso de los recursos sin que se conozcan explícitamente las claves. Así consigues lo que quieres pero sin exponer credenciales.

Registro y validación manual de acciones críticas (como escribir archivos o ejecutar scripts)

Por último te recomendamos establecer requisitos de validación adecuados cuando tienes acciones críticas. Este punto generalmente se da de casa, ya que los agentes de IA suelen estar preparados para que tengas que aceptar manualmente acciones que pueden ser críticas, como la escritura de ficheros o la ejecución de comandos en consola. De todos modos, si no es así estudia cómo configurar las herramientas para que se pida permiso cuando hay operaciones críticas, de forma que se mantenga el control humano sobre las decisiones más delicadas.

Fernando Fuentes

Artículos relacionados

Productos relacionados: