¿Qué es el Protocolo de contexto del modelo (MCP)?

Los modelos de IA son cada vez más potentes, pero hay un inconveniente: solo tienen acceso a la información que aprendieron durante el entrenamiento, por lo que sus conocimientos y capacidades son limitados. Es como contratar a un asistente muy inteligente que solo puede trabajar con lo que ya tiene en la cabeza, y que no puede buscar información, consultar tus archivos ni realizar tareas por ti.

Los modelos de lenguaje a gran escala (LLM) se vuelven mucho más potentes cuando pueden acceder al contexto y actuar en otras herramientas y aplicaciones. Hasta hace poco, no existía una forma uniforme para que estos modelos se conectaran con otras aplicaciones. El Protocolo de contexto del modelo (MCP), desarrollado originalmente por Anthropic, se está convirtiendo rápidamente en la forma estándar para que los sistemas de IA agentic interactúen con otras aplicaciones: el “conector USB-C” de la IA.

Si quieres más información sobre cómo Figma es compatible con el MCP, échale un vistazo a nuestra publicación del blog donde presentamos el servidor MCP de Figma. Profundicemos en qué es el MCP, cómo funciona y por qué es importante.

¿Qué es el MCP?

El Protocolo de contexto del modelo (MCP) es un estándar de código abierto que define cómo los sistemas basados en IA pueden conectarse con aplicaciones de software, herramientas y plataformas.

El MCP es un protocolo de comunicación bidireccional. Por un lado, están los proveedores de datos y los desarrolladores de aplicaciones que quieren que los LLM puedan acceder a los datos y realizar acciones en su software. Ellos dan soporte al MCP creando lo que se conoce como un servidor MCP. Por otro lado, están los desarrolladores que crean herramientas basadas en IA o sistemas agentic. Ellos implementan un cliente MCP, que permite a sus modelos de IA conectarse a los servidores MCP para obtener contexto y completar tareas en otras aplicaciones.

Por ejemplo, una herramienta de programación con IA como Cursor podría tener un cliente MCP que se conecte al servidor MCP proporcionado por Figma y GitHub. La comunicación entre clientes y servidores se lleva a cabo mediante un protocolo estándar, igual que HTTP define un protocolo de comunicación para Internet. El MCP especifica qué tipo de mensajes se pueden enviar, cómo se formatean, cómo funciona la autenticación y mucho más.

El problema: ¿por qué necesitamos el MCP?

Reservar vuelos para las próximas vacaciones, recopilar datos analíticos para un informe semanal de ventas, crear un prototipo de una nueva función... Este tipo de tareas requieren un contexto que va más allá de los datos de entrenamiento de un modelo de lenguaje a gran escala (LLM) y se extiende a un amplio ecosistema de aplicaciones y servicios. Cuanto más contexto tenga un asistente de IA, mejor podrá entender los matices específicos de una solicitud y ofrecer un resultado de alta calidad.

Supongamos que utilizamos una herramienta de programación con IA para generar código a partir de un archivo de diseño. Si un LLM ve una captura de pantalla del archivo y usa sus datos de entrenamiento para interpretar los píxeles, podría crear un prototipo aproximado. Pero para llegar a un producto final realmente útil, necesita más contexto, como las variables, los componentes y los estilos específicos, o incluso pseudocódigo que describa la funcionalidad. Este tipo de contexto es muy valioso para la IA, pero normalmente se encuentra oculto en otras herramientas (como Figma).

Antes del MCP, todos los desarrolladores que trabajaban en herramientas de IA agentic tenían que crear integraciones personalizadas con aplicaciones y servicios externos, lo que ralentizaba el desarrollo y provocaba la fragmentación del ecosistema. Dado que cada aplicación expone los datos y las funciones de forma ligeramente diferente, cada nueva integración requería una cantidad significativa de trabajo previo.

MCP es una solución al problema basada en el enfoque “escribe una vez, úsalo en cualquier parte“. Un desarrollador de aplicaciones puede escribir un único servidor MCP para que lo utilice cualquier sistema de IA agentic, proporcionando un conjunto estándar de herramientas y datos junto con funcionalidades útiles como la gestión de errores. Del mismo modo, un sistema de IA puede implementar el protocolo y conectarse a cualquier servidor MCP que exista hoy o en el futuro.

El origen del MCP

MCP surgió en Anthropic en el verano de 2024 con el objetivo de facilitar a Claude Desktop el trabajo con fuentes de datos como el sistema de archivos local. Los autores se inspiraron en el Protocolo de servidor de lenguaje (LSP) de Microsoft, el estándar que define cómo los entornos de desarrollo integrados (IDE) admiten funciones como el resaltado de contexto o la finalización de código en muchos lenguajes de programación diferentes.

Después de desarrollar el protocolo y usarlo internamente, Anthropic lo convirtió en código abierto en noviembre de 2024, publicando la especificación completa del protocolo junto con documentación y SDK (por ejemplo, Python).

Desde entonces, el uso del protocolo ha crecido de forma significativa. En enero y febrero de 2025, muchos entornos de desarrollo de IA, como Cursor y Windsurf, empezaron a ser compatibles con el MCP. En marzo, OpenAI añadió compatibilidad con el MCP, y GitHub lanzó su servidor MCP poco después. Los productos consolidados también están adoptando el MCP: Microsoft Windows anunció que será compatible con el protocolo en los próximos meses.

¿Cómo funciona el MCP?

El MCP consiste básicamente en un intercambio de solicitudes y respuestas: el LLM pide datos o activa una acción, y la aplicación externa responde. En términos de redes, el MCP sigue una arquitectura cliente-servidor en la que una parte (el cliente) envía una solicitud y la otra (el servidor) devuelve datos o realiza una acción.

La especificación del MCP define tres tipos de características que los servidores ofrecen a los clientes:

• Recursos: datos y contenido que la aplicación ofrece a los modelos de lenguaje a gran escala (LLM), como registros de bases de datos, archivos, capturas de pantalla o bloques de código.
• Herramientas: funciones que realizan acciones en la aplicación; por ejemplo, un servidor PostgreSQL MCP puede ofrecer una herramienta para ejecutar una consulta SQL dentro de una base de datos.
• Indicaciones: plantillas de texto y flujos de trabajo predefinidos que pueden utilizar los sistemas de IA, diseñados para funcionar bien con los recursos y herramientas de la aplicación.

El MCP define cómo los servidores deben exponer recursos, herramientas y solicitudes a los clientes de manera estándar, incluyendo:

• Formato de respuesta: los datos pueden enviarse como fragmentos JSON, filas SQL o incluso imágenes sin procesar. El servidor MCP convierte lo que recibe en un formato estándar que los clientes MCP esperan (JSON-RPC 2.0).
• Interpretación de comandos: el servidor MCP actúa como un traductor, convirtiendo solicitudes de los LLMs en comandos con los que las aplicaciones pueden trabajar, como llamadas a API.
• Manejo de errores: el MCP define códigos de error estándar y envía los errores al LLM para que este pueda volver a intentarlo o pedir ayuda al usuario.
• Descubrimiento de herramientas: los servidores MCP exponen una función que enumera las herramientas disponibles en ese servidor, de modo que un sistema de IA puede ver rápidamente qué acciones puede realizar en una aplicación externa.

La arquitectura: hosts, clientes y servidores MCP

El MCP se basa en un patrón de arquitectura habitual en redes, que incluye hosts, clientes y servidores. El protocolo define responsabilidades específicas para cada rol.

• Hosts MCP: Los hosts gestionan la detección, los permisos y la comunicación entre clientes y servidores. Normalmente, el host es el producto o la plataforma —como el sistema operativo Windows o Claude Desktop— desde donde los usuarios acceden a los agentes de IA para realizar tareas. Cuando el modelo necesita acceder a una aplicación externa, el host inicia y conecta el servidor MCP de esa aplicación con el cliente correspondiente.
• Clientes MCP: los clientes inician y mantienen una conexión con los servidores MCP, con un cliente por servidor. Los clientes envían y reciben solicitudes y respuestas entre los LLM y los servidores MCP.
• Servidores MCP: los servidores se conectan directamente a sistemas externos (como Figma, Google Drive o Postgres), proporcionando a los LLMs acceso a datos y funcionalidad. Los servidores MCP reciben solicitudes de los clientes MCP y las traducen en comandos para aplicaciones externas, como llamadas a API o consultas a bases de datos. También reciben y desglosan las respuestas de la aplicación en un formato estándar. Dado que los desarrolladores de aplicaciones implementan servidores MCP, pueden controlar a qué acceden los LLM, y el protocolo proporciona pautas sobre seguridad y permisos.

Para ver cómo encajan las piezas, repasemos un ejemplo de flujo de trabajo utilizando el servidor MCP de Figma:

• Un usuario abre Cursor, una herramienta de programación con IA con el MCP habilitado, en su repositorio de código.
• El usuario le pide al LLM en Cursor que recupere su último archivo de Figma y lo incorpore a su base de código.
• Cursor inicia el servidor MCP de Figma y un cliente MCP correspondiente.
• El LLM recibe la lista de indicaciones, recursos y herramientas disponibles del servidor (a través del cliente).
• A continuación, el LLM envía un mensaje al servidor con la herramienta que quiere llamar, junto con los parámetros necesarios (por ejemplo, el ID del archivo de Figma). El servidor lo convierte en una solicitud de API y la envía a través de la API de Figma.
• El servidor espera los datos del archivo de la respuesta de la API de Figma, los convierte en una cadena de texto y los envía de vuelta al LLM (a través del cliente).
• Con todo el contexto adicional de Figma, el LLM puede comenzar a generar el código correspondiente dentro de Cursor.

Ventajas del MCP: por qué es importante para la integración de IA

Los desarrolladores están adoptando el MCP porque simplifica la conexión de LLM a las aplicaciones. En comparación con las integraciones personalizadas, el MCP tiene varias ventajas.

En primer lugar, los desarrolladores de sistemas de IA agentic solo tienen que integrar el MCP una vez, y después pueden usar cualquier servidor MCP. Los desarrolladores de aplicaciones externas solo tienen que crear un servidor MCP, y después cualquier herramienta de IA compatible con el MCP puede conectarse a él.

En segundo lugar, dado que cada servidor MCP y cliente MCP deben ofrecer la misma interfaz central, cambiar servidores y clientes es trivial. Eso significa que los desarrolladores y usuarios pueden cambiar entre aplicaciones como Dropbox y Google Docs, o Slack y Microsoft Teams, con facilidad.

Por último, a medida que los productos de IA se vuelven más sensibles al contexto gracias al MCP, las herramientas de IA mejoran para los usuarios de todo el mundo. Además, contar con un protocolo estándar para el ecosistema significa que los desarrolladores dedican menos tiempo a escribir código de integración repetitivo y más tiempo a desarrollar nuevas funciones.

El MCP frente a las API tradicionales: ¿cuál es la diferencia?

¿Por qué no usar una API en lugar del MCP? Es una pregunta común, ya que las APIs proporcionan acceso a gran parte de los mismos datos y acciones en las aplicaciones. De hecho, muchos servidores MCP utilizan API en segundo plano para mostrar datos y acciones.

La respuesta breve es que el MCP permite que los asistentes de IA usen un conjunto de comandos para todas las API, simplificando en gran medida la integración. Mientras que trabajar directamente con las API requiere escribir código personalizado para solicitudes, respuestas y reintentos, con el MCP, un desarrollador puede obtener los mismos resultados simplemente importando el servidor MCP. Cambiar entre servidores MCP es fácil, mientras que cambiar entre API requiere escribir un conjunto completamente nuevo de código.

El MCP también está mejor optimizado para el uso de LLM. El MCP garantiza que todo lo que un LLM necesita para acceder a un sistema esté bien definido y bien documentado, de manera estructurada. Es posible que a las definiciones de API creadas ad hoc les falten descripciones importantes, o que presenten los datos de formas que los sistemas de IA no puedan entender o que puedan malinterpretar fácilmente.

Cómo el MCP y los agentes de IA van de la mano

Un agente de IA es cualquier sistema de inteligencia artificial que realiza acciones en el mundo real por ti. Con el MCP, crear agentes de IA es mucho más fácil. En lugar de integrar las API una por una, un desarrollador puede implementar el protocolo para que su herramienta de IA pueda actuar en cualquier aplicación compatible con MCP.

A medida que el ecosistema del MCP crece, los agentes también se vuelven más poderosos. Los agentes de IA necesitan ser capaces de planificar y actuar a través de múltiples herramientas en el espacio de trabajo de un usuario: cuantas más herramientas pueda manejar un agente, más útil se vuelve para los usuarios. Con el MCP, los agentes pueden encontrar y utilizar fácilmente un número cada vez mayor de herramientas para la automatización de tareas.

El MCP frente al A2A: cómo los protocolos se complementan entre sí

El MCP no es el único nuevo protocolo de LLM que existe; recientemente, Google anunció el protocolo Agent2Agent (A2A). Pero los desarrolladores no necesitan elegir uno u otro. Estos protocolos resuelven diferentes problemas y en realidad se complementan entre sí.

El MCP se centra en permitir que los sistemas de IA aprendan sobre el mundo y tomen acciones en él. El A2A se centra en ayudar a los sistemas de IA a comunicarse entre sí sobre su trabajo e intenciones: colaborar, asignar tareas, discutir, delegar o negociar.

Dos agentes podrían usar el A2A para decidir cuál de los dos va a realizar el trabajo y cuál va a supervisarlo. Después, podrían usar el MCP para darse instrucciones mutuamente sobre el trabajo que hay que hacer y los datos que hay que usar.

El futuro de la integración del MCP y la IA

El equipo de MCP actualiza constantemente el protocolo, con nuevas versiones que se lanzan múltiples veces al mes. El MCP también es un estándar abierto, por lo que la comunidad más amplia de IA puede contribuir a la hoja de ruta. Es de esperar que en las próximas versiones se preste más atención a la seguridad: autenticación, autorización y mecanismos de filtrado de datos o de protección de la privacidad para sectores específicos (como la sanidad o las finanzas).

Si el MCP llega a tener una amplia aceptación, es posible que sectores enteros de la industria de la IA empiecen a optimizar su uso del MCP. Los desarrolladores de modelos podrían empezar a incluir el uso de herramientas MCP en sus datos de entrenamiento, y los marcos de orquestación de LLM (por ejemplo, LangChain) podrían admitir el MCP como un elemento de primer orden en sus casos prácticos.

Con el tiempo, el MCP podría convertirse en el estándar de facto para conectar la IA con todo el panorama digital de herramientas y servicios. La integración de datos y acciones procedentes de sistemas externos en las experiencias de los modelos de lenguaje de gran escala (LLM) será cada vez más sencilla en el ecosistema de la IA. Para los desarrolladores, eso se traduce en menos envoltorios personalizados, mejores herramientas de IA y más tiempo para crear las funciones que los usuarios realmente valoran. Para las empresas que lanzan aplicaciones con gran cantidad de datos, significa compatibilidad instantánea con todas las plataformas de IA compatibles con el MCP. Y para los usuarios finales, abre las puertas a mejores aplicaciones de IA y asistentes personales que por fin pueden captar el contexto adecuado, pulsar los botones correctos y realizar tareas reales sin intervenciones tediosas.