¿Qué es el Protocolo de contexto de 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, revisar tus archivos ni, en realidad, hacer tareas por ti.

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

Para obtener más información sobre cómo Figma es compatible con MCP, consulta nuestra entrada de blog en la que presentamos el servidor MCP de Figma. Profundicemos en qué es MCP, cómo funciona y por qué es importante.

¿Qué es MCP?

El Protocolo de Contexto de Modelos (MCP) es un estándar de código abierto que define cómo los sistemas basados en inteligencia artificial pueden conectarse con aplicaciones de software, herramientas y plataformas.

MCP es un protocolo de comunicación bidireccional. Por un lado, están los proveedores de datos y los desarrolladores de aplicaciones, que quieren que los modelos de lenguaje grande (LLM) puedan acceder a los datos y realizar acciones en su software. Apoyan a MCP mediante la creación de lo que se conoce como un servidor MCP. Por otro lado, hay desarrolladores que crean herramientas basadas en IA o sistemas agentivos. Implementan un cliente MCP, que permite a sus modelos de IA conectarse a los servidores MCP para obtener información contextual y realizar tareas en otras apps.

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

El problema: Por qué necesitamos MCP

Reservar vuelos para las próximas vacaciones, extraer datos de analítica 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 grande (LLM) y se extiende a un amplio ecosistema de apps y servicios. Cuanto más contexto tenga un asistente de IA, mejor podrá comprender los matices específicos de una solicitud y ofrecer un resultado de alta calidad.

Imaginemos el caso de utilizar una herramienta de programación basada en IA para generar código a partir de un archivo de diseño. Si un modelo de lenguaje grande (LLM) ve una captura de pantalla del archivo y utiliza sus datos de entrenamiento para interpretar los píxeles, podría ser capaz de crear un prototipo aproximado. Pero para llegar a un producto final realmente útil, se 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, por lo general, se encuentra integrado en otras herramientas (como Figma).

Antes de MCP, todos los desarrolladores que trabajaban en herramientas agénticas de IA tenían que crear integraciones personalizadas con apps y servicios externos, lo que ralentizaba el desarrollo y provocaba la fragmentación del ecosistema. Dado que cada app expone los datos y las funciones de formas ligeramente diferentes, cada nueva integración requeriría una cantidad considerable de trabajo previo.

MCP es un enfoque del problema basado en el principio de “escribir una vez, usar en cualquier lugar”. Un desarrollador de apps puede crear un único servidor MCP para que lo utilice cualquier sistema agéntico de IA, proporcionando un conjunto estándar de herramientas y datos, además de funciones útiles como el manejo de errores. Del mismo modo, un sistema de IA puede implementar el protocolo y conectarse a cualquier servidor MCP que exista en la actualidad o en el futuro.

El origen de MCP

MCP se puso en marcha 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 Idiomas (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 numerosos lenguajes de programación diferentes.

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

Desde entonces, la adopción ha crecido significativamente. En enero y febrero de 2025, muchos IDE de IA, como Cursor y Windsurf, comenzaron a admitir MCP. En marzo, OpenAI agregó soporte para MCP, y GitHub lanzó su servidor MCP poco después. Los productos maduros también están adoptando MCP: Microsoft Windows anunció que soportará el protocolo en los próximos meses.

¿Cómo funciona MCP?

MCP es esencialmente un intercambio de solicitudes y respuestas: el LLM solicita datos o desencadena una acción y la app externa responde. En términos de redes, MCP sigue una arquitectura cliente-servidor donde un lado (el cliente) envía una solicitud y el otro lado (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 app ofrece a los LLM, como registros de bases de datos, archivos, capturas de pantalla o bloques de código.
• Herramientas: funciones que realizan acciones en la app; por ejemplo, un servidor PostgreSQL MCP puede exponer una herramienta para ejecutar una consulta SQL dentro de una base de datos.
• Indicaciones: plantillas de texto predefinidas y flujos de trabajo que los sistemas de IA pueden utilizar, diseñados para funcionar bien con los recursos y herramientas de la app.

MCP define cómo deben los servidores poner a disposición de los clientes recursos, herramientas y mensajes de forma estandarizada, lo que incluye:

• Formato de respuesta: los datos pueden enviarse como bloques JSON, filas SQL, o incluso imágenes sin procesar; el servidor MCP convierte cualquier formato que reciba en un formato estándar que esperan los clientes MCP (JSON-RPC 2.0).
• Análisis de comandos: el servidor MCP actúa como un traductor, convirtiendo solicitudes de LLM en comandos con los que las apps pueden trabajar, como las llamadas API.
• Manejo de errores: MCP define códigos de error estándar y envía los errores de vuelta al LLM para que puedas reintentar o pedir asistencia al usuario.
• Descubrimiento de herramientas: los servidores MCP exponen una función que enumera las herramientas disponibles en ese servidor, para que un sistema de IA pueda ver rápidamente qué acciones puede realizar en una app externa.

La arquitectura: hosts MCP, clientes y servidores

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

• Hosts de MCP: Los hosts gestionan el descubrimiento, permisos y comunicación entre clientes y servidores. Típicamente, el host es el producto o plataforma, como Windows OS o Claude Desktop, donde los usuarios acceden a agentes de IA para realizar tareas. Cuando el modelo necesita acceso a una app externa, el anfitrión lanza y conecta el servidor MCP de esa app y el cliente correspondiente.
• Clientes MCP: los clientes inician y mantienen una conexión con los servidores MCP, con un cliente por servidor. Los clientes pasan solicitudes y respuestas de un lado a otro 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 LLM acceso a datos y funcionalidades. Los servidores MCP reciben solicitudes de los clientes MCP y las traducen en comandos para apps externas, como llamadas a API o consultas a base de datos. También reciben y desglosan las respuestas de la app en un formato estándar. Dado que los desarrolladores de apps implementan servidores MCP, pueden controlar a qué tienen acceso los modelos de lenguaje grande (LLM), y el protocolo ofrece directrices en materia de seguridad y permisos.

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

• Un usuario abre Cursor, una herramienta de codificación de IA con MCP habilitado, en su repositorio de código.
• El usuario le pide al LLM en Cursor que extraiga su último archivo de Figma e implementarlo en su base de código.
• Cursor inicia el servidor MCP de Figma así como un cliente MCP correspondiente.
• El LLM recibe la lista de avisos, recursos y herramientas disponibles desde el servidor (a través del cliente).
• Luego, el LLM envía un mensaje al servidor que contiene la herramienta que desea llamar junto con cualquier parámetro (por ejemplo, el ID del archivo de Figma). El servidor formatea esto en una solicitud API y envía la solicitud a través de la API de Figma.
• El servidor espera los datos del archivo de la respuesta de la API de Figma, los formatea como una cadena 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 relevante dentro de Cursor.

Beneficios de MCP: Por qué es importante para la integración de IA

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

Primero, los desarrolladores de sistemas IA agénticos solo necesitan integrar MCP una vez, y luego pueden usar cualquier servidor MCP. Los desarrolladores de aplicaciones externas solo necesitan crear un servidor MCP, y luego cualquier herramienta de IA habilitada para MCP puede conectarse a él.

En segundo lugar, dado que cada servidor MCP y cliente MCP deben ofrecer la misma interfaz principal, cambiar servidores y clientes es trivial. Eso significa que los desarrolladores y usuarios pueden cambiar entre apps 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 a MCP, las herramientas de IA mejoran para los usuarios de todo el mundo. Y un protocolo estándar para el ecosistema significa que los desarrolladores pasan menos tiempo escribiendo código de integración repetitivo y más tiempo desarrollando nuevas funciones.

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

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

En pocas palabras, MCP permite a los asistentes de IA utilizar un único conjunto de comandos para todas las API, lo que simplifica enormemente la integración. Mientras que trabajar directamente con API requiere escribir código personalizado para las solicitudes, las respuestas y los reintentos, con MCP, un desarrollador puede obtener los mismos resultados con solo importar el servidor MCP. Cambiar de servidor MCP es fácil, mientras que cambiar de API requiere escribir un código completamente nuevo.

MCP también está mejor optimizado para el uso de LLM. MCP garantiza que todo lo que un modelo de lenguaje grande (LLM) necesita para acceder a un sistema esté bien definido y documentado, de forma estructurada. Las definiciones de API creadas ad hoc pueden carecer de descripciones importantes, o presentar los datos de formas que las IA no pueden entender o que podrían malinterpretar fácilmente.

Cómo MCP y los agentes de IA van de la mano

Un agente de IA es cualquier IA que toma acciones en el mundo real por ti. MCP facilita mucho la construcción de agentes de IA. En lugar de integrar API una por una, un desarrollador puede implementar el protocolo para permitir que su herramienta de IA tome acción en cualquier aplicación habilitada para MCP.

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

MCP frente a A2A: Cómo los protocolos se complementan entre sí

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

MCP se centra en permitir que los sistemas de IA aprendan sobre el mundo y actúen en él. A2A se centra en ayudar a los sistemas de IA a comunicarse entre sí sobre su trabajo y sus intenciones: para colaborar, asignar tareas, debatir, delegar o negociar.

Dos agentes podrían utilizar A2A para decidir cuál de ellos va a realizar el trabajo y cuál va a supervisarlo. Entonces, podrían utilizar MCP para darse instrucciones mutuamente sobre el trabajo que hay que realizar y los datos que deben utilizarse.

El futuro de la integración de MCP y IA

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

Si MCP llega a gozar de una amplia aceptación, es posible que sectores enteros de la industria de la IA comiencen a optimizar su uso. Es posible que los desarrolladores de modelos empiecen a incluir el uso de herramientas MCP en sus datos de entrenamiento, y que los marcos de orquestación de LLM (por ejemplo, LangChain) admitan MCP como un componente de primer orden en sus casos de uso.

Con el tiempo, 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 grande (LLM) será cada vez más sencilla en el ecosistema de la IA. Para los desarrolladores, esto se traduce en menos envoltorios personalizados, mejores herramientas de IA y más tiempo para desarrollar las funciones que los usuarios realmente valoran. Para las empresas que lanzan apps con gran cantidad de datos, esto significa compatibilidad inmediata con todas las plataformas de IA compatibles con MCP. Y para los usuarios finales, esto abre las puertas a mejores aplicaciones de IA y asistentes personales que, por fin, pueden captar el contexto adecuado, tomar las decisiones correctas y realizar tareas reales sin necesidad de una intervención tediosa.