MCP server y protocolo MCP: cómo funcionan y cuándo convienen

MCP resulta útil cuando tu aplicación de IA necesita trabajar con tus herramientas y datos; no hace falta para usar IA sin más. Para entender qué es MCP, hay que distinguir 3 partes: la aplicación que usas, su componente de conexión y un servidor —también llamado MCP server— que expone funciones concretas. Estas piezas permiten reutilizar integraciones, mientras las interfaces de tu software (API) y los permisos existentes siguen haciendo el trabajo de fondo.

¿Qué es MCP en inteligencia artificial?

Model Context Protocol (MCP) es un estándar abierto para conectar aplicaciones de IA con herramientas y datos. Ofrece a las aplicaciones compatibles una forma común de descubrir las capacidades disponibles, solicitar información y ejecutar acciones. La introducción oficial a MCP describe conexiones con sistemas externos, como archivos, bases de datos y herramientas.

Para quien funda una empresa, la ventaja es práctica: un asistente puede trabajar con la información de los sistemas del negocio, sin depender de lo que se copie en el chat. Para quien desarrolla software, la ventaja está en la reutilización: basta con exponer una capacidad mediante un servidor MCP y conectar a esa interfaz las aplicaciones de IA compatibles.

Imagina que le pides a un asistente un informe sobre un cliente. Una integración podría consultar su ficha y sus incidencias de soporte recientes, y devolver esa información para resumirla. MCP aporta el formato común de conexión. Alguien sigue teniendo que implementar esas operaciones, autorizar el acceso y comprobar que el resultado sirve.

MCP es infraestructura. No sustituye al modelo de IA, a la aplicación que guarda tus registros ni a la persona responsable de conceder acceso.

¿Quién mantiene MCP actualmente?

MCP está a cargo de los responsables de su proyecto de código abierto, bajo el amparo de la Agentic AI Foundation (AAIF), que forma parte de la Linux Foundation. Anthropic creó el protocolo y anunció su donación a la fundación el 9 de diciembre de 2025. La fundación le da un marco institucional neutral; el proyecto conserva el control de su dirección técnica. Consulta el anuncio del proyecto.

Según la consulta realizada el 13 de octubre de 2026, la página de gobernanza de MCP identifica a David Soria Parra y Den Delimarsky como Lead Maintainers. Los Lead Maintainers, Core Maintainers y Maintainers forman el MCP Steering Group, el grupo de dirección del proyecto. Sus miembros participan a título individual; no ocupan puestos reservados a empresas.

Esto importa al evaluar la dependencia de un proveedor: usar MCP no te obliga a utilizar las aplicaciones de IA de Anthropic. Tampoco significa que la fundación mantenga o avale cada servidor de terceros que adopta el estándar. La gobernanza del protocolo y la fiabilidad de una integración concreta son cuestiones distintas.

¿Cómo funciona MCP? Host, cliente y MCP server

El host es la aplicación que usas; dentro de ella, un cliente se comunica con un servidor que expone capacidades. Son funciones del software, no una exigencia de comprar equipos separados. La arquitectura oficial describe cómo el host crea un cliente por cada servidor al que se conecta.

El host: tu aplicación de IA

El host, o aplicación anfitriona, coordina la experiencia: tu conversación, el modelo y las conexiones disponibles. Puedes imaginarlo como la oficina en la que trabajas. Su configuración y sus políticas ayudan a determinar qué herramientas están disponibles y cuándo se solicita una aprobación.

¿Qué es un cliente MCP?

Un cliente MCP es el componente de conexión que está dentro del host. Se comunica mediante el protocolo con un servidor concreto. Por lo general, se configura desde la aplicación; no se instala como un producto «cliente» independiente.

Esta distinción evita un error habitual en los diagramas: el cliente va dentro del host. El modelo de lenguaje no es, por sí mismo, la conexión de red.

¿Qué es un servidor MCP?

Un servidor MCP es un programa que expone determinadas capacidades a través de MCP. «Servidor» describe su función: puede ser un proceso en tu portátil o un servicio que se ejecuta en otro lugar.

En el ejemplo del informe sobre un cliente, podría ofrecer una consulta de datos con un alcance muy limitado. El servidor implementa esa consulta y devuelve los resultados; el host los incorpora al trabajo de la IA. No necesita exponer toda tu base de datos de clientes.

Qué expone un servidor: herramientas, recursos y prompts

Los servidores pueden exponer 3 tipos de capacidades. No tienen que implementarlos todos, y el host debe admitir las funciones que quieras utilizar. La documentación sobre los conceptos del servidor los distingue así:

Una herramienta puede tanto leer información como modificarla. Una búsqueda sigue siendo una herramienta aunque no escriba ningún dato. Un recurso es una pieza de contexto accesible, y un prompt es una forma reutilizable de iniciar una tarea.

Para quien desarrolla la integración, la diferencia clave está entre descubrir una operación y ejecutarla: tools/list expone las definiciones de las herramientas disponibles, mientras que tools/call invoca una de ellas. Las descripciones claras y las entradas restringidas ayudan al host a elegir la operación adecuada. No sustituyen los controles de acceso de tu aplicación.

MCP vs API: ¿en qué se diferencian?

MCP no sustituye a las API. A menudo, un servidor MCP actúa como capa sobre ellas. Una interfaz de programación de aplicaciones, o API, permite que un software solicite datos o acciones a otro sistema. MCP ofrece a las aplicaciones de IA compatibles una forma común de descubrir y utilizar capacidades construidas sobre esas interfaces.

MCP vs API: el recorrido de una solicitud

Pensemos en una consulta de datos de un cliente. En una integración directa, tu aplicación de IA necesita una definición de herramienta y código que llame a la API del sistema de clientes. Con MCP, el servidor puede aportar esa definición y ejecutar la llamada a la API. La lección de Anthropic sobre MCP describe este patrón de integración.

La solicitud sigue llegando al sistema de clientes. Sus reglas de autorización, límites de uso y lógica de negocio siguen siendo necesarios. Lo que has estandarizado es la interfaz de integración con la IA; la dependencia del sistema subyacente sigue ahí.

Un servidor MCP también puede trabajar directamente con archivos locales o una base de datos. Por eso, envolver una API es una implementación habitual, no un requisito.

¿Cuándo conviene MCP y cuándo una API directa?

Usa MCP si buscas un acceso reutilizable desde aplicaciones de IA compatibles. Usa una API directa si el flujo de trabajo ya está definido y añadir otra interfaz aporta poco.

Una tarea programada que copia facturas aprobadas a un software contable puede resultar más clara como código de aplicación convencional. Ya se conocen las entradas, el destino y la secuencia. En cambio, un asistente conversacional que deba elegir entre consultar clientes, buscar documentos y crear tareas tiene más motivos para usar herramientas que pueda descubrir.

Si estás desarrollando un producto, plantéate quién consumirá la integración. Si tus clientes quieren acceder a tu servicio desde las aplicaciones de IA que ya usan, un servidor MCP puede ser una interfaz útil para distribuirlo. Si solo tu propio backend consume la operación, quizá baste con una función o una API directa.

MCP y RAG: funciones distintas

La generación aumentada por recuperación (RAG) aporta al modelo información recuperada; MCP aporta un protocolo de conexión. El artículo original sobre RAG describe la generación de respuestas basada en material recuperado.

Puedes exponer la recuperación de documentos como una herramienta MCP. El sistema de búsqueda sigue teniendo que encontrar pasajes útiles, respetar los permisos de los documentos y devolver contexto suficiente. Añadir MCP no mejora automáticamente la calidad de la recuperación.

¿Qué aporta MCP a los agentes de IA?

MCP puede dar a un agente acceso a herramientas; no decide su plan. Un agente es software que utiliza un modelo para elegir acciones con las que realizar una tarea. La arquitectura de MCP deja expresamente en manos de la aplicación el uso del modelo y la gestión del contexto.

Para preparar el informe de un cliente, el agente podría decidir consultar primero su ficha y después buscar sus incidencias de soporte. El protocolo transporta las solicitudes. La aplicación sigue siendo responsable del flujo de trabajo, los controles y la gestión de los fallos.

Servidores MCP locales y remotos: qué cambia

«Local» y «remoto» indican dónde se ejecuta el servidor. No indican dónde permanecen todos tus datos. Los transportes estándar de MCP incluyen stdio, para la comunicación entre procesos en el mismo equipo, y Streamable HTTP, para la comunicación por HTTP, habitual en servidores remotos. Descripción de los transportes de MCP.

Un servidor local suele iniciarse mediante un comando en el equipo donde se ejecuta el cliente. Es una opción adecuada para quien desarrolla con archivos locales, pero implica hacerse cargo del programa instalado y de sus permisos de ejecución.

A un servidor remoto se accede mediante una dirección de red. Puede facilitar la operación de un servicio compartido en una empresa, aunque introduce dependencias de alojamiento, autenticación y disponibilidad. HTTP también se puede usar de forma local, así que «HTTP» no significa por sí solo que se use la internet pública.

Un servidor que se ejecuta localmente puede llamar a una API externa, y sus resultados pueden acabar en una conversación con una IA en la nube. A su vez, un servidor alojado de forma remota puede aplicar permisos muy limitados. Evalúa todo el recorrido: desde los datos de origen hasta el servidor y la aplicación de IA.

¿Qué es un conector MCP?

«Conector» suele ser el nombre comercial de una integración. No es una función adicional de la arquitectura, junto al host, el cliente y el servidor. Por ejemplo, Claude llama conectores personalizados a sus integraciones MCP remotas, mientras que la documentación actual de ChatGPT ofrece el acceso a MCP a través de plugins. Sigue la vía de conexión que admita cada aplicación.

¿Qué aplicaciones son compatibles con MCP actualmente?

Claude, ChatGPT, Cursor, Visual Studio Code y Codex documentan su compatibilidad con MCP. La información que sigue se comprobó en las páginas de cada proveedor el 13 de octubre de 2026. Esa revisión confirma funciones documentadas; no equivale a una prueba práctica de compatibilidad con todos los servidores ni garantiza que todas las cuentas tengan el mismo acceso.

Claude

Claude, el asistente de IA de Anthropic, admite conectores personalizados MCP remotos y servidores locales mediante extensiones de Claude Desktop. Su documentación de conectores remotos indica compatibilidad con Free, Pro, Max, Team y Enterprise, con 1 conector personalizado en Free y controles de organización en los planes empresariales.

La limitación que importa es la accesibilidad por red: las solicitudes de los conectores remotos salen de la nube de Anthropic, incluso cuando usas la aplicación de escritorio. Un servidor al que solo se puede acceder desde tu portátil no queda automáticamente al alcance de ese conector. La vía independiente de las extensiones locales de escritorio comienza en Configuración > Extensiones.

ChatGPT

ChatGPT, la aplicación de IA de OpenAI, admite herramientas basadas en MCP mediante plugins. La guía de inicio actual de OpenAI conecta un servidor personalizado desde ChatGPT Plugins, instala el plugin resultante y lo invoca en ChatGPT Work en la web. La interfaz visual personalizada es opcional.

Para configurarlo, sigue esa vía documentada del producto. Copiar un comando local de la configuración de otra aplicación no equivale a añadir la URL de un servidor alojado, y la compatibilidad con el protocolo no determina por sí sola los permisos de tu espacio de trabajo.

Cursor

Cursor, el editor de código con IA, admite servidores locales por stdio y conexiones remotas mediante Streamable HTTP o Server-Sent Events (SSE). Su documentación de MCP también enumera herramientas, recursos y prompts. La configuración se puede guardar en .cursor/mcp.json para un proyecto o en ~/.cursor/mcp.json de forma global.

Por defecto, Cursor pide aprobación antes de usar herramientas MCP. Mantén habilitadas las que sean pertinentes para el proyecto: hacer que una capacidad se pueda descubrir solo sirve si sus descripciones, permisos y resultados encajan con la tarea.

VS Code

Microsoft Visual Studio Code (VS Code), el editor de código, admite herramientas MCP en su entorno de agentes de IA, además de recursos, prompts y aplicaciones interactivas. La documentación de configuración de Microsoft incluye MCP: Add Server y recomienda guardar la configuración de nuevos servidores en ubicaciones que faciliten su portabilidad.

Revisa la configuración MCP de un repositorio antes de marcar el espacio de trabajo como de confianza. La documentación actual de Microsoft indica que los servidores MCP del espacio de trabajo heredan Workspace Trust y pueden iniciarse sin una solicitud de confianza específica para el servidor. Esa decisión es relevante al instalar código que se ejecuta localmente.

Codex

Codex, el agente de programación de OpenAI, admite servidores locales por STDIO y servidores por Streamable HTTP en su interfaz de línea de comandos y en su extensión para editores de código. La documentación de MCP del proveedor describe una configuración compartida en ~/.codex/config.toml, con autenticación por token de portador y OAuth para los servidores HTTP. OAuth permite conceder acceso mediante un flujo de autorización, sin entregar la contraseña de tu cuenta a una integración.

Codex también documenta listas de herramientas permitidas y denegadas. Usa esos controles para exponer las operaciones que necesita un flujo de trabajo; lograr la conexión es solo el primer paso para decidir qué se le debe permitir hacer.

Cuánto cuesta MCP y dónde puede compensar

MCP no tiene una tarifa mensual de suscripción única. El presupuesto debe incluir la aplicación o el modelo de IA, el alojamiento del servidor o la tarifa del servicio gestionado, el software del que depende la integración y el mantenimiento. Que el protocolo sea abierto no convierte esas dependencias en gratuitas.

Como ejemplo concreto de facturación, OpenAI indica que su API Responses cobra por los tokens utilizados al importar definiciones MCP o realizar llamadas, sin una tarifa adicional por cada llamada a una herramienta MCP. Esa afirmación se aplica a esa API; no elimina los cargos del proveedor del servidor. Explicación de OpenAI sobre la facturación de MCP.

Las cuentas de la integración y sus supuestos

Supongamos que 3 aplicaciones de IA deben conectarse, cada una, con 4 sistemas empresariales. Crear un adaptador distinto para cada combinación da lugar a 3 × 4 = 12 interfaces. En un diseño idealizado con un estándar compartido, serían 3 implementaciones de host + 4 implementaciones de servidor = 7 interfaces.

Eso supone 5 implementaciones de interfaz menos, no un ahorro medido en horas de ingeniería. El ejemplo presupone que todas las combinaciones son necesarias y que las funciones requeridas son interoperables. La autenticación, los permisos, las pruebas y la lógica específica de cada servicio siguen siendo necesarios. Si las aplicaciones de IA ya admiten MCP, la parte del host puede estar resuelta; tu trabajo se concentra entonces en los servidores y el despliegue.

Para una aplicación que llama a un solo servicio, una integración directa puede ser más sencilla. La reutilización es lo que hace atractiva esa capa adicional.

Seguridad de MCP: revisa el servidor antes de conectarlo

Una conexión MCP da a otro programa un lugar en tu flujo de trabajo con IA. Evalúa por separado la confianza que depositas en su proveedor, sus permisos y el contenido que devuelve. El estándar por sí solo no certifica ninguno de esos aspectos.

Una inyección de prompt es una instrucción oculta en contenido que el modelo debería tratar como datos. Por ejemplo, una incidencia de soporte recuperada podría incluir un texto que ordene al asistente ignorar su tarea y enviar una exportación de los datos del cliente a otro lugar. El peligro aparece cuando el asistente atribuye autoridad a ese resultado de la herramienta y utiliza otra capacidad disponible para cumplir la instrucción.

La guía de seguridad de MCP de OpenAI advierte expresamente sobre instrucciones ocultas en contenido malicioso de servidores, exposición de datos sensibles y cambios en el comportamiento de los servidores. Incluso un servidor de confianza puede recuperar un documento que no lo sea. Las instrucciones del documento no deben adquirir la autoridad del usuario que pidió un resumen.

Antes de instalar o autorizar un servidor, comprueba lo siguiente:

• Proveedor y destino. Parte de la documentación del propio proveedor del servicio para llegar al paquete o a la dirección del servidor. Confirma quién opera cualquier intermediario externo y qué datos conserva.
• Ejecución local. Lee el comando, los argumentos y el acceso al sistema de archivos que se solicita. Instalar un servidor local puede ejecutar código con los permisos de su proceso; «local» no garantiza un entorno aislado.
• Alcance de la cuenta. Empieza con una cuenta restringida y el menor acceso a datos que resulte útil. Un prompt que diga «usa solo los registros de este cliente» ofrece menos protección que un permiso del backend que imponga ese límite.
• Acciones disponibles. Para la prueba piloto, da preferencia a operaciones de solo lectura. Exige una revisión antes de escrituras o exportaciones con consecuencias relevantes, e inspecciona el destino y los argumentos reales.
• Actualizaciones y revocación. Identifica a la persona responsable, revisa los cambios y confirma cómo desactivar el servidor y revocar sus credenciales. Que funcione el botón de desinstalación no demuestra que se haya revocado un token del servicio al que se conectaba.

Si desarrollas la integración, aplica los controles de autorización tanto en el servidor como en el sistema subyacente. Las buenas prácticas de seguridad de MCP rechazan el reenvío de tokens sin cambios: aceptar un token destinado a otro servicio y reenviarlo tal cual no es un diseño de autorización sólido.

Si te encargas de la operación, empieza con una colección de documentos sin contenido sensible y comprueba las evidencias devueltas antes de conectar sistemas sensibles. El acceso de solo lectura reduce la capacidad de modificar el sistema de origen; no impide que se recupere información sensible o se comparta en otro lugar. Mantén fuera de esa misma prueba las herramientas potentes que no tengan relación con ella.

¿Qué se exagera sobre MCP?

Un protocolo compartido reduce las diferencias entre integraciones. No hace que todas sean fiables, seguras o intercambiables. Decir que algo «admite MCP» deja varias preguntas sin responder: ¿qué transporte utiliza, qué funciones admite, de quién son las credenciales, dónde se ejecuta y qué aprobaciones exige?

Del mismo modo, instalar más servidores no es una estrategia de adopción. Una herramienta mal descrita puede elegirse por error. Una credencial con permisos demasiado amplios puede exponer más de lo necesario. Y si un servicio del que depende la integración deja de estar disponible, el flujo de trabajo puede detenerse.

La ventaja real es más concreta: los hosts y servidores compatibles pueden reutilizar una interfaz. Aun así, necesitas una tarea definida, una persona responsable y una forma de detectar un mal resultado. Mide el trabajo completado y comprobado, no el tamaño del catálogo de herramientas.

¿A quién le conviene avanzar, esperar o seguir como está?

Quien funda una empresa debería avanzar cuando copiar información una y otra vez o tener el acceso fragmentado frena un flujo de trabajo valioso. Elige ese flujo antes que la infraestructura. Si una integración ya aprobada resuelve la tarea, añadir otra capa no aporta un beneficio automático.

Los equipos de operaciones deberían iniciar una prueba cuando la fuente de información y los límites de los permisos estén claros. Conviene posponer un despliegue amplio si nadie se responsabiliza de las credenciales, su revocación o la revisión de acciones con consecuencias relevantes. Son decisiones operativas que el protocolo no puede tomar por ti.

Quienes desarrollan software deberían incorporar MCP cuando varios hosts compatibles necesiten la misma capacidad o cuando los clientes pidan expresamente acceso desde sus aplicaciones de IA. Mantén una automatización fiable y estable basada en API, salvo que puedas concretar qué beneficio aportaría el cambio en reutilización o producto.

Para decidir el siguiente paso de implementación, consulta la lista de los mejores servidores MCP si buscas una integración existente, la guía para crear un servidor MCP con Python si necesitas exponer una capacidad propia, o la guía de MCP gateway cuando los controles de acceso compartidos se conviertan en una necesidad operativa.

Tu primer paso el lunes

Prueba una operación de lectura con un alcance limitado en la aplicación de IA que ya usas. Por ejemplo, recupera la ficha de un cliente cuyo acceso esté autorizado y contrasta su contenido con la fuente.

1. 1

   Define la tarea y sus límites

   Anota la pregunta, los datos permitidos y el resultado esperado. Elige una operación de solo lectura y una identidad con permisos restringidos. Designa a una persona responsable que pueda desactivar la conexión.

2. 2

   Conecta mediante la vía documentada por el proveedor

   Confirma si necesitas un comando local o una URL remota, completa la autenticación e inspecciona las capacidades disponibles. Habilita solo lo que requiera la tarea.

3. 3

   Comprueba el éxito, la denegación y el fallo

   Pide información permitida y, después, información fuera del alcance autorizado para la cuenta. Confirma que esta última solicitud se deniega. Desconecta el servidor y comprueba que el asistente indique que no tiene acceso, en vez de presentar una respuesta sin respaldo.

4. 4

   Conserva la integración solo si mejora el trabajo

   Registra el tiempo dedicado a recuperar, comprobar y corregir el resultado. Revoca la credencial de la prueba y verifica que el acceso se interrumpa. Amplía el uso solo cuando estén claros tanto el beneficio como los límites de los controles.

Preguntas frecuentes

¿Cómo se configura MCP?

Se configura en el host de IA: proporciona un comando de inicio para un servidor local compatible o una URL para un servidor remoto, completa la autenticación y habilita las herramientas necesarias. Los nombres de archivo y los ajustes varían según la aplicación; consulta la documentación actual de su proveedor.

¿Qué significan las siglas MCP?

En el software de IA, MCP significa Model Context Protocol. Es el estándar abierto para conectar aplicaciones de IA con herramientas y datos externos que se describe en este artículo.

¿Cómo explicar MCP de forma sencilla?

Piensa en un mostrador de atención compartido: una aplicación de IA puede descubrir qué ofrece otro programa, pedir algo en un formato acordado y recibir el resultado. Los permisos que se aplican detrás del mostrador siguen vigentes.

¿Por qué se necesita MCP?

Puede reducir el trabajo repetido de integración y permitir que las aplicaciones de IA compatibles reutilicen herramientas. Es opcional: una API directa o una integración ya aprobada pueden ser una mejor opción para un flujo de trabajo fijo.

¿Para qué sirve MCP?

MCP permite incorporar contexto externo y acciones autorizadas a las aplicaciones de IA, como consultar registros, recuperar documentos o crear una tarea mediante una herramienta expuesta.

Para tomar decisiones prácticas sobre herramientas de IA y flujos de trabajo empresariales, suscríbete al boletín.