MCP explicado: Por qué exponer capacidades es mejor que usar puntos finales fijos para los agentes.
Qué es MCP y por qué es importante: clientes y servidores del Model Context Protocol, cómo difiere de una API fija, y lo que Figma y Render muestran sobre los agentes de IA.
Tarde o temprano, todo desarrollador se encuentra con las tres letras MCP. Pruebe Supabase, Figma o casi cualquier producto para desarrolladores, y descubrirá que todos ofrecen su propio MCP. La reacción habitual es asentir sin entender realmente qué abarca este término ni cómo debería ayudar. Esta es una explicación en lenguaje sencillo.
Un pequeño ejemplo ilustra el efecto. Había que crear una página de aterrizaje para una aplicación, tomando como punto de partida un diseño de Figma. El asistente de IA sugirió conectar el servidor MCP de Figma. Una vez conectado, la página se elaboró en minutos, sin que nadie tuviera que escribir a mano el código del diseño. Las preguntas interesantes son: ¿qué es MCP y por qué cambia las cosas?
Cómo han funcionado siempre los backends
Cuando se diseña una API convencional, su propósito ya es conocido. Un cliente desea una lista de productos, y el servicio obtiene exactamente eso, quizás mediante SELECT * FROM products o una llamada al repositorio como productRepository.find() cuando se utiliza un ORM. El endpoint está diseñado alrededor de un propósito fijo, y no tiene nada de abierto a interpretaciones adicionales.
Ese es el compromiso de las APIs tradicionales. El cliente sabe lo que quiere, y el desarrollador crea la solución de forma específica para satisfacer esa necesidad. La intención se define antes incluso de escribir una sola línea del endpoint.
Qué cambió con la IA
Las personas ya no son las únicas que interactúan con una aplicación. Los agentes de IA también necesitan utilizarla, lo que plantea una idea obvia: ¿por qué no permitirles simplemente llamar a las APIs existentes, como lo haría cualquier cliente dirigido a humanos?
El problema es que una API presupone un caso de uso conocido. Con los agentes, el desarrollador a menudo no puede saber de antemano qué querrá hacer. Por lo tanto, en lugar de un endpoint más rígido y limitado, MCP busca abrir partes más amplias de una aplicación para que una IA pueda explorarlas y utilizarlas según sea necesario.
Una definición
MCP, el Model Context Protocol, es un estándar abierto introducido por Anthropic. Describe una forma común para que las aplicaciones de IA, como Claude, se conecten a herramientas externas, fuentes de datos y sistemas. Se trata de un protocolo, una convención que sigue todo agente, y no de un producto o integración específica. Cualquiera puede desarrollar basándose en él.
En la práctica, se divide en un cliente y un servidor. Una aplicación, o un servicio como Figma o Render, expone un servidor MCP. Una aplicación de IA como Claude actúa como el cliente MCP y se conecta a él. El servidor declara qué está disponible, y el cliente lo descubre y lo utiliza.
El lado del servidor se basa en algunos componentes esenciales:
- Herramientas que el agente puede invocar.
- Recursos que puede leer.
- Prompts que se pueden reutilizar, de modo que no tiene que adivinar cómo abordar una tarea común.
El lado del cliente tiene su propio componente, llamado roots, que marca los límites de lo que un servidor puede acceder. Cualquier agente que entienda MCP ya comprende todos estos elementos, por lo que la conexión se vuelve de tipo plug-and-play en lugar de requerir un trabajo de integración personalizado cada vez.
Una ventaja de seguridad
MCP también contribuye a la seguridad. El agente aún accede a sus datos, aunque de forma indirecta. El servidor es el único componente que se comunica con la base de datos y solo ofrece las capacidades definidas. El agente no puede ejecutar consultas por sí mismo ni ver el esquema. Interactúa con la interfaz creada, mientras que el servidor realiza el trabajo real en su nombre. La abstracción puede llevarse al extremo deseado, de modo que el agente sabe muy poco sobre la implementación interna.
Todo esto se implementa sobre las API existentes y no las reemplaza. MCP las envuelve en una interfaz estándar y detectable a la que cualquier agente de IA puede conectarse y comprender. La principal diferencia con respecto a una API ordinaria es que nadie decide de antemano qué puede hacer un cliente. Se expone una gama más amplia de opciones, ya sean herramientas, recursos o datos, y el agente determina según la situación cómo utilizarlos.
Una vez que un agente se conecta, descubre las capacidades disponibles y decide cómo utilizarlas para completar una tarea, por lo que no es necesario programar de forma fija cada acción que podría necesitar.
Un ejemplo práctico con Figma y Claude
La historia de la página de aterrizaje es la forma más clara de ver qué cambios se han producido. En el caso del trabajo de interfaz de usuario y estilo, el procedimiento habitual se basa en capturas de pantalla: se toma una imagen del diseño, se la envía a un agente y luego se intercambian comentarios, señalando lo que se pasó por alto, ampliando detalles y explicando la intención. Un ojo humano detecta cosas que un agente al observar una imagen plana no puede juzgar con tanta precisión.
Esta vez el primer paso fue diferente. Se le explicó al agente el objetivo y se le pidió la mejor forma de alcanzarlo, y él propuso MCP de Figma. En general, eso es una buena costumbre. Una IA es un motor de predicción, y la calidad de su respuesta depende en gran medida del contexto que recibe. A menudo vale la pena pedirle a la propia IA el mejor enfoque en lugar de limitarse a métodos ya conocidos. Restringirla desperdicia sus fortalezas, especialmente cuando la tarea es desconocida. En este caso, la recomendación fue MCP.
A continuación, se configuró localmente el Figma MCP y se conectó Claude a él. Tras la autenticación, los datos del diseño quedaron disponibles, por lo que Claude pudo leer el diseño real directamente y no fueron necesarias capturas de pantalla. Analizó el diseño por etapas, dividió el trabajo en un plan y lo llevó a cabo. El resultado estaba casi terminado, era prácticamente una implementación directa y casi perfecta.
En efecto, MCP le proporcionó al agente los mismos “ojos” que tiene una persona. Nadie tuvo que actuar como intermediario, traduciendo lo que se ve en el diseño a algo que el agente pudiera utilizar, ya que el agente podía ver el diseño directamente.
Por qué deberían preocuparse los proveedores
El caso de Figma se refería al uso de un servidor de otra persona. También plantea la cuestión de crear uno propio para una aplicación, de modo que los agentes y las personas que los manejan puedan hacer más de lo que se planeó originalmente.
Render, una plataforma para desplegar aplicaciones, ofrece un ejemplo. Su servidor MCP expone registros de despliegue, métricas de servicio como CPU, memoria y latencia de las solicitudes, e incluso acceso de solo lectura a una base de datos Postgres. Normalmente, todo eso requiere iniciar sesión en el panel de control de Render. Con el servidor MCP conectado, alguien puede pedirle a un agente que cree un panel de control personalizado con estadísticas de despliegue, señalice un aumento repentino en los registros de errores o haga un seguimiento del uso de recursos a lo largo del tiempo. Render nunca tuvo que anticipar ese panel de control ni crear una API para él. Expone las capacidades subyacentes, y el agente las combina para crear lo que sea necesario.
He aquí el punto clave. Un desarrollador podría suponer que los clientes quieren la función ABC cuando en realidad desean XYZ. Si solo existen APIs fijas, los usuarios quedan limitados a lo que el desarrollador pensó en ofrecer. MCP invierte esta situación: no restringe al agente, ni al usuario que lo utiliza, a lo que estaba predefinido. Muestra qué puede hacer la aplicación y deja la decisión sobre qué construir en el agente, al igual que el servidor de Render deja la decisión sobre el panel de control en el usuario.
Así, en lugar de un panel de control con unas pocas vistas diseñadas, un usuario puede solicitar al agente una vista completamente personalizada, y el agente puede crearla, ya que ve qué es posible dentro de la aplicación. El mensaje dirigido a los usuarios pasa de ser una lista de cosas fijas que pueden hacer con la app a una descripción de lo que la app puede hacer, permitiéndoles decidir por sí mismos qué necesitan.
Dado que MCP es un estándar, su alcance trasciende con creces el de una sola aplicación y un solo agente. Cualquier agente que soporte MCP puede conectarse a cualquier aplicación que lo exponga, utilizando el mismo protocolo. Por eso se considera un cambio real y no solo una característica de conveniencia.
El cambio de mentalidad
MCP no son simplemente APIs para la IA. Representan un cambio de actitud, pasando de desarrollar soluciones para casos de uso específicos y conocidos a ofrecer posibilidades y permitir que la IA, guiada por el contexto, decida qué hacer con ellas. También constituyen una forma más segura de que los agentes interactúen con una aplicación, ya que nunca obtienen acceso directo a la base de datos ni a sus componentes internos. Solo ven la interfaz elegida, mientras que el servidor MCP se encarga del trabajo real detrás de ella.
Cualquiera que esté desarrollando algo al que puedan acceder los agentes de IA debe comprender esta distinción: qué está predefinido y qué se vuelve posible.
Leer más
- MCP desde la perspectiva de un desarrollador: hosts, clientes, servidores y llamadas a herramientas — Por qué los LLM necesitan un protocolo para herramientas, cómo se divide el trabajo entre el host, el cliente y el servidor de MCP, y cómo una sola solicitud viaja desde el usuario hasta una herramienta y de vuelta.
- Explicación de los servidores MCP: herramientas, recursos, prompts y cuándo añadir una pasarela — Una explicación en lenguaje sencillo sobre los servidores MCP: cómo se conectan el host, el cliente y el servidor, en qué se diferencia MCP de una API, qué se puede hacer con él, y cuándo resulta útil utilizar una pasarela.