A finales de 2024, Anthropic publicó una especificación de protocolo que pasó casi desapercibida fuera del círculo técnico: el Model Context Protocol (MCP). En 2026, ese protocolo se convirtió en el estándar de facto que define cómo los agentes de inteligencia artificial se conectan a herramientas externas, bases de datos y sistemas empresariales. Para las empresas que están planificando o escalando proyectos de IA, entender el MCP ya no es opcional: es la diferencia entre construir integraciones que escalan y construir deuda técnica difícil de sostener.
Qué es el Model Context Protocol
El Model Context Protocol es un estándar abierto que define cómo un agente de IA —o cualquier sistema que incluya un modelo de lenguaje— puede descubrir y usar herramientas externas de forma estandarizada. Antes de MCP, cada integración entre un LLM y una herramienta (una base de datos, una API, un sistema de archivos) requería código ad-hoc específico para ese modelo y esa herramienta. El resultado era una proliferación de “glue code” difícil de mantener, imposible de reutilizar entre proyectos y acoplado a un proveedor de IA en particular.
MCP introduce tres roles bien definidos:
- Host: la aplicación que ejecuta el agente de IA (Claude Desktop, un IDE, una aplicación empresarial desarrollada a medida)
- Client: el componente dentro del host que se comunica con los servidores MCP
- Server MCP: un proceso ligero que expone capacidades específicas —herramientas, recursos y prompts— al agente
El protocolo usa JSON-RPC 2.0 como capa de mensajería, con soporte para dos transportes: stdio (para servidores locales) y HTTP con Server-Sent Events (para servidores remotos). Un servidor MCP que expone acceso a una base de datos PostgreSQL puede ser reutilizado por cualquier agente que hable el protocolo, independientemente del LLM subyacente.
Por qué el problema de integración era tan costoso antes
Para entender el valor del MCP, hay que entender el problema que resuelve. Antes de que existiera un estándar universal, la integración de IA con sistemas empresariales seguía un patrón de código personalizado para cada combinación de modelo y herramienta. Las consecuencias eran previsibles:
| Escenario | Antes de MCP | Con MCP |
|---|---|---|
| Conectar un agente a una base de datos SQL | Código custom, manejo de schema manual | Servidor MCP PostgreSQL/MySQL ya disponible, compatible con cualquier host |
| Integrar con GitHub | Función custom que envuelve la API REST para cada agente | Servidor MCP GitHub oficial, descubierto y utilizado automáticamente |
| Acceso al sistema de archivos | Implementación distinta según el framework | Servidor MCP filesystem incluido en la especificación de referencia |
| Reutilizar una integración entre proyectos | Copiar y adaptar código, romper en la siguiente actualización | Reutilizar el mismo servidor MCP sin modificaciones |
| Cambiar de proveedor de LLM | Reescribir la capa de integración completa | El servidor MCP no cambia; solo cambia el host |
Esta tabla resume por qué equipos con varios proyectos de IA activos pueden ahorrar semanas de desarrollo por integración cuando adoptan MCP desde el inicio.
Cómo funciona el MCP en la práctica
El flujo operativo de un agente con MCP tiene tres momentos clave.
Descubrimiento: al iniciar, el host solicita al servidor MCP que liste sus capacidades mediante tools/list, resources/list y prompts/list. El agente recibe un catálogo de herramientas disponibles con nombre, descripción y esquema de parámetros. Sin configuración manual por parte del desarrollador que orquesta el agente.
Llamada a herramienta: cuando el agente decide que necesita ejecutar una herramienta —por ejemplo, consultar el stock de un producto en el sistema de inventario— envía una solicitud tools/call con los parámetros correspondientes. El servidor MCP ejecuta la acción contra el sistema real y devuelve el resultado en un formato estructurado.
Uso de recursos: los servidores MCP también pueden exponer recursos estáticos o dinámicos (documentos, archivos, respuestas de APIs) que el agente solicita para agregarlos a su contexto mediante resources/read. Esto permite que el agente trabaje con documentos internos de la empresa sin que esos documentos estén cargados en el sistema del proveedor de IA.
Lo relevante desde el punto de vista empresarial es que el servidor MCP corre en la infraestructura de la propia empresa. El agente de IA llama al servidor, el servidor ejecuta la acción contra los sistemas internos y devuelve solo el resultado necesario. Los datos internos no salen directamente hacia el LLM: pasan por el servidor que actúa como mediador.
Los servidores MCP más usados en 2026
El ecosistema de servidores MCP creció rápidamente. A mediados de 2026, más de 2.000 servidores están indexados en registros públicos. Los más relevantes para proyectos de desarrollo de software a medida con componentes de IA son:
| Servidor MCP | Qué expone | Relevancia empresarial |
|---|---|---|
| PostgreSQL / MySQL | Consulta y actualización de tablas, schema discovery | Alta — la mayoría de sistemas operacionales usa bases relacionales |
| GitHub | Repositorios, issues, pull requests, actions CI/CD | Alta — flujos de DevOps y revisión de código automática |
| Google Drive / Workspace | Documentos, hojas de cálculo, calendario | Alta — reportería, colaboración y análisis documental |
| Slack / Teams | Mensajes, canales, usuarios | Media — notificaciones y flujos de comunicación interna |
| Filesystem | Lectura y escritura de archivos locales o en servidor | Alta — procesamiento de documentos, logs, exportaciones |
| Búsqueda web | Búsqueda en tiempo real con Brave o DuckDuckGo | Media — enriquecimiento de respuestas con información actualizada |
| Servidores ERP/CRM custom | APIs internas del negocio | Muy alta — integra el agente con el sistema de gestión propio |
Esta última categoría —los servidores MCP custom que envuelven APIs internas— es donde el valor práctico es más alto para empresas chilenas con sistemas propios, ERPs locales o plataformas de gestión desarrolladas a medida.
Qué significa el MCP para el desarrollo de agentes IA empresariales
Para una empresa que evalúa construir un agente IA para sus procesos, el MCP cambia el cálculo en tres dimensiones concretas.
Reduce el tiempo de desarrollo de integraciones
Antes de MCP, conectar un agente a los cinco o seis sistemas que usa una empresa —ERP, CRM, sistema de tickets, base de datos analítica, Google Workspace— podía tomar entre dos y cuatro semanas de desarrollo. Con servidores MCP ya disponibles para varios de esos sistemas, la integración se reduce a configuración. Y en los casos que requieren servidor custom, se implementa una interfaz bien definida en lugar de código libre acoplado a un modelo específico.
Permite reutilizar integraciones entre proyectos
Una empresa que construye un chatbot IA de atención al cliente y luego un agente de análisis de contratos puede reutilizar el servidor MCP que conecta al ERP sin duplicar código. La inversión en infraestructura de integración se amortiza en múltiples proyectos, no en uno solo.
Desacopla el stack del proveedor de IA
Un servidor MCP que hoy conecta un agente basado en Claude puede conectar mañana un agente basado en GPT o en un modelo open-source, sin tocar el servidor. Para empresas con estrategia de multi-modelo o que quieren mantener opcionalidad sobre el proveedor de IA, esto es un argumento técnico fuerte al momento de diseñar la arquitectura.
MCP y la privacidad de datos empresariales
Una de las preguntas más frecuentes que recibimos de empresas chilenas que evalúan integrar IA en procesos internos es sobre confidencialidad: “¿los datos de nuestra empresa van a salir hacia el LLM?”.
Con una arquitectura correcta de MCP, la respuesta está en el diseño del servidor. El servidor MCP corre en la infraestructura de la empresa. Cuando el agente solicita datos a través del servidor, este ejecuta la consulta internamente y devuelve al agente solo el resultado específico que se solicitó —no toda la base de datos, no el esquema completo, solo lo que la herramienta define como output.
Esto no elimina todas las consideraciones de privacidad: los datos que el servidor devuelve sí pasan por el contexto del LLM. Si ese LLM opera en la nube (Claude, GPT, Gemini), esos datos salen de la red corporativa. Pero sí permite diseñar arquitecturas donde la exposición de datos se controla capa por capa mediante el diseño de cada herramienta MCP, lo que es muy diferente a conectar un LLM directamente a una base de datos sin mediación.
Para sectores regulados —salud, finanzas, sector público chileno— esta arquitectura permite construir agentes IA que usen modelos en la nube para razonamiento pero que mantengan los datos sensibles bajo control. El servidor MCP actúa como un proxy de acceso que impone las reglas del negocio sobre qué datos son accesibles y en qué condiciones.
El estado de la adopción en 2026
Desde su lanzamiento en noviembre de 2024, la velocidad de adopción del MCP superó las expectativas iniciales:
- Más de 2.000 servidores MCP están indexados en registros públicos, con más de 400 con mantenimiento activo
- VS Code, JetBrains, Cursor y los principales IDEs de desarrollo soportan MCP de forma nativa como protocolo para herramientas de agentes de codificación
- Empresas como Cloudflare, Stripe, Linear y Atlassian publicaron servidores MCP oficiales para sus plataformas
- OpenAI adoptó el protocolo como soporte en su API de agents en 2025, consolidando MCP como el estándar de la industria más allá de su creador
Para los equipos de desarrollo de software a medida que incluyen componentes de IA, MCP es hoy parte del stack estándar de integración, no una decisión de arquitectura opcional que se evalúa caso a caso.
Cómo empezar a implementar MCP en tu empresa
La ruta práctica para una empresa que quiere aprovechar el MCP depende del punto de partida.
Si partes desde cero con IA: lo más eficiente es diseñar desde el inicio con MCP en mente. Identificar los sistemas que el agente necesita usar y verificar si ya existe un servidor MCP para cada uno. Los que no tengan servidor disponible son los candidatos a desarrollo custom, y su complejidad dependerá de qué tan bien documentada esté la API del sistema subyacente.
Si ya tienes un agente en producción sin MCP: la transición no requiere reescribir el agente. El camino más directo es envolver las integraciones existentes en servidores MCP uno a uno, empezando por las más reutilizadas o las más complejas de mantener.
Qué requiere del lado técnico: los SDKs oficiales de MCP existen para TypeScript y Python. Un servidor MCP básico que expone tres o cuatro herramientas puede construirse en uno a dos días de trabajo de un desarrollador con experiencia en la API a integrar. Lo que sí requiere criterio es el diseño de qué exponer y con qué nivel de acceso. La regla de menor privilegio aplica aquí exactamente igual que en cualquier integración de sistema.
Conclusión
El Model Context Protocol resuelve un problema que estaba frenando la adopción real de IA en operaciones empresariales: la fricción técnica de conectar un agente con los sistemas que ya usa la empresa. Con MCP, esa integración tiene un protocolo definido, una comunidad activa de servidores reutilizables y un camino claro para construir lo que no existe.
Para empresas chilenas que están evaluando su próximo proyecto de IA, la pregunta ya no es solo “qué modelo usar” sino “cómo va a acceder a nuestros datos y sistemas”. El MCP es la respuesta técnica a esa segunda pregunta, y entenderla antes de diseñar la arquitectura ahorra semanas de trabajo y meses de deuda técnica.
Si estás evaluando un proyecto de agente IA para tu empresa y quieres entender cómo estructurar la arquitectura de integración, conversemos. En Codelan diseñamos la solución técnica desde la primera reunión y te entregamos un diagnóstico gratuito con recomendación concreta para tu caso.
Preguntas frecuentes sobre MCP e integración de IA empresarial
¿El MCP es exclusivo de Claude o lo puede usar cualquier modelo de IA?
No es exclusivo de Claude. Aunque Anthropic creó el protocolo en 2024, es un estándar abierto que cualquier sistema puede implementar. En 2026, los principales proveedores de LLMs —incluido OpenAI— y los principales entornos de desarrollo ya soportan MCP de forma nativa. Un servidor MCP que construyes para conectar a tu ERP puede ser usado por un agente basado en Claude, GPT o cualquier modelo compatible con el protocolo.
¿Cuál es la diferencia entre un tool call clásico y un servidor MCP?
Un tool call clásico (como los function calls de OpenAI o el tool use de Claude) define las herramientas disponibles directamente en el código que orquesta el agente, acoplado a un modelo específico. Con MCP, las herramientas viven en un servidor independiente con un protocolo bien definido que puede ser descubierto dinámicamente por cualquier host compatible. La diferencia práctica es la reutilización y el desacoplamiento: el mismo servidor MCP funciona con distintos agentes y distintos modelos sin cambios.
¿Qué tan complejo es construir un servidor MCP para un sistema interno?
Depende de qué tan bien documentada esté la API del sistema a integrar. Para sistemas con API REST documentada, un servidor MCP básico en TypeScript o Python puede construirse en uno a dos días de trabajo de un desarrollador. Los SDKs oficiales de MCP abstraen la mayor parte del boilerplate del protocolo. El trabajo real está en decidir qué herramientas exponer, con qué parámetros y qué validaciones aplicar antes de ejecutar cada acción.
¿Los datos de mi empresa quedan expuestos al pasar por un servidor MCP?
El servidor MCP corre en tu infraestructura, no en la del proveedor de IA. Los datos de tu base de datos o tus sistemas internos son procesados por el servidor antes de ser enviados al agente. El agente solo recibe el resultado específico de cada consulta, no acceso directo a las fuentes de datos. El diseño de qué devuelve el servidor en cada herramienta es la capa donde se controla la exposición de información sensible. Si el LLM opera en la nube, los resultados que el servidor le envía salen de tu red, lo que hace que el diseño del servidor sea una decisión de seguridad, no solo técnica.
¿MCP reemplaza las integraciones API tradicionales que ya tiene mi empresa?
No las reemplaza: las envuelve. Un servidor MCP actúa como una capa de adaptación entre el agente de IA y los sistemas existentes. El sistema subyacente sigue funcionando exactamente igual; el servidor MCP traduce las solicitudes del agente a llamadas al sistema. Las integraciones API que ya existen en tu empresa pueden reutilizarse dentro de un servidor MCP sin reescribirlas desde cero.
¿El MCP funciona con modelos de IA instalados localmente (on-premise)?
Sí. El MCP es agnóstico al LLM y al host. Si tu empresa opera un modelo de lenguaje on-premise —por ejemplo, un Llama o Mistral hospedado en infraestructura propia— puede actuar como host MCP y conectarse a los mismos servidores MCP que usaría un agente en la nube. Esta es una de las razones por las que el protocolo es especialmente relevante para sectores con requisitos estrictos de soberanía de datos o cumplimiento normativo.
¿Qué equipos internos necesita una empresa para implementar MCP?
La implementación de MCP no requiere un equipo de IA especializado. Un desarrollador con experiencia en la API del sistema a integrar y conocimiento de TypeScript o Python puede construir un servidor MCP custom. Para la adopción de servidores ya disponibles (GitHub, Google Workspace, PostgreSQL), la configuración es más cercana a devops que a desarrollo. En proyectos de mayor complejidad, un equipo de dos a tres personas puede implementar la arquitectura MCP completa en cuatro a seis semanas.
