El Model Context Protocol (MCP) es un estándar abierto que conecta los agentes de IA con herramientas, datos y aplicaciones de empresa mediante una interfaz común: se construye un servidor MCP por sistema y cualquier modelo compatible puede usarlo. Anthropic lo publicó en noviembre de 2024; lo admiten OpenAI, Google y Microsoft, y hay más de 10.000 servidores públicos.
Puntos clave
MCP es el estándar para conectar agentes de IA con los sistemas de la empresa; su mayor riesgo, los permisos.
- MCP (Model Context Protocol) es un estándar abierto creado por Anthropic en noviembre de 2024 que define cómo los agentes de IA acceden a herramientas, datos y aplicaciones. En diciembre de 2025 Anthropic lo donó a la Agentic AI Foundation, un fondo de la Linux Foundation que cofundó con Block y OpenAI.
- Resuelve el problema N×M: en lugar de construir una integración por cada combinación de modelo y herramienta, escribes un servidor MCP una vez y cualquier modelo compatible lo usa.
- En empresa, el patrón ganador es MCP servers internos que exponen tu CRM, ERP, RAG y datos sensibles a cualquier agente, manteniendo permisos, auditoría y residencia de datos bajo control.
- El riesgo principal no es técnico: es gobernanza de permisos. Un MCP mal configurado da a un agente acceso a más datos de los que debería ver. Diseña con principio de mínimo privilegio desde el día 1.
¿Quieres conectar tu CRM, tu ERP o tu documentación a agentes de IA con MCP? En NAXIA diseñamos e implantamos servidores MCP con permisos por usuario y auditoría. Cuéntanos tu caso o mira cómo crear un servidor MCP para tu empresa.
Qué es MCP y qué problema resuelve
MCP es un protocolo cliente-servidor, basado en JSON-RPC, con el que un servidor ofrece herramientas, recursos y prompts a clientes de IA. Son sus tres tipos de capacidades:
- Tools: funciones que el modelo puede invocar (consultar el CRM, crear un ticket, ejecutar una query SQL).
- Resources: documentos y datos que el modelo puede leer (archivos, registros, contenido dinámico).
- Prompts: plantillas de instrucción reutilizables que el cliente puede invocar.
Cualquier modelo de IA o aplicación que hable MCP puede conectarse a cualquier servidor MCP sin código de integración nuevo. Es el equivalente conceptual al Language Server Protocol que VS Code popularizó en programación, pero aplicado a agentes de IA y herramientas empresariales. La especificación vigente, la versión 2026-07-28, eliminó el saludo de inicialización de las versiones anteriores: cada petición declara su versión del protocolo, y el protocolo no guarda sesión entre llamadas.
Qué NO es MCP:
- No es un nuevo modelo de IA. Es un protocolo de comunicación, agnóstico al modelo.
- No reemplaza tu API REST. MCP envuelve APIs existentes en una interfaz estándar para agentes; tus APIs siguen vivas.
- No resuelve la gobernanza por sí solo. Aporta el "cómo conectar"; tú sigues definiendo qué expone y a quién.
Analogía directa: antes de USB, cada periférico necesitaba su conector propio (PS/2 ratón, paralelo impresora, serie módem). USB unificó eso. MCP hace lo mismo con las "herramientas" que un agente de IA necesita: en lugar de un conector OpenAI Functions, otro Anthropic Tool Use, otro Google function calling, hay un único protocolo que todos hablan.
Por qué MCP importa en 2026 (y por qué se ha adoptado tan rápido)
MCP importa porque convierte N×M integraciones a medida entre modelos y sistemas en un servidor por sistema. El problema clásico de cualquier empresa que despliega agentes es N×M: tienes N modelos de IA candidatos (Claude, GPT, Gemini, modelo open-source) y M sistemas internos (Salesforce, HubSpot, Jira, SAP, base de conocimiento). Sin estándar, necesitas N×M integraciones, cada una con su propia lógica de autenticación, paginación, errores y formato.
Con MCP, escribes M servidores (uno por sistema) y todos los N modelos los consumen sin modificación. Esto importa por tres razones prácticas:
- Eliminas vendor lock-in real. Si pasas de OpenAI a Claude o viceversa, tu stack de herramientas no cambia. Es la primera vez que un cambio de proveedor de LLM no implica reescribir integraciones.
- Reduces el coste de mantenimiento. Una sola implementación por sistema, no una por modelo y framework.
- Aceleras la composición de agentes. Crear un nuevo agente que combine 5 herramientas internas pasa de semanas de integración a horas.
La adopción ha sido muy rápida precisamente porque el problema era universal y la solución es técnicamente simple: las fechas están en la sección de datos del mercado, más abajo.
Comparativa: MCP vs Function Calling vs OpenAPI
MCP es el único de los tres que es abierto, agnóstico al modelo y diseñado específicamente para agentes de IA.
| Característica | MCP | Function Calling propietario (OpenAI/Anthropic/Google) | OpenAPI / REST genérico |
|---|---|---|---|
| Estándar abierto | Sí, alojado en la Agentic AI Foundation de la Linux Foundation | No, propio de cada proveedor | Sí (industria) |
| Portabilidad entre modelos IA | Total | Nula sin reescritura | Parcial (no específico para IA) |
| Descubrimiento dinámico de herramientas | Sí, vía protocolo | Manual | No nativamente |
| Autenticación y permisos integrados | Sí (marco de autorización basado en OAuth 2.1) | Sí, distinto en cada proveedor | Sí (varios estándares) |
| Streaming de resultados | Sí | Sí | Limitado |
| Recursos (datos, no solo funciones) | Sí, de primer nivel | Limitado | Diseñado para datos |
| Ecosistema de servidores listos | Más de 10.000 servidores públicos (diciembre de 2025) | N/A | Genérico |
| Compatibilidad con agentes IA | Diseñado para ellos | Diseñado para ellos | No optimizado |
MCP no reemplaza a OpenAPI: las APIs REST siguen siendo la fuente de verdad. Un servidor MCP típico es una fina capa que envuelve tu API existente y expone solo lo que el agente debe ver, con los permisos que tú decides.
Cuándo tiene sentido MCP en tu empresa
MCP tiene sentido cuando tienes más de un agente de IA que necesita tus herramientas internas.
Sí, claramente:
- Estás desplegando o vas a desplegar más de un agente IA que necesita herramientas internas.
- Quieres flexibilidad para cambiar de modelo de IA (de GPT a Claude, o probar modelos open-source) sin rehacer integraciones.
- Tienes datos sensibles que no pueden ir a un cloud de IA, pero quieres que los agentes los consulten de forma controlada.
- Tu equipo construye agentes en varios frameworks (n8n, LangGraph, código propio) y quieres una capa de herramientas compartida.
- Quieres exponer servicios internos (CRM, ERP, base de conocimiento) a herramientas como Claude Desktop, Cursor o ChatGPT empresarial de forma segura.
Aún no:
- Solo tienes un agente sencillo con dos integraciones bien acotadas. El function calling nativo basta.
- Tu stack es 100% propietario de un único proveedor (Microsoft Copilot Studio puro, por ejemplo) y no planeas salir de él.
- No tienes recursos para gobernar permisos correctamente en los servidores MCP. Sin gobernanza, MCP amplifica los riesgos.
Datos clave del mercado
MCP pasó de su publicación por Anthropic a tener el apoyo de OpenAI y Google en menos de seis meses.
- Al donar MCP a la Agentic AI Foundation, Anthropic informó (diciembre de 2025) de más de 10.000 servidores MCP públicos activos y más de 97 millones de descargas mensuales de los SDK de Python y TypeScript.
- Según GitHub Octoverse 2025, MCP llegó a 37.000 estrellas en GitHub en solo ocho meses.
- La Linux Foundation (diciembre de 2025) cita Claude, Cursor, Microsoft Copilot, Gemini, VS Code y ChatGPT entre los productos que han adoptado MCP.
| Fecha | Hito | Fuente |
|---|---|---|
| 25 de noviembre de 2024 | Anthropic publica MCP en código abierto | Anthropic |
| 26 de marzo de 2025 | OpenAI añade MCP a su Agents SDK | OpenAI Agents SDK v0.0.7 |
| 10 de abril de 2025 | n8n publica los nodos MCP Client Tool y MCP Server Trigger (versión 1.88.0) | n8n |
| 20 de mayo de 2025 | Google anuncia MCP en los SDK de Gemini | Google for Developers |
| 21 de mayo de 2025 | OpenAI añade servidores MCP remotos a la Responses API y entra en el comité de dirección de MCP | OpenAI |
| 9 de diciembre de 2025 | Anthropic dona MCP a la Agentic AI Foundation (Linux Foundation) | Linux Foundation |
| 10 de diciembre de 2025 | Google Cloud lanza servidores MCP remotos gestionados, empezando por Maps, BigQuery, Compute Engine y GKE | Google Cloud |
| 28 de julio de 2026 | Versión vigente de la especificación, sin saludo de inicialización | modelcontextprotocol.io |
Casos de uso reales en empresas B2B
Las empresas usan MCP sobre todo para compartir una integración entre varios agentes y dar acceso controlado a los datos.
Caso 1: Servidor MCP corporativo sobre Salesforce + base RAG
- Problema: una consultora tenía agentes en Claude para análisis comercial y otro en GPT para generación de propuestas. Cada uno con integración propia a Salesforce, y la base RAG sobre histórico de propuestas estaba duplicada en dos sitios.
- Solución: servidor MCP único que expone tools de consulta a Salesforce (con permisos por rol) y resources de la base RAG. Ambos agentes lo consumen sin modificación.
- Stack: servidor MCP custom (TypeScript) + Salesforce REST API + Qdrant (RAG) + OAuth corporativo.
- Resultado: mantenimiento reducido a una sola implementación. Cambiar de proveedor de IA es ahora una decisión comercial, no técnica.
Caso 2: Acceso seguro de Claude Desktop al data warehouse
- Problema: los analistas querían usar Claude Desktop para explorar datos de BigQuery, pero abrir un acceso directo desde un cliente de IA no era seguro.
- Solución: servidor MCP intermedio que valida la identidad del usuario (SSO), traduce las peticiones a queries SQL parametrizadas, aplica row-level security y devuelve solo los datos que ese usuario puede ver.
- Stack: MCP server en Python + BigQuery + Okta (SSO) + auditoría completa en Datadog.
- Resultado: Claude se convierte en una interfaz natural sobre el data warehouse sin saltarse ningún control de acceso ya existente.
Caso 3: Agente de soporte técnico con MCP a Jira, GitHub y Confluence
- Problema: un equipo de soporte L2 dedicaba horas a buscar información entre tickets de Jira, código de GitHub y documentación de Confluence para resolver incidencias.
- Solución: agente IA en LangGraph conectado a tres servidores MCP (uno por sistema). El agente busca, correlaciona y propone resolución con citas a las fuentes.
- Stack: LangGraph + Anthropic Claude + servidores MCP oficiales de Atlassian y GitHub + servidor MCP propio para Confluence interno.
- Resultado: primera respuesta del equipo de soporte cae a la mitad. Trazabilidad completa: cada respuesta del agente cita las fuentes consultadas.
Cómo desplegar MCP en producción: paso a paso
Desplegar MCP en producción lleva ocho pasos, desde elegir los primeros sistemas hasta vigilar el abuso.
Identifica los 3 a 5 sistemas internos más usados por tus agentes. Empieza por los que ya tienes integrados de forma manual y duplicada. CRM, base RAG, sistema de tickets suelen ser los primeros.
Instala servidores MCP existentes antes de construir los tuyos. Hay servidores oficiales para GitHub, Slack, Postgres, Google Drive, Notion, Linear, etc. Reutilízalos cuando cubran el 80%+ de tu caso.
Construye servidores MCP propios solo para sistemas internos o lógica específica. Hay SDK oficiales para diez lenguajes: TypeScript, Python, C#, Go, Rust, Ruby, Java, Swift, PHP y Kotlin. La curva de aprendizaje es de horas si ya conoces APIs REST.
Define permisos a nivel de tool y de resource. Cada agente que se conecta debe tener un perfil con qué tools puede invocar y qué resources puede leer. Principio de mínimo privilegio.
Implementa autenticación robusta. OAuth para acceso de usuarios finales, tokens de servicio para agentes desatendidos. Nunca tokens compartidos.
Añade auditoría completa. Cada llamada del cliente al servidor MCP debe registrar: qué agente, qué usuario, qué tool, qué argumentos, qué respuesta. La especificación de MCP recomienda a los clientes registrar el uso de las herramientas con fines de auditoría; el AI Act solo obliga a guardar registros automáticos (logs) en los sistemas de alto riesgo (artículo 12).
Despliega en infraestructura controlada. Para datos sensibles, autohospeda los servidores MCP. Para casos no críticos, MCP-as-a-Service de proveedores terceros puede ser suficiente.
Monitoriza uso y abuso. Tasas de error, llamadas inusuales, agentes que consultan más datos de los esperados. Es una superficie nueva de ataque.
Si vas a construir el tuyo, en cómo crear un servidor MCP para tu empresa detallamos la arquitectura local frente a remota, la autenticación por usuario y el mínimo privilegio por herramienta, paso a paso.
Errores comunes (y cómo evitarlos)
El error más común con MCP es exponer una base de datos entera a través de un único servidor genérico.
Error: exponer tu base de datos completa vía un único servidor MCP → La realidad: estás dando al agente acceso a todo, incluyendo lo que no debería ver. Diseña tools específicas y permisos finos, no un endpoint genérico de "ejecuta SQL".
Error: usar MCP cuando una API simple basta → La realidad: si tienes un único agente con dos integraciones triviales, MCP añade complejidad sin retorno. Reserva MCP para cuando el ecosistema crece.
Error: ignorar autenticación porque "es interno" → La realidad: el día que un agente se equivoca o un servidor MCP queda expuesto, sin autenticación tienes una brecha. OAuth o tokens, siempre.
Error: no versionar tus servidores MCP → La realidad: los agentes en producción dependen de la firma de las tools. Cambiar argumentos sin versionar rompe agentes en silencio.
Error: confiar en MCP servers públicos sin auditarlos → La realidad: un servidor MCP es código que ejecuta acciones contra tus sistemas. Audítalo como cualquier dependencia crítica.
Error: no aplicar rate limiting → La realidad: un agente con bug puede invocar la misma tool en bucle y saturar tu sistema. Los límites por agente y por tool son obligatorios, y la especificación exige a los servidores limitar la frecuencia con que se invocan las herramientas.
Tiempos y ROI realistas
Adoptar un servidor MCP existente lleva de horas a días; construir uno propio, de una a tres semanas.
Tiempo de implementación:
- Adoptar un servidor MCP existente para un sistema soportado: horas a días.
- Construir un servidor MCP propio para un sistema interno: 1 a 3 semanas según complejidad y permisos.
- Migración de integraciones existentes a arquitectura MCP corporativa: 2 a 4 meses según volumen actual.
Tiempo hasta ROI:
- Si despliegas 2+ agentes que comparten herramientas: ROI desde el segundo agente. La primera reutilización ya paga la inversión.
- Cambio de modelo IA proveedor (lock-in): el ahorro se materializa cuando ocurre. Un cambio que antes era de meses pasa a ser de días.
Métricas a medir desde el día 1:
- Número de servidores MCP activos y su tasa de uso.
- Llamadas por agente, por tool y por usuario.
- Errores y latencia por endpoint.
- Cobertura de auditoría: % de llamadas con trazabilidad completa.
- Reducción de líneas de código de integración tras adoptar MCP.
Riesgos de seguridad específicos de MCP
MCP tiene cuatro riesgos propios: envenenamiento de herramientas, suma de permisos, inyección de prompt por recursos y exposición en red.
- Tool poisoning: un servidor MCP malicioso o comprometido puede describir sus tools con instrucciones engañosas que el agente siga, y la guía de seguridad oficial de MCP avisa también de servidores que cambian la definición de sus herramientas después de que las hayas aprobado. Solo conecta servidores que controles o de proveedores con reputación.
- Acumulación de permisos: un agente que consume varios servidores MCP tiene la suma de los privilegios. Audita el conjunto, no solo cada servidor.
- Inyección de prompt vía resources: un documento malicioso devuelto por un resource puede contener instrucciones para el modelo. Filtra y sanitiza contenido externo.
- Exposición no intencionada: un servidor MCP local mal configurado puede quedar accesible en red. Restringe a localhost cuando aplique y usa firewall en otros casos.
La documentación oficial incluye buenas prácticas de seguridad, y la especificación establece que los clientes deben tratar como no fiables las anotaciones de las herramientas salvo que vengan de servidores de confianza.
Preguntas frecuentes
¿Qué diferencia hay entre MCP y los plugins de ChatGPT que existían antes?
Los plugins de ChatGPT eran propietarios de OpenAI, vivían en su infraestructura y solo funcionaban con sus modelos. MCP es abierto, vive donde lo despliegues y funciona con cualquier modelo compatible. La portabilidad y el control son la diferencia.
¿Necesito MCP si solo uso Claude o solo uso ChatGPT?
Sí, si planeas crecer en número de agentes o quieres protegerte de un cambio de proveedor en el futuro. Si solo tienes un caso simple y aislado, el function calling nativo basta hoy.
¿Es MCP seguro para datos sensibles?
Tan seguro como lo configures. El protocolo soporta OAuth, tokens de servicio y permisos finos. La parte crítica es la gobernanza: definir bien qué expone cada servidor y a quién. Para sectores regulados, autohospeda los servidores en infraestructura controlada.
¿Cómo encaja MCP con la EU AI Act?
Encaja bien si lo aprovechas: permite trazar cada acción del agente (qué tool invocó, con qué datos, qué devolvió). El AI Act obliga a guardar registros automáticos en los sistemas de alto riesgo (artículo 12), desde el 2 de diciembre de 2027 para los del anexo III, así que conviene diseñar el logging desde el principio.
¿Puedo usar MCP con n8n, LangGraph o frameworks open-source?
Sí. n8n añadió nodos MCP nativos en abril de 2025 (versión 1.88.0), y LangChain, LangGraph y LlamaIndex tienen integraciones oficiales con MCP. Los frameworks open-source han adoptado MCP como capa de herramientas estándar.
¿Qué pasa con los servidores MCP que ofrecen proveedores SaaS de IA?
Hay un ecosistema creciente de "MCP-as-a-Service" donde un proveedor te da el servidor MCP gestionado contra herramientas comunes (HubSpot, Slack, etc.). Útil para evitar mantenimiento, pero comprueba dónde residen los datos y qué auditoría ofrece.
¿Necesito un equipo dedicado para MCP?
No al principio. Empezar con servidores existentes y un par de propios lo puede llevar un desarrollador con experiencia en APIs en 1 a 2 semanas. A medida que crece el catálogo, conviene asignar ownership claro: alguien que sea responsable de los servidores y de los permisos.
¿Listo para construir un stack de agentes IA portable y seguro?
NAXIA despliega arquitecturas con MCP para empresas que quieren agentes de IA sin lock-in y con control sobre datos y permisos. Trabajamos con empresas españolas y europeas. Si tu equipo ya tiene varios agentes o planea crecer, hablemos, sin compromiso y sin powerpoints de 40 páginas.
Pide tu primera consulta gratuita
O si prefieres, explora primero nuestro proceso de implementación.
NAXIA es una agencia española de inteligencia artificial y automatización para empresas de todos los tamaños: diseña, implanta y mantiene agentes de IA, agentes de voz y automatizaciones integradas con los sistemas de cada cliente. Fundada en 2024, con sede en Pamplona (Navarra), trabaja con empresas de toda España y ha entregado más de 20 proyectos.