MCPs: qué son, para qué sirven y por qué cambian cómo trabajas con IA

En el último año el modo en que uso la IA ha cambiado absolutamente; en muy poco tiempo ha pasado de parecer un juguete muy sofisticado a convertirse en algo que de verdad cambia la forma en que trabajo. Ya no hablo de agentes o de “toma esta información y crea este informe”, hablo de construir con ella como un compañero virtual, palabra a palabra y curiosamente ese momento fue cuando dejé de copiar y pegar contexto en cada conversación.

Creo que muchas personas se reconocerán en este proceso: abres el chat con Claude o con cualquier otro modelo, pegas el fragmento del documento relevante, le explicas el contexto, pides lo que necesitas, lees la respuesta y vuelves a pegar en el sitio de origen. Cada sesión desde cero. Algo supuestamente inteligente, no sabía dónde estaban mis archivos, no podía leer mis datos directamente y eso me obligaba a hacer de intermediaria entre la IA y la información. Es un sistema potente, sí, pero también bastante tedioso.

Pues eso es justo lo que los MCPs cambian. Como siempre, unas siglas detrás de algo en tecnología… Y como suele pasar también casi siempre con las herramientas que de verdad cambian algo, al principio parecen técnicas y complicadas, y después de usarlas un rato se vuelven completamente obvias.

Qué es un MCP, sin tecnicismos

MCP son las siglas de Model Context Protocol. Es un protocolo abierto que publicó Anthropic a finales de 2024 y que define una manera estándar de conectar modelos de IA con el mundo exterior: archivos, bases de datos, APIs, servicios, lo que sea.

Como idea es bastante simple. Hasta ese momento, si querías que una IA pudiera hacer algo más que responder preguntas en un chat, tenías que construir una integración específica para cada herramienta, y cada fabricante usaba su propio sistema. Esto implicaba tener algunos conocimientos técnicos y la confianza suficiente como para “arriesgarte” a entrar en el famoso bucle del ensayo-error que viene de regalo cuando quieres empezar con algo. Lo más ventajoso de usar MCP es que el protocolo es siempre el mismo: el modelo habla con los conectores en el mismo idioma independientemente de lo que haya al otro lado.

Con símil práctico podríamos hablar de la del USB. Antes de que existiera, cada fabricante tenía su propio conector. Un disco duro, un cable; una impresora, otro diferente; un ratón, otro más. El USB estandarizó eso: no importa qué periférico conectes, el estándar es el mismo y cualquier ordenador lo entiende. Los MCPs hacen lo mismo, pero para que los modelos de IA se conecten con las herramientas y los datos que ya tienes.

Cómo funciona esto en la práctica

Esta es la pregunta del millón. Bajado al barro (o a la tecla y el ratón), el resultado es que un modelo como Claude puede, con los permisos adecuados y los MCPs instalados, leer y escribir en tu Google Drive, buscar en tu Gmail, consultar una base de datos, crear una rama en GitHub, enviar un mensaje a un canal de Slack o navegar por una web. Sin que tú le pases nada. Sin que tengas que actuar de intermediaria.

Sé que puede asustar, que hay mucha gente recelosa de sus accesos por miedo a vulneraciones de privacidad pero lo cierto es que no lo veo más arriesgado que pagar con el móvil o subir contenidos a redes sociales.

Yo lo uso en el proyecto de esta web. Claude tiene acceso directo a los archivos del repositorio: puede leer el código, proponer cambios, crear archivos, verificar que lo que ha tocado está bien. Cuando trabajábamos solo desde el chat, yo tenía que ir y volver copiando fragmentos de código de un lado a otro. Ahora la conversación ocurre donde viven los archivos, no al revés.

También tengo conectado Google Drive y Gmail. Siento el pánico absoluto de algunas personas en este punto… ¿sabes cuantos archivos con la recopilación de contraseñas o con documentación personal se almacenan en repositorios públicos de Google drive, One drive, etc.? Pues no hay un contador oficial, pero diversos estudios han determinado que entre el 0,5 y el 5% de los archivos que se suben a este tipo de espacios compartidos lo hacen con las opciones de privacidad erróneas.

En mi caso, Claude además puede advertirme sobre si un archivo delicado puede estar expuesto y el impacto práctico es inmediato: cuando me ayuda a redactar algo, puede mirar directamente los documentos de referencia que ya tengo guardados, sin que yo tenga que abrirlos, copiarlos y pegarlos. Para cosas como redactar un informe, estructurar una propuesta o hacer un análisis, la diferencia en tiempo y en fricción es muy visible.

Cómo bonus, algo me parece especialmente interesante: la verificación que va un poco de la mano del tema de la seguridad. Si le pido que modifique algo en un archivo y luego le pregunto si quedó bien, puede ir a leerlo y comprobarlo, no darme una respuesta basada en lo que recuerda haber hecho. Eso reduce errores de una forma que en la práctica nota mucho.

Por qué ha cambiado mi forma de trabajar

Siendo honesta he de decir que el primer cambio es la comodidad pero no es el único; lo verdaderamente clave es que cambia dónde ocurren las cosas.

Antes, el chat de la IA era el centro: tú llevabas los datos al modelo. Con MCPs, el modelo puede ir donde están los datos. Suena como un detalle, pero tiene consecuencias grandes en el tipo de tareas que puedes delegarle.

La primera consecuencia es que puedes solicitarle que haga labores más complejas, porque tiene acceso a más contexto real. No solo al fragmento que tú decidiste pegar: puede mirar el documento completo, el historial, el archivo de configuración, lo que necesite para entender bien lo que le estás pidiendo. Aquí hay una premisa esencial: el modelo que trabaja con la foto completa comete menos errores que el que trabaja con el recorte que alguien le pasó.

La segunda consecuencia es que empieza a ser posible construir flujos de trabajo que antes habrían requerido mucho más andamiaje. Un proceso que implicaba varias herramientas, varias pantallas y varias decisiones manuales puede ahora coordinarse desde un punto con acceso a todos los sitios que necesita. No es automatización en el sentido de un script que repite siempre lo mismo: es algo que puede razonar sobre lo que encuentra y tomar decisiones distintas según el caso y la verdad es que a mí aún me sigue haciendo gracia ver razonar a la IA, preguntarme dudas que le surgen y tomar decisiones.

La tercera consecuencia, quizá la menos evidente, tiene que ver con la calidad de la colaboración. Cuando el modelo tiene acceso al estado real de las cosas, las conversaciones cambian. En vez de tener que explicar el contexto desde cero en cada sesión, puedes continuar desde donde lo dejaste. La IA recuerda lo que hay, no lo que tú le contaste que había. En mi caso, muchas veces, debatimos si la solución es la óptima o podemos mejorarla y es algo que es bidireccional, yo corrijo a Claude, ella me corrige a mí… trabajo en equipo, aprendemos ambas.

Lo que no se debe olvidar

Con todo lo anterior dicho, hay cosas que conviene no perder de vista y aunque lo voy a desglosar en tres puntos lo cierto es que se resume en uno: el sentido común.

Lo primero que hay que tener muy claro es que acceso no es lo mismo que criterio. Un MCP le da al modelo acceso a tus archivos o a tu bandeja de entrada, pero eres tú quien decide qué pedirle y cómo pedirlo. Conectar un MCP no convierte a la IA en un agente autónomo que decide por su cuenta qué mirar y qué hacer. El modelo responde a instrucciones. Cuanto más claro eres en lo que pides, mejor funciona.

Lo segundo es que el ecosistema es joven, que esto es algo que se cura con el tiempo pero ahí está. Hay MCPs que llevan meses en producción y son muy estables; hay otros que son experimentos en desarrollo activo donde los bugs forman parte del paquete. Antes de fiar un flujo de trabajo importante a un MCP nuevo, merece la pena probarlo un rato con cosas que no sean críticas.

Lo tercero y no menos importante es una cuestión de permisos que parece obvia pero se pasa por alto con facilidad: piensa bien qué estás conectando y con qué nivel de acceso. Dar acceso de lectura a una carpeta de documentos internos tiene unas implicaciones. Dar acceso de escritura tiene otras. No es que sea peligroso por defecto, es que merece la misma consideración que darías a cualquier otra integración que conecta un sistema externo con tus datos.

Lo que pasa al cuaderno de bitácora

• El protocolo estándar es lo que lo hace útil. Si cada MCP hubiera tenido que inventar su propia forma de comunicarse con el modelo, esto no habría funcionado. Lo que hace que el ecosistema crezca rápido es que cualquiera puede construir un conector nuevo siguiendo el mismo estándar, y cualquier modelo que hable MCP lo entiende. El valor está en la estandarización, no en ningún conector en concreto.
• El cambio más inmediato no es la automatización, es el contexto. La gente tiende a pensar en los MCPs como herramientas de automatización, y pueden serlo, pero el impacto más visible en el día a día es que el modelo tiene más y mejor información para trabajar. Eso solo ya mejora mucho la calidad de lo que produce, incluso en tareas que no tienen nada de automáticas.
• Conectar no reemplaza saber pedir. Los MCPs hacen que el modelo pueda ver más cosas, pero no hacen que sea mejor decidiendo qué hacer con ellas si no le das buenas instrucciones. La capacidad de acceso sube; la responsabilidad de saber qué necesitas y cómo pedirlo sigue siendo tuya.
• El ecosistema crece rápido. Cuando Anthropic publicó el protocolo en noviembre de 2024, había un puñado de conectores. Hoy hay cientos, incluyendo los principales servicios que usa cualquier equipo de trabajo. Vale la pena revisar de vez en cuando qué hay disponible, porque la respuesta cambia cada pocas semanas.
• Empieza por algo concreto. La mejor forma de entender lo que cambia es conectar una herramienta que uses a diario y ver qué pasa. No hace falta rediseñar ningún flujo de trabajo: con ver cómo responde el modelo cuando tiene acceso directo a algo que normalmente le tendrías que copiar y pegar, la diferencia se entiende sola.