Durante años, integrar un LLM con cualquier herramienta externa ha sido lo mismo: código a medida, frágil, difícil de mantener y prácticamente imposible de reutilizar. Conectabas tu modelo con una base de datos y era una cosa. Con un sistema de ficheros, otra distinta. Cada proyecto reinventaba la rueda con sus propios schemas, sus propias abstracciones y sus propios bugs. El Model Context Protocol llega para acabar con eso, y merece que lo miremos en serio.
MCP es un protocolo abierto publicado por Anthropic a finales de 2024 que define un estándar para que los modelos de lenguaje se comuniquen con herramientas y fuentes de datos externas. La idea es simple pero el impacto es grande: en vez de que cada app, cada framework y cada empresa invente su propia forma de conectar un LLM con el mundo, MCP propone una interfaz común. Como USB, pero para IA.
El problema que resuelve
Si has trabajado con tool use de Claude o con function calling de OpenAI, ya conoces el patrón básico: defines un schema JSON que describe una función, el modelo decide cuándo llamarla y tú ejecutas la lógica. Funciona, pero tiene un techo claro.
El problema no es la mecánica — es que cada integración es un silo. Si construyes una herramienta para Claude, no sirve para GPT-4 sin reescribirla. Si otro equipo construye algo útil, tienes que reimplementarlo tú. No hay estándar, no hay ecosistema, no hay reutilización real. Cada conexión entre un LLM y el mundo exterior es artesanal.
MCP ataca exactamente ese punto. Define una capa de protocolo por encima de las particularidades de cada modelo, de forma que una herramienta construida como servidor MCP puede ser usada por cualquier cliente compatible — Claude Desktop, Cursor, VS Code Copilot o tu propia app.
Cómo funciona realmente
MCP trabaja con arquitectura cliente-servidor. El cliente es quien tiene acceso al LLM — tu app, un IDE, Claude Desktop. El servidor es quien expone las capacidades: acceso a tu sistema de ficheros, a GitHub, a una base de datos, o a cualquier API que quieras conectar.
El protocolo define tres primitivas. Las Tools son acciones que el modelo puede ejecutar — leer un fichero, hacer una query, llamar a una API. El modelo decide cuándo y con qué parámetros. Los Resources son datos que el modelo puede consultar como contexto: documentos, esquemas, configuraciones. Los Prompts son plantillas reutilizables que el servidor puede exponer al cliente.
La comunicación puede ser local via stdio o remota via HTTP con SSE. Para desarrollo local, stdio es lo más sencillo: el cliente lanza el servidor como proceso hijo y se comunican por stdin/stdout.
Antes y después — un ejemplo real
Imagina que quieres que un agente IA pueda leer ficheros de tu proyecto. Sin MCP escribirías una función custom, la registrarías según el formato propietario del modelo, gestionarías la serialización de resultados y lidiarías con los edge cases de cada proveedor.
Con MCP, creas un servidor en Python con lo esencial:
from mcp.server import FastMCP
mcp = FastMCP("mi-servidor")
@mcp.tool()
def leer_archivo(ruta: str) -> str:
"""Lee el contenido de un archivo local"""
with open(ruta, "r", encoding="utf-8") as f:
return f.read()
if __name__ == "__main__":
mcp.run()
Ese servidor ya es compatible con Claude Desktop, Cursor y cualquier cliente MCP. No has escrito nada específico de ningún modelo. Si mañana añades una tool para listar directorio o escribir ficheros, es otro método con @mcp.tool(). El antes/después no es solo de cantidad de código — es de dónde vive la lógica. Con MCP la herramienta es tuya, portable, versionable y reutilizable.
El ecosistema que ya existe
Anthropic publicó servidores MCP de referencia para casos habituales: filesystem, GitHub, bases de datos SQL, Brave Search, Puppeteer para web scraping. La comunidad ha añadido decenas más. Si necesitas conectar tu LLM con algo común, probablemente ya existe un servidor MCP que puedes usar sin escribir una línea.
Claude Desktop tiene soporte nativo — configuras los servidores en un JSON y Claude los usa directamente en conversación. Cursor lo integró como parte de su experiencia de agente. El ecosistema se mueve rápido y la apuesta de Anthropic por abrirlo como estándar abierto ha acelerado la adopción.
Por qué importa esto más allá del tooling
Lo que hace interesante a MCP no es solo la comodidad técnica. Es que por primera vez hay una separación clara entre la capa del modelo y la capa de las capacidades. Eso tiene consecuencias arquitectónicas reales: puedes cambiar de modelo sin reescribir tus herramientas, puedes auditar qué capacidades expones a cada agente, puedes versionar y desplegar servidores MCP como cualquier otro microservicio.
Para quien está construyendo aplicaciones con IA hoy, ignorar MCP es una decisión que tendrás que deshacer dentro de seis meses. No porque sea una moda — sino porque resuelve un problema real de una forma que hace el código más limpio, más portable y más fácil de mantener.
Llevamos años construyendo sobre arena: cada integración custom, cada schema propietario, cada abstracción de framework que desaparece con la siguiente versión. MCP es el primer intento serio de poner cimientos estables. El ecosistema aún es joven, pero la dirección es clara. La pregunta no es si adoptarlo — es cuándo quieres empezar a entenderlo.