MCP, el Model Context Protocol, es un estándar abierto que permite a los asistentes de IA conectarse con archivos, bases de datos, calendarios y herramientas creativas sin escribir código a medida para cada una. Este artículo desglosa clientes, servidores, herramientas y recursos con analogías sencillas, ejemplos reales y los riesgos que conviene vigilar.
Pide a un asistente de IA que revise tu calendario, lea una hoja de cálculo o arregle un error en tu repositorio, y es muy probable que reciba una educada disculpa. El modelo es muy capaz, pero está encerrado en una habitación sin puerta hacia tus archivos, tus aplicaciones o la web en vivo. MCP, abreviatura de Model Context Protocol (protocolo de contexto para modelos), es esa puerta. Es un estándar abierto que permite a las apps de IA conectarse con herramientas y datos externos a través de una única conexión compartida, de la misma forma que un solo puerto permite a un equipo portátil comunicarse con un monitor, un disco duro y una cámara. Este artículo explica qué es MCP, cómo funciona y cómo se nota en el uso diario, con cada idea ligada a algo que puedas imaginar.
💡 Respuesta rápida: MCP es un lenguaje común entre las apps de IA y las herramientas en las que se apoyan. Anthropic lo presentó en noviembre de 2024, y hoy productos de muchas otras empresas lo admiten.
MCP son las siglas de Model Context Protocol. Un protocolo es un conjunto de reglas acordadas sobre cómo se comunican dos programas. El contexto es la información que un modelo necesita para dar una respuesta útil: tus documentos, tus datos, el estado de tu proyecto. En conjunto, MCP es un conjunto de reglas para hacer llegar el contexto a un modelo y para que el modelo pueda actuar sobre él.
Sin un protocolo así, un modelo de IA solo conoce lo que absorbió durante el entrenamiento y lo que pegas en el chat. Por eso no puede decirte qué hay hoy en tu bandeja de entrada ni qué cambió en tu código esta mañana. MCP le ofrece una forma segura y estándar de preguntar.
La documentación de Anthropic compara MCP con un puerto USB-C para aplicaciones de IA, y la comparación se sostiene bien. Antes del USB-C, cada aparato traía su propio cable y su propia forma de enchufe. Un único puerto con una norma de señal acordada hace que cualquier dispositivo pueda comunicarse con cualquier otro.
MCP hace lo mismo con el software. Una app de IA que habla MCP puede conectarse con cualquier servidor que también hable MCP, tanto si lo creó la misma empresa como si lo publicó la semana pasada un desconocido.
Antes de MCP, conectar una IA con una herramienta era un trabajo a medida cada vez. Imagina que tienes 5 apps de IA y 20 herramientas que quieres que utilicen. Cada par necesita su propio puente, así que acabas con hasta 100 integraciones distintas, cada una con sus particularidades y su propio costo de mantenimiento.
MCP convierte esa multiplicación en una suma. Cada app de IA construye un cliente MCP, y cada herramienta construye un servidor MCP. Son 5 + 20 = 25 piezas en lugar de 100.
| Configuración | Apps de IA | Herramientas | Piezas que construir |
|---|---|---|---|
| Sin MCP | 5 | 20 | Hasta 100 |
| Con MCP | 5 | 20 | 25 |
Un adaptador de viaje universal es una buena imagen mental. No llevas un cargador distinto para cada país. Llevas un solo adaptador con clavijas deslizantes, y el enchufe de la pared importa mucho menos. MCP es ese adaptador para la conexión entre un modelo y el mundo que lo rodea.
Otra ventaja es que un servidor escrito una sola vez sigue funcionando a medida que aparecen nuevas apps de IA, así que el esfuerzo que inviertes en una conexión no caduca cuando cambias de asistente.
Las piezas móviles son sencillas una vez que les pones nombre. Tres roles, tres tipos de bloques de construcción y un formato de mensaje.
Un restaurante facilita recordar los roles. Tú eres el comensal, y el modelo de IA es la parte del equipo que decide qué pedir. El cliente es el camarero, que escribe la petición en un formato que la cocina entiende y la lleva. El servidor es la cocina, que hace el trabajo real y devuelve un plato listo para servir.
El camarero nunca cocina, y la cocina nunca necesita saber quién está sentado en la mesa seis. Cada parte solo tiene que respetar la comanda, y esa comanda es el protocolo.
Un servidor puede exponer tres tipos de bloques de construcción. La mayoría de los servidores usa solo uno o dos.
| Bloque de construcción | Quién decide usarlo | Significado sencillo | Ejemplo |
|---|---|---|---|
| Herramientas | El modelo | Acciones que la IA puede realizar | Crear una incidencia, enviar un mensaje, generar una imagen |
| Recursos | La app | Datos que la IA puede leer | Un archivo, una fila de base de datos, un documento |
| Prompts | El usuario | Plantillas listas para usar | "Revisa esta solicitud de cambios" |
Las herramientas son las que la gente nota primero. Imagina un panel perforado de taller donde cada herramienta de mano cuelga en su sitio marcado. Cada herramienta MCP también tiene un nombre, una breve descripción de lo que hace y una lista de las entradas que necesita. El modelo lee esas descripciones para decidir qué herramienta encaja con el trabajo, igual que tú coges la llave correcta mirando el panel.
Los recursos funcionan como una biblioteca. La IA no cambia nada. Está sacando un libro de la estantería para leer lo que contiene. Un recurso puede ser un archivo de texto, un registro de base de datos o un registro de ayer. El host suele decidir qué recursos adjuntar, y el modelo los lee como contexto.
Los prompts son el menú de atajos. Un servidor puede ofrecer una plantilla guardada, como "resume las incidencias de esta semana", y tú la eliges en lugar de escribir las instrucciones.
Por debajo, los mensajes MCP usan JSON-RPC 2.0, un formato de texto sencillo que dice "llama a este método con estos argumentos". Hay dos formas habituales de transportar esos mensajes:
Una llamada a una herramienta tiene este aspecto:
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/call",
"params": {
"name": "get_weather",
"arguments": { "city": "Lisbon" }
}
}
Nada de ese mensaje es mágico. Es un nombre de herramienta y algunos argumentos. Añadir un servidor local a una app suele ser igual de simple: unas pocas líneas de configuración que indican qué programa iniciar:
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/me/Documents"]
}
}
}
Esa entrada da a la IA acceso a una sola carpeta y a nada más.
Esto es lo que ocurre cuando preguntas "¿Cuáles de mis facturas están vencidas?" en una app conectada a un servidor de base de datos.
💡 Vale la pena fijarse en esto: el modelo nunca toca tu base de datos directamente. Solo pide, y el servidor decide qué está permitido. Esa separación es lo que hace que MCP sea viable en un entorno empresarial.
Ya existen miles de servidores MCP, desde los oficiales que mantienen las empresas detrás de las herramientas hasta pequeños proyectos de la comunidad. Cuatro familias muestran la variedad.
El servidor de sistema de archivos de referencia permite a una IA leer, buscar y editar archivos dentro de las carpetas que elijas. Pídele que renombre por fecha una carpeta de descargas desordenada, o que extraiga cada mención de un nombre de cliente de un montón de notas, y hará el trabajo archivo a archivo.
Los programadores fueron los primeros usuarios intensivos de MCP. Un servidor de GitHub puede leer incidencias y abrir solicitudes de cambios. Un servidor de base de datos puede ejecutar consultas de solo lectura. Un asistente de programación conectado a ambos puede encontrar la incidencia que falla, leer el código relacionado y proponer una corrección sin que tengas que copiar nada de una ventana a otra.
Un servidor de automatización de navegador, como uno basado en Playwright, permite a una IA abrir una página, completar un formulario y señalar qué ha fallado. Las herramientas de diseño y de gestión de proyectos también publican servidores, así que un asistente puede leer una maqueta o actualizar un tablero de tareas.
El trabajo creativo encaja muy bien con MCP, porque la generación es una llamada a una herramienta con una entrada clara (un prompt) y una salida clara (un archivo). PicassoIA ofrece una conexión MCP para sus modelos de imagen y video, incluidos PicassoIA Image y PicassoIA Image Editor Pro. Una vez conectada, una app de IA ve una lista corta de herramientas:
| Herramienta | Qué hace |
|---|---|
generate_image | Inicia un trabajo de imagen y devuelve un ID |
edit_image | Modifica una imagen existente a partir de una instrucción de texto |
get_generation | Comprueba un trabajo y devuelve las URL de los archivos terminados |
cancel_generation | Detiene un trabajo que todavía está en marcha |
Este ejemplo muestra por qué importan las descripciones de las herramientas. Los trabajos de imagen tardan un poco, así que generate_image no devuelve una imagen de inmediato. Devuelve un ID de trabajo. La IA tiene que leer las descripciones, darse cuenta de eso y llamar a get_generation tras una breve espera para recoger el resultado. Nadie escribió un script para esa secuencia. El modelo la dedujo a partir de la lista de herramientas. Las herramientas de video siguen el mismo patrón de enviar y luego consultar, y una cuenta puede ejecutar hasta 5 trabajos a la vez. Como la conexión sigue el estándar, las mismas herramientas funcionan desde cualquier app que admita MCP, sin una integración a medida para cada una.
La gente pregunta a menudo si MCP sustituye a las APIs. No es así. La mayoría de los servidores MCP llama internamente a una API normal. MCP es la capa que hace que esa API sea utilizable por un modelo.
| API normal | MCP | |
|---|---|---|
| Pensada para | Desarrolladores que escriben código | Modelos de IA que eligen acciones |
| Cómo se describen las capacidades | Documentación escrita para personas | Una lista de herramientas que el modelo lee en tiempo de ejecución |
| Añadir una nueva capacidad | Escribir nuevo código de integración | Conectar otro servidor |
| Reutilización entre apps de IA | Cada app necesita su propia integración | Cualquier cliente MCP puede conectarse |
| Formato de mensaje | Distinto para cada servicio | Un formato común |
La llamada a funciones es una habilidad del modelo: dada una lista de funciones, puede responder con una petición estructurada para ejecutar una de ellas. MCP es la infraestructura que rodea esa habilidad. Estandariza de dónde vienen las funciones, cómo se describen y cómo llega la llamada hasta lo que la ejecuta.
💡 Una forma sencilla de recordarlo: la llamada a funciones es el modelo decidiendo pulsar un botón. MCP es el cableado estándar que hay detrás de cada botón.
El soporte de MCP vive sobre todo en la app host, así que el mismo servidor puede funcionar con distintos modelos. Lo que cambia es lo bien que un modelo elige la herramienta correcta y completa las entradas. Estos modelos de lenguaje de PicassoIA son opciones habituales para trabajos con muchas herramientas:
| Modelo | Descrito en su página como | Buena opción para |
|---|---|---|
| Claude Sonnet 5 | Automatización de tareas de programación | Trabajo con código y repositorios |
| GPT 5.6 Sol | Resolución de tareas complejas de programación | Tareas de programación difíciles y de varios pasos |
| Gemini 3.5 Flash | Chat rápido, código e imágenes | Consultas rápidas y uso ligero de herramientas |
| Kimi K2.6 | Creación de agentes de IA y escritura de código | Flujos de trabajo tipo agente |
Busca un modelo que siga las instrucciones de cerca y devuelva entradas limpias y bien formadas. Empieza con un conjunto pequeño de herramientas, porque una lista larga de herramientas parecidas puede confundir a cualquier modelo. Usa un modelo más rápido para las consultas sencillas y reserva los más potentes para tareas que encadenan varias herramientas.
Dar a una IA herramientas reales le da alcance real. Ese es el objetivo, y también la razón para tener cuidado.
Una herramienta puede traer texto de una página web, un correo o un documento compartido. Si alguien ocultó instrucciones en ese texto, el modelo podría tratarlas como órdenes. Por ejemplo, una página web podría contener una línea oculta que diga al asistente que ignore sus instrucciones y envíe tus archivos a otro sitio. Trata todo lo que devuelve una herramienta como datos no fiables, limita lo que cada herramienta puede hacer y mantén activadas las solicitudes de aprobación para cualquier acción que envíe, borre o gaste.
La forma más rápida de notar lo que hace MCP es ver cómo una IA usa una herramienta por ti. Conecta una app compatible con MCP a tu cuenta de Picasso IA (los ajustes de conexión están en el área de tu cuenta en picassoia.com/en/mcp/accounts), y luego pide una imagen con lenguaje sencillo. Verás cómo el asistente envía el trabajo, comprueba su estado y te entrega el archivo terminado, que es todo el protocolo en acción.
Prueba prompts como estos:
Cada uno corresponde a una herramienta de la tabla de arriba, y cada uno es una pequeña lección sobre cómo MCP convierte una frase en una acción. Cuando quieras ver qué más ofrece la plataforma, explora todos los modelos en picassoia.com/en/all-models, y luego vuelve y dale a tu asistente una nueva herramienta que usar.
Elige tu idioma
