MCP: ¿qué es? El Model Context Protocol explicado

#MCP en un párrafo

Un modelo de lenguaje, por sí solo, únicamente puede producir texto a partir de lo que ha aprendido y de lo que contiene el prompt. Para consultar tu agenda, hacer consultas a la base de datos de la empresa o abrir un documento, necesita un puente hacia el exterior. Antes de MCP, cada aplicación construía sus propios puentes: un formato de plugin por asistente, otro por editor de código y otro por framework de agentes. MCP reemplaza todo esto por una sola especificación. El autor de una herramienta escribe un servidor MCP y cualquier aplicación compatible puede usarlo. La imagen habitual es la del USB-C: un conector, muchos dispositivos.

En diciembre de 2025, Anthropic confió el protocolo a la Agentic AI Foundation, alojada en la Linux Foundation. Por tanto, MCP ya no pertenece a un proveedor de software, lo que explica en parte la rapidez de su adopción.

• La especificación oficial del Model Context Protocol
• El anuncio original de Anthropic (noviembre de 2024)

#Anfitrión, cliente, servidor: quién hace qué

Los mensajes intercambiados usan JSON-RPC 2.0. Al iniciar, cada cliente pregunta a su servidor qué sabe hacer. El servidor responde con una lista de capacidades, cada una con un nombre, una descripción en lenguaje corriente y un esquema JSON que describe sus parámetros. El host transmite estas descripciones al modelo. Cuando el modelo considera que una herramienta sería útil, genera una llamada estructurada; el cliente la transmite al servidor, que la ejecuta y devuelve el resultado en la conversación.

#Lo que un servidor MCP puede ofrecer

En la práctica, la mayoría de los servidores ofrecen solo herramientas, y eso es lo que comúnmente se entiende por «MCP». El protocolo incluye también funciones en sentido inverso: el sampling, donde el servidor pide al anfitrión que genere texto con su modelo, y la elicitation, donde el servidor pide al usuario una información faltante durante la ejecución en lugar de fallar o adivinar.

#Adopción y gobernanza, un año después

El cambio se produjo en unos pocos meses. En marzo de 2025, Sam Altman escribió que los usuarios adoraban MCP y que OpenAI incorporaba el soporte en sus productos; ChatGPT, el SDK Agents y la API Responses lo integraron después. En abril de 2025, Demis Hassabis confirmó que Gemini y las herramientas de Google DeepMind incorporarían MCP, calificando al protocolo como una norma emergente para la era de los agentes. Microsoft lo siguió integrando en Copilot Studio, y luego anunció soporte nativo y seguro en Windows 11.

El 9 de diciembre de 2025, la Linux Foundation creó la Agentic AI Foundation (AAIF): Anthropic, Block y OpenAI son sus miembros fundadores; AWS, Bloomberg, Cloudflare y Google se han unido a ella. MCP, el protocolo A2A de Google y un proyecto de Block se alojan juntos en ella, bajo la misma gobernanza neutral que Kubernetes o PyTorch. Este cambio responde a una crítica frecuente de 2025: un estándar «abierto» en el que un único proveedor mantenía el control de las decisiones. Para un lector que monta un stack local, la consecuencia concreta es doble: menos riesgo de que una decisión unilateral de Anthropic haga que un servidor existente deje de funcionar, y más colaboradores activos para mantener los kits de desarrollo (SDK) oficiales de Python, TypeScript, Java, C# y Rust utilizados por los servidores comunitarios.

#Local o remoto: ambos transportes

stdio

El host inicia el servidor como un subproceso local y se comunica con él mediante la entrada y la salida estándar. Nada pasa por la red. Es el modo que utilizan la mayoría de las instalaciones de escritorio y la opción natural para una configuración privada.

Streamable HTTP

El servidor funciona como un servicio web, posiblemente en otra máquina, con autenticación convencional. Este transporte ha sustituido a la antigua combinación de HTTP y SSE en las revisiones de 2025 de la especificación.

#MCP, llamada a funciones, API: las diferencias

MCP no reemplaza el function calling, sino que se basa en él. El modelo sigue teniendo que saber generar una llamada a una herramienta correctamente. MCP normaliza todo lo que rodea ese momento: cómo se enumeran, describen, autorizan y ejecutan las herramientas. Un servidor MCP es muy a menudo una capa fina sobre una API existente.

#MCP con un modelo local: el verdadero costo

MCP no depende del modelo. Con un host compatible y un modelo local entrenado para llamar a herramientas, todo el bucle funciona en tu máquina. Dos restricciones pesan entonces mucho más que en la nube.

Primera limitación: las descripciones de las herramientas consumen contexto, y el contexto consume VRAM. Cada herramienta conectada introduce su nombre, su descripción y su esquema en el prompt en cada turno. Calcula entre 100 y 300 tokens por herramienta y entre 10 y 30 herramientas por servidor popular. Con unos pocos servidores, se consumen varios miles de tokens antes de que hayas escrito una palabra. Con un proveedor en la nube, eso aparece como un concepto en la factura. En tu GPU, es caché KV que ocupa parte de una VRAM cuya capacidad no aumenta.

En una tarjeta de 16 GB que ejecuta un modelo de 13 GB, 2,4 GB de descripciones de herramientas marcan la diferencia entre una sesión que funciona y un error de memoria. La regla práctica para el uso local: conecta solo los servidores útiles para la tarea del momento y prefiere los que exponen unas pocas herramientas bien descritas a los que publican toda su API.

Segunda restricción: los modelos pequeños eligen peor. Seleccionar la herramienta adecuada entre treinta y completar correctamente su esquema es una habilidad que depende del tamaño y del entrenamiento. Por debajo de unos 8 mil millones de parámetros, los errores al elegir herramientas y los parámetros inventados se vuelven frecuentes.

• Tutorial: conectar servidores MCP a Ollama
• MCP y plugins en LM Studio
• Los mejores LLM locales para agentes y llamadas a herramientas
• Reducir el costo del contexto: cuantizar el caché KV

#Seguridad: lo que los tutoriales olvidan

Un servidor MCP es un programa que se ejecuta con tus permisos y recibe texto generado por un modelo. Conviene comprender tres riesgos antes de instalar cualquier cosa.

Inyección de prompt

Si una herramienta devuelve contenido proveniente del exterior (una página web, un correo, un comentario), ese contenido puede contener instrucciones dirigidas al modelo. Un modelo que lee texto no fiable y puede actuar es un objetivo.

Envenenamiento de herramientas

Un servidor malicioso puede ocultar instrucciones en la descripción de sus propias herramientas, que el modelo lee y que el usuario generalmente nunca ve.

Permisos demasiado amplios

Un servidor de archivos configurado para acceder a tu carpeta personal da al modelo acceso a esa carpeta.

Las medidas de protección no son espectaculares: instalar servidores de procedencia conocida, limitar cada uno al ámbito más reducido posible, mantener la solicitud de confirmación para todo lo que escriba o envíe y evitar mezclar, en una misma sesión, el acceso a datos privados con la lectura de contenido no fiable.

• Los servidores de referencia mantenidos por el proyecto MCP

#¿Lo necesitas?

Ejemplo concreto: el propio catálogo QuelLLM está disponible a través de un servidor MCP de código abierto. Un asistente conectado a él responde a «¿qué modelo cabe en una tarjeta de 16 GB?» a partir de datos actualizados, y no de su memoria.

• API pública y servidor MCP de QuelLLM
• El kit de agentes locales: montar un agente con herramientas de principio a fin

#FAQ