¿Qué es un MCP?

Cuando hablamos de Agentes de IA, es cada vez más común encontrarnos con un término llamado MCP.

MCP significa Model Context Protocol y, explicado de una forma sencilla, es un estándar que permite que los modelos y Agentes de IA puedan conectarse con diferentes herramientas, sistemas y fuentes de información de una manera mucho más estructurada.

Para entender por qué esto es importante, primero debemos mirar cómo funcionaban tradicionalmente las integraciones entre sistemas.

Antes del MCP: las integraciones a través de APIs

Durante años, cuando necesitábamos conectar dos sistemas, normalmente utilizábamos sus APIs.

Una API funciona como una puerta de acceso que permite consultar, enviar o actualizar información dentro de otra aplicación.

Por ejemplo, utilizando la API de un CRM como HubSpot podemos:

• Consultar contactos.
• Crear negocios.
• Actualizar propiedades.
• Registrar actividades.
• Consultar información de clientes.
• Crear o modificar registros.

Las APIs siguen siendo fundamentales y no van a desaparecer con MCP.

El problema está en que cada plataforma tiene su propia API, sus propias reglas y su propia estructura.

Si queremos conectarnos con HubSpot, debemos entender cómo funciona la API de HubSpot.

Si posteriormente queremos conectarnos con Google Drive, necesitamos entender la API de Google Drive.

Si después queremos consultar un ERP o una base de datos, debemos desarrollar nuevamente la lógica necesaria para trabajar con ese sistema.

Esto significa que muchas integraciones terminan siendo desarrollos prácticamente a la medida.

Conoce nuestro agente de ventas.
Conoce nuestro agente de servicio al cliente.

¿Qué cambia con MCP?

MCP busca crear una forma común para que la inteligencia artificial pueda entender y utilizar diferentes herramientas.

Podemos verlo como una especie de lenguaje universal entre los Agentes de IA y los sistemas con los que necesitan trabajar.

En lugar de que el agente tenga que entender directamente cómo funciona cada plataforma, puede conectarse a un MCP Server, que le presenta de forma estructurada las herramientas, recursos y acciones que tiene disponibles.

Podemos verlo así:

Agente de IA → MCP → sistemas y herramientas

Por ejemplo, un Agente de IA podría tener acceso mediante MCP a:

HubSpot → consultar contactos, negocios o actividades.

Google Drive → buscar y consultar documentos.

Bases de datos → consultar información.

ERP → revisar clientes, productos o facturas.

Sistemas internos → ejecutar procesos propios de la empresa.

APIs externas → consultar información de otros servicios.

El agente puede identificar qué herramientas tiene disponibles y decidir cuáles necesita utilizar dependiendo de la tarea que queremos realizar.

MCP no reemplaza las APIs

Este punto es importante.

MCP no significa que las APIs dejen de utilizarse.

En muchos casos, un MCP Server seguirá utilizando las APIs de las plataformas por detrás.

La diferencia está en cómo interactúa el Agente de IA con ellas.

En una integración tradicional podemos tener algo como:

Sistema → desarrollo personalizado → API → aplicación

Mientras que con un Agente de IA podríamos tener:

Agente de IA → MCP Server → API → aplicación

La API sigue siendo la puerta de entrada al sistema.

El MCP crea una capa que permite que el agente entienda de una manera estandarizada:

• Qué herramientas tiene disponibles.
• Qué información puede consultar.
• Qué parámetros necesita.
• Qué acciones puede ejecutar.
• Qué resultado puede esperar.

Esto reduce parte de la complejidad que antes teníamos que resolver directamente desde cada integración.

Un ejemplo sencillo de MCP

Imaginemos que tenemos un Agente de IA para el equipo comercial.

Le damos la siguiente instrucción:

“Revisa este cliente, dime qué negocios tiene abiertos y cuándo fue la última reunión que tuvo con nuestro equipo.”

El agente podría conectarse a HubSpot mediante MCP y realizar diferentes acciones.

Primero busca el contacto.

Después consulta los negocios asociados.

Luego revisa las actividades registradas.

Posteriormente identifica la última reunión.

Finalmente analiza toda la información y nos entrega una respuesta.

El flujo podría ser:

Solicitud del usuario 

Agente de IA → MCP → HubSpot → Consulta de contactos, negocios y actividades → Análisis de información → Respuesta

Lo interesante es que nosotros no tenemos que indicarle qué endpoint de la API debe utilizar o cómo debe construir cada consulta.

El agente conoce las herramientas disponibles a través del MCP y puede decidir cómo utilizarlas para completar el objetivo.

¿Por qué MCP es importante para los Agentes de IA?

Un Agente de IA realmente útil necesita hacer algo más que generar texto.

Necesita acceso a la información y a las herramientas que utilizamos dentro de una empresa.

Por ejemplo:

Un agente comercial necesita consultar el CRM.

Un agente de servicio necesita acceder a la base de conocimiento.

Un agente administrativo podría necesitar consultar facturas o documentos.

Un agente de operaciones podría necesitar revisar información dentro de una base de datos.

Un agente de desarrollo podría necesitar consultar repositorios, archivos o infraestructura.

Sin acceso a estas herramientas, el agente tiene capacidad de razonamiento, pero tiene poca capacidad de acción.

Podemos verlo de esta manera:

Agente sin herramientas

Usuario → pregunta → IA → respuesta.

Agente conectado mediante MCP

Usuario → objetivo → agente → consulta herramientas → analiza información → ejecuta acciones → entrega resultado.

Ahí es donde empezamos a hablar realmente de agentes que pueden participar dentro de nuestros procesos.

El MCP le entrega contexto al Agente de IA

El nombre Model Context Protocol también nos da una pista importante.

No se trata únicamente de ejecutar acciones.

También se trata de darle al modelo el contexto necesario para trabajar correctamente.

Un agente puede ser muy potente, pero si no tiene acceso a la información correcta, sus resultados serán limitados.

Por ejemplo, podemos tener un agente de ventas con capacidad para analizar oportunidades.

Pero si el agente no tiene acceso a:

• La información del CRM.
• Los negocios existentes.
• Las conversaciones anteriores.
• Las propiedades del cliente.
• Los documentos comerciales.
• Los productos de la empresa.

Su capacidad para tomar decisiones será mucho menor.

MCP permite conectar ese contexto con el modelo.

¿Cómo crear un MCP?

Para trabajar con MCP necesitamos normalmente un componente llamado MCP Server.

Este servidor es el encargado de poner determinadas herramientas y recursos a disposición del Agente de IA.

Un MCP Server puede ejecutarse localmente o puede estar alojado dentro de una infraestructura externa.

En The White Hub, cuando necesitamos mantener este tipo de servicios disponibles de manera permanente, normalmente utilizamos proveedores de infraestructura como DigitalOcean.

Dentro del servidor podemos configurar los accesos a las diferentes herramientas que queremos poner a disposición del agente.

Por ejemplo:

Agente de IA → MCP Server → HubSpot → Google Drive → Base de datos → ERP → Sistema interno → APIs propias

Posteriormente conectamos el Agente de IA con ese MCP Server.

Desde ese momento, el agente puede identificar qué herramientas tiene disponibles y utilizarlas cuando las necesite.

¿Necesito un servidor para utilizar MCP?

No siempre.

Un MCP Server también puede ejecutarse de manera local dentro de nuestro computador o dentro del entorno donde esté trabajando el agente.

Esto puede funcionar perfectamente para pruebas, desarrollo o procesos que solamente necesitamos ejecutar desde una máquina específica.

Sin embargo, cuando queremos que diferentes agentes tengan acceso permanente a esas herramientas, normalmente tiene sentido desplegar el MCP dentro de una infraestructura disponible de manera continua.

Ahí podemos utilizar proveedores como DigitalOcean, AWS, Azure, Google Cloud u otras alternativas.

¿Tengo que desarrollar mi propio MCP?

No necesariamente.

Cada vez existen más plataformas que ofrecen servidores MCP oficiales o desarrollados por la comunidad.

En esos casos, podemos configurar el MCP existente, establecer las credenciales necesarias y conectarlo con nuestro Agente de IA.

Pero también existen situaciones donde necesitamos trabajar con:

• Un sistema desarrollado internamente.
• Una API propia.
• Un ERP especializado.
• Una base de datos particular.
• Una lógica específica del negocio.

En esos casos podemos desarrollar nuestro propio MCP Server.

Aquí aparece una ventaja importante.

En lugar de desarrollar nuevamente toda la integración para cada agente, podemos crear las herramientas una vez dentro del MCP y posteriormente ponerlas a disposición de diferentes Agentes de IA compatibles con el protocolo.

API vs. MCP: ¿cuál es la diferencia?

Aunque están relacionados, no cumplen exactamente la misma función.

Por eso no debemos pensar en:

API vs. MCP

Como si uno fuera a reemplazar al otro.

En muchos casos la estructura será:

Agente de IA → MCP → API → sistema

Cómo usamos MCP en The White Hub

En The White Hub utilizamos MCP como una capa de conexión entre nuestros Agentes de IA y diferentes sistemas internos de la empresa.

Para esto desplegamos nuestro MCP Server en DigitalOcean, donde configuramos los accesos y herramientas que posteriormente pueden ser utilizadas por nuestros agentes.

Uno de los agentes que utilizamos para trabajar con este entorno es Codex.

A través del MCP, Codex puede consultar información de nuestros sistemas contables y cruzarla con datos disponibles dentro de nuestro CRM HubSpot.

Por ejemplo, podemos pedirle que:

• Consulte información registrada en nuestros sistemas contables.
• Identifique negocios marcados como ganados en HubSpot.
• Compare ambas fuentes de información.
• Detecte diferencias entre lo registrado comercialmente y lo registrado contablemente.
• Organice los resultados para facilitar su revisión.

El flujo funciona aproximadamente así:

Codex → MCP Server alojado en DigitalOcean → Sistema contable + HubSpot → Consulta y cruce de información → Análisis de resultados

Esto nos permite realizar consultas que anteriormente requerían revisar diferentes plataformas manualmente, exportar información y posteriormente compararla.

Por ejemplo, podemos solicitar:

“Revisa los negocios ganados en HubSpot durante este periodo y compáralos con la información registrada en el sistema contable.”

Codex puede utilizar las herramientas disponibles mediante nuestro MCP para consultar ambas fuentes, organizar los resultados e identificar posibles diferencias.

Lo importante es que Codex no necesita conectarse de forma independiente a cada sistema cada vez que queremos realizar una nueva consulta. El MCP funciona como la capa que pone esas herramientas a disposición del agente.

De esta forma podemos concentrarnos más en definir qué queremos analizar y menos en desarrollar nuevamente las conexiones necesarias para cada consulta.

Para nosotros, este es uno de los usos más interesantes de MCP: permitir que un Agente de IA trabaje sobre información distribuida entre diferentes sistemas y pueda convertirla en contexto útil para la operación.

MCP y el futuro de los Agentes de IA

Durante los últimos años gran parte de la conversación alrededor de inteligencia artificial se ha concentrado en los modelos.

Qué modelo es más inteligente.

Cuál tiene mayor contexto.

Cuál programa mejor.

Cuál responde más rápido.

Pero a medida que los Agentes de IA empiecen a utilizarse dentro de empresas, otra pregunta será igual o incluso más importante:

¿A qué herramientas puede acceder el agente?

Un agente puede tener una gran capacidad de razonamiento, pero si se encuentra completamente aislado de nuestros sistemas, seguirá teniendo una capacidad limitada para participar dentro de nuestros procesos.

El verdadero potencial aparece cuando puede conectarse con:

• CRM.

• ERP.

• Correos electrónicos.

• Documentos.

• Bases de datos.

• Calendarios.

• Repositorios.

• Aplicaciones internas.

• Y otros sistemas que hacen parte de nuestra operación.

• MCP busca crear un estándar para facilitar precisamente esa conexión.

MCP puede convertirse en una pieza fundamental de la infraestructura de IA

Podríamos pensar en un MCP Server como una capa intermedia entre nuestros sistemas y los Agentes de IA.

Por un lado tenemos nuestra infraestructura empresarial.

Por el otro tenemos los modelos y agentes.

En el medio podemos tener MCP permitiendo que ambos mundos se comuniquen de una manera más estandarizada.

Sistemas de la empresa → MCP → Agentes de IA

Esto puede hacer que construir nuevos agentes sea mucho más sencillo.

Porque si mañana creamos otro agente, no necesariamente tendremos que comenzar todas las conexiones desde cero.

Podemos darle acceso a las herramientas que ya tenemos disponibles mediante MCP.

El valor no está solamente en tener un Agente de IA, sino en conectarlo correctamente

Crear un Agente de IA no significa únicamente elegir un modelo y darle instrucciones.

Para que realmente genere valor dentro de una empresa debemos darle:

• Contexto.

• Herramientas.

• Acceso a información.

• Reglas claras.

• Permisos adecuados.

• Objetivos definidos.

Y MCP puede convertirse en una de las piezas que faciliten esa arquitectura.

Porque un agente aislado puede ser muy inteligente.

Pero un agente conectado a las herramientas y a la información correcta es cuando realmente empieza a ser útil.

Preguntas frecuentes sobre MCP

¿Qué significa MCP?

MCP significa Model Context Protocol. Es un protocolo diseñado para facilitar la conexión entre modelos de inteligencia artificial y diferentes herramientas, fuentes de información y sistemas.

¿MCP reemplaza las APIs?

No.

Las APIs siguen siendo fundamentales para conectar sistemas.

En muchos casos, el MCP utiliza las APIs internamente para consultar o modificar información.

MCP proporciona una forma estandarizada para que el Agente de IA pueda descubrir y utilizar esas capacidades.

¿Qué es un MCP Server?

Es el componente que pone herramientas, recursos y determinadas acciones a disposición de un modelo o Agente de IA.

El agente se conecta al MCP Server y puede identificar las capacidades que tiene disponibles.

¿Necesito desarrollar un MCP desde cero?

No siempre.

Existen plataformas y proyectos que ya ofrecen servidores MCP.

Si el sistema que necesitas utilizar tiene uno disponible, puedes configurarlo y conectarlo con tu agente.

Cuando trabajamos con sistemas propios o necesidades particulares, podemos desarrollar nuestro propio MCP.

¿Necesito DigitalOcean para crear un MCP?

No.

En The White Hub utilizamos DigitalOcean en algunos proyectos para desplegar este tipo de infraestructura, pero un MCP Server puede ejecutarse localmente o alojarse en diferentes proveedores de servidores y servicios cloud.

¿Puede un MCP conectarse con HubSpot?

Sí.

Un MCP puede poner a disposición de un Agente de IA diferentes acciones relacionadas con HubSpot, siempre que tenga las credenciales, permisos y conexiones necesarias.

Por ejemplo, consultar contactos, empresas, negocios, propiedades o actividades.

¿Un Agente de IA puede utilizar varios MCP?

Sí.

Un agente puede trabajar con diferentes herramientas y servidores MCP dependiendo de su configuración.

Esto permite crear agentes capaces de consultar múltiples sistemas durante una misma tarea.

¿MCP hace que los Agentes de IA sean autónomos?

MCP por sí mismo no convierte un modelo en un agente autónomo.

Lo que hace es facilitar el acceso a herramientas y contexto.

La autonomía depende de cómo esté diseñado el agente, qué acciones tenga permitidas, qué objetivos reciba y bajo qué reglas pueda trabajar.

De tener inteligencia a tener acceso

Hasta ahora nos hemos concentrado mucho en mejorar la inteligencia de los modelos.

Pero el siguiente paso será conectar esa inteligencia con nuestros procesos.

MCP puede convertirse en una pieza importante de esa transición.

Porque la diferencia entre una IA que conoce muchas cosas y una IA que realmente puede ayudarnos dentro de una empresa está en su capacidad para acceder a la información correcta y utilizar las herramientas adecuadas.

El modelo aporta la inteligencia.

MCP ayuda a conectarla con nuestros sistemas.

Y esa combinación es una de las bases sobre las que empezaremos a construir muchos de los Agentes de IA que utilizaremos en los próximos años.