{"id":22661,"date":"2026-09-30T10:00:35","date_gmt":"2026-09-30T09:00:35","guid":{"rendered":"https:\/\/loxias.ai\/?p=22661"},"modified":"2026-10-13T18:07:25","modified_gmt":"2026-10-13T17:07:25","slug":"model-context-protocol-mcp-how-it-works","status":"publish","type":"post","link":"https:\/\/loxias.ai\/es\/blog\/model-context-protocol-mcp-how-it-works\/","title":{"rendered":"MCP hecho simple: qu\u00e9 es, c\u00f3mo funciona y por qu\u00e9 importa"},"content":{"rendered":"\n

Have you heard of MCP, or Model Context Protocol<\/a><\/strong>, one of the most talked about terms in generative AI? If you do not closely follow this space and have no idea what it means, here is a quick explanation.<\/p>\n\n\n\n

MCP fue lanzado en noviembre de 2024 por Anthropic, la empresa detr\u00e1s de Claude, para ayudar a abordar desaf\u00edos relacionados con la estandarizaci\u00f3n, portabilidad, complejidad y escalabilidad al conectar modelos de IA generativa con datos externos.<\/p>\n\n\n\n

Es un protocolo abierto que estandariza c\u00f3mo estos modelos se conectan a herramientas externas como bases de datos, APIs y sistemas empresariales, creando un puente que permite que la IA acceda y analice datos del mundo real a trav\u00e9s del lenguaje natural.<\/p>\n\n\n\n

Since December 2025, MCP has been maintained by the Agentic AI Foundation<\/a>, which is associated with the Linux Foundation, meaning the protocol is no longer controlled by a single company.<\/p>\n\n\n\n

When MCP was first released and quickly became a major topic in AI, I wondered: Is this just another kind of API repackaged with a powerful marketing campaign?<\/strong><\/p>\n\n\n\n

En este art\u00edculo, respondo a esa pregunta, explico c\u00f3mo funciona MCP y exploro qu\u00e9 cambia en la pr\u00e1ctica.<\/p>\n\n\n\n

<\/div>\n\n\n\n

\u00bfQu\u00e9 es MCP y c\u00f3mo est\u00e1 estructurado?<\/h2>\n\n\n\n

In technical terms, the way MCP is organized is called its architecture. MCP follows a client server model<\/strong>, the same basic model we use every day on the internet. When you type a website address into a browser such as Chrome, Safari, Firefox, or Edge, your computer or phone acts as the client. It requests a page stored on another computer, the server.<\/p>\n\n\n\n

Para que los dos lados puedan comunicarse, necesitan una interfaz compuesta por protocolos, que definen las reglas de la conversaci\u00f3n, y una API, o Interfaz de Programaci\u00f3n de Aplicaciones, que proporciona el canal a trav\u00e9s del cual se env\u00edan las solicitudes. Para hacer esto m\u00e1s f\u00e1cil de entender, imagina un restaurante.<\/p>\n\n\n\n

Eres literalmente el cliente. La cocina es el servidor, donde se prepara todo. El men\u00fa muestra qu\u00e9 est\u00e1 disponible, y el camarero act\u00faa como el puente entre t\u00fa y la cocina. Eliges un plato y haces tu pedido con el camarero. El camarero lleva la solicitud a la cocina y m\u00e1s tarde trae el plato terminado a tu mesa.<\/p>\n\n\n\n

Anthropic used a similar concept when designing MCP, which is built around three main components: the host, the client, and the server<\/strong>.<\/p>\n\n\n\n

The host<\/strong> is the AI application you use, such as Claude Desktop or ChatGPT. The MCP client<\/strong> runs inside the host and is responsible for making calls to the server. Each client connects to one server, but a host can have several clients running at the same time, allowing it to access multiple servers.<\/p>\n\n\n\n

One important distinction: in MCP, you are not the client<\/strong>.<\/p>\n\n\n\n

The client is the part of the AI application that carries requests to the server, much like the waiter in the restaurant example. The MCP server<\/strong>, meanwhile, provides access to an external system such as a database, an API, or even a social listening platform. It can offer three main types of functionality to the AI: resources, tools, and prompt templates<\/strong>.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Recursos<\/h3>\n\n\n\n

Recursos<\/strong> are the information that an MCP server makes available for the AI to read. Think of resources as a shelf of reference materials. The AI can read what is there, but it cannot change it. What appears on that shelf depends on the type of server. For an MCP server connected to a database, the resources might include database tables containing company data.<\/p>\n\n\n\n

Para un servidor conectado a una plataforma de escucha social, los recursos podr\u00edan incluir menciones de los medios sociales de una marca, junto con lo que la gente dijo y el sentimiento asociado con cada comentario.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Herramientas<\/h3>\n\n\n\n

Herramientas<\/strong> are the actions that an MCP server allows the AI to perform. If resources are the reference shelf, tools are the buttons the AI can press to make something happen. It might search for information, send a message, or update a record. This is one of the capabilities that makes MCP particularly powerful because AI can move beyond simply answering questions and begin taking actions.<\/p>\n\n\n\n

En un servidor conectado a una base de datos, las herramientas podr\u00edan permitir que el AI cree una tabla, ejecute una consulta o inserte nuevos registros. En un servidor de escucha social, una herramienta podr\u00eda permitir que el AI recupere menciones de la marca publicadas durante los \u00faltimos siete d\u00edas.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Plantillas de solicitud<\/h3>\n\n\n\n

Prompt templates<\/strong> are predefined instructions provided by an MCP server for tasks that are performed frequently.<\/p>\n\n\n\n

Si los recursos son la estanter\u00eda y las herramientas son los botones, las plantillas de solicitud son como recetas. En lugar de tener que explicar cada paso de una tarea al AI cada vez, el usuario puede seleccionar una receta predefinida y proporcionar solo la informaci\u00f3n que falta. Estas plantillas son creadas por los desarrolladores del servidor MCP, que entienden las tareas m\u00e1s comunes y saben c\u00f3mo estructurar las instrucciones de manera efectiva.<\/p>\n\n\n\n

For example, a social listening server might include a template for \u201csummarizing brand sentiment over the past week,\u201d<\/strong> where the user only needs to provide the brand name.<\/p>\n\n\n\n

<\/div>\n\n\n\n

\u00bfCu\u00e1l es la diferencia entre MCP y una API tradicional?<\/h2>\n\n\n\n

One of the easiest ways to understand the difference between a traditional API and MCP is to look at who creates them and who is expected to use them<\/strong>.<\/p>\n\n\n\n

Una API tradicional generalmente es creada por un programador para otro programador. Alguien que construye una API REST, por ejemplo, define rutas espec\u00edficas para acceder a los datos y escribe documentaci\u00f3n t\u00e9cnica que explica c\u00f3mo funcionan esas rutas. Otro programador lee la documentaci\u00f3n, entiende las reglas y escribe c\u00f3digo espec\u00edfico para conectarse a esa API.<\/p>\n\n\n\n

If something in the API changes, that code may stop working until someone updates it. MCP is different because it is designed by a programmer to be used by AI<\/strong>. Instead of simply exposing technical endpoints, an MCP server presents its tools, resources, and prompt templates together with descriptions written in natural language, much like the way we would explain them to another person.<\/p>\n\n\n\n

The entity reading those descriptions is not a piece of prewritten code. It is the AI model itself, which uses its reasoning capabilities to determine what to use and when. In practice, MCP does not replace APIs<\/strong>. It works as a layer on top of them.<\/p>\n\n\n\n

Muchos servidores MCP est\u00e1n construidos utilizando APIs que ya existen. La diferencia es que mientras cada API generalmente requiere c\u00f3digo de integraci\u00f3n personalizado, MCP proporciona un est\u00e1ndar com\u00fan que las aplicaciones de AI compatibles pueden entender.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Tabla 1. Diferencias clave entre MCP y una API tradicional<\/h3>\n\n\n\n
Caracter\u00edstica<\/th>API tradicional<\/th>MCP<\/th><\/tr><\/thead>
Para qui\u00e9n est\u00e1 dise\u00f1ado<\/strong><\/td>Programadores y sistemas desarrollados para seguir reglas predefinidas<\/td>Modelos de AI, LLMs y agentes aut\u00f3nomos<\/td><\/tr>
C\u00f3mo se descubren las capacidades disponibles<\/strong><\/td>Est\u00e1tico. Un programador lee la documentaci\u00f3n t\u00e9cnica y programa manualmente cada tipo de acceso<\/td>Din\u00e1mico. Cuando se establece la conexi\u00f3n, el AI recibe una lista de lo que el servidor proporciona junto con descripciones de cada elemento<\/td><\/tr>
Format<\/strong><\/td>Cada API tiene sus propias rutas, sintaxis y reglas<\/td>Un est\u00e1ndar com\u00fan en los servidores MCP, organizado en herramientas, recursos y plantillas de prompts<\/td><\/tr>
Continuidad<\/strong><\/td>Cada solicitud es t\u00edpicamente independiente de solicitudes anteriores, o sin estado<\/td>Mantiene una conexi\u00f3n continua entre el cliente y el servidor, lo que la hace adecuada para tareas de varios pasos<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

So, returning to the question from the beginning of the article: Is MCP simply another kind of API repackaged with a powerful marketing campaign?<\/strong><\/p>\n\n\n\n

La respuesta es no.<\/p>\n\n\n\n

Aunque ambas tecnolog\u00edas se utilizan para conectar sistemas, operan de maneras fundamentalmente diferentes.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Desmintiendo el mito de la \u201cCreaci\u00f3n M\u00e1gica\u201d<\/h2>\n\n\n\n

A common misconception is that MCP automatically discovers data or creates tools on its own, that is not how it works. Every resource and tool must first be programmed by someone with technical expertise who develops the MCP server. MCP does not program itself.<\/strong> The \u201cmagic\u201d is not in creating capabilities. It is in discovering and connecting to them<\/strong>.<\/p>\n\n\n\n

Con una API tradicional, si desea que una aplicaci\u00f3n de AI utilice una nueva funci\u00f3n, tambi\u00e9n es posible que deba cambiar el c\u00f3digo de la aplicaci\u00f3n que hace la llamada a la API. Con MCP, un desarrollador puede agregar la nueva funci\u00f3n al servidor.<\/p>\n\n\n\n

Cuando la aplicaci\u00f3n de AI se conecta, efectivamente pregunta:<\/p>\n\n\n\n

\u201c\u00bfQu\u00e9 puedes hacer?\u201d<\/strong><\/p>\n\n\n\n

El servidor responde con una lista de herramientas disponibles, y el AI determina c\u00f3mo y cu\u00e1ndo usar cada una en funci\u00f3n del contexto de la conversaci\u00f3n. Sin embargo, hay una limitaci\u00f3n importante: el AI solo puede usar las capacidades incluidas en esa lista. Otra analog\u00eda puede hacer la distinci\u00f3n m\u00e1s clara.<\/p>\n\n\n\n

Piense en una API tradicional como un cajero autom\u00e1tico. Los botones que se muestran en la pantalla son fijos. Si el banco quiere introducir una nueva funci\u00f3n, tiene que actualizar la interfaz. MCP es m\u00e1s como un c\u00f3digo QR que enlaza al men\u00fa de un restaurante.<\/p>\n\n\n\n

El due\u00f1o del restaurante, o servidor, todav\u00eda tiene que crear el men\u00fa. Pero cuando alguien llega a la mesa, el AI en esta analog\u00eda, solo necesita escanear el c\u00f3digo QR para ver inmediatamente todo lo que est\u00e1 disponible actualmente, incluso si el especial del d\u00eda cambi\u00f3 hace cinco minutos.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Ventajas de MCP en comparaci\u00f3n con las API tradicionales<\/h2>\n\n\n\n

Adem\u00e1s del descubrimiento din\u00e1mico, MCP ofrece dos ventajas pr\u00e1cticas sobre las integraciones de API tradicionales:<\/p>\n\n\n\n

    \n
  1. Menos c\u00f3digo de integraci\u00f3n y mayor estandarizaci\u00f3n<\/strong><\/li>\n\n\n\n
  2. Portabilidad<\/strong><\/li>\n<\/ol>\n\n\n\n

    Conectar una aplicaci\u00f3n de inteligencia artificial directamente a una API tradicional puede requerir una cantidad significativa de c\u00f3digo intermedio.<\/p>\n\n\n\n

    Ese c\u00f3digo puede necesitar interpretar lo que la inteligencia artificial solicit\u00f3, validar el formato, controlar los errores de la API y transformar la respuesta de la API en algo que la inteligencia artificial pueda entender. Y gran parte de este trabajo necesita ser recreado para cada aplicaci\u00f3n. Con MCP, este trabajo se maneja una vez a nivel de servidor y se presenta a la inteligencia artificial a trav\u00e9s de un formato estandarizado.<\/p>\n\n\n\n

    The result is less integration code and greater standardization<\/strong>.<\/p>\n\n\n\n

    Un servidor MCP creado hoy para el sistema interno de una empresa puede potencialmente ser utilizado con Claude Desktop, Cursor, una extensi\u00f3n de Visual Studio Code, o marcos de agente como LangChain y CrewAI. La integraci\u00f3n se crea una vez y puede ser utilizada por cualquier aplicaci\u00f3n de inteligencia artificial compatible que admita el protocolo MCP. Eso crea una ventaja de portabilidad significativa.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    C\u00f3mo funciona MCP en la pr\u00e1ctica y democratiza el acceso a los datos<\/h2>\n\n\n\n

    Imagina que una empresa utiliza una plataforma de escucha social con una API que proporciona acceso a menciones de marca en las redes sociales.<\/p>\n\n\n\n

    Hoy en d\u00eda, si alguien quiere combinar esa informaci\u00f3n con otros datos o realizar an\u00e1lisis m\u00e1s all\u00e1 de los paneles ya disponibles en la plataforma, una persona con experiencia t\u00e9cnica a menudo necesitar\u00e1 escribir c\u00f3digo o crear un informe personalizado. Con MCP, un desarrollador puede crear un servidor MCP sobre esa API.<\/p>\n\n\n\n

    A partir de ese momento, las personas en toda la organizaci\u00f3n, desde marketing hasta servicio al cliente, pueden conectar el servidor a Claude Desktop y hacer preguntas utilizando lenguaje natural.<\/p>\n\n\n\n

    El servidor MCP funciona como un traductor. Se sit\u00faa entre la API de la plataforma y Claude Desktop, convirtiendo consultas t\u00e9cnicas en conversaciones sencillas. En la pr\u00e1ctica, el proceso se puede resumir en tres pasos:<\/p>\n\n\n\n

    1. Crear el servidor<\/h3>\n\n\n\n

    Un desarrollador escribe c\u00f3digo utilizando un lenguaje de programaci\u00f3n como Python y lo conecta a la API de la plataforma. Dentro de ese c\u00f3digo, el desarrollador define las herramientas, d\u00e1ndole a cada una un nombre y una descripci\u00f3n clara de lo que hace.<\/p>\n\n\n\n

    2. Conectar el servidor<\/h3>\n\n\n\n

    El servidor MCP se agrega a Claude Desktop. Esto se puede hacer a trav\u00e9s de una extensi\u00f3n instalada con unos pocos clics o a trav\u00e9s de un archivo de configuraci\u00f3n, que generalmente es preparado por el equipo t\u00e9cnico.<\/p>\n\n\n\n

    3. Utilizar el servidor<\/h3>\n\n\n\n

    Una vez conectado, Claude puede acceder a los datos que la plataforma ha puesto a disposici\u00f3n. El usuario no necesita entender qu\u00e9 es un m\u00e9todo GET, un token de autenticaci\u00f3n o una paginaci\u00f3n.<\/p>\n\n\n\n

    They can simply ask: \u201cWhat were the most discussed topics about our brand last month, and what was the predominant sentiment?\u201d<\/strong><\/p>\n\n\n\n

    <\/p>\n\n\n\n

    La Figura 2 muestra c\u00f3mo funciona este proceso paso a paso.<\/em><\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"\"<\/figure>\n\n\n\n

    Cuando el usuario hace la pregunta, sucede lo siguiente:<\/p>\n\n\n\n

    Claude analiza la solicitud.<\/strong> Entre las herramientas que el servidor MCP proporcion\u00f3 cuando se estableci\u00f3 la conexi\u00f3n, Claude identifica una llamada search_brand_mentions<\/code>, con una descripci\u00f3n como: \u201eUtilice esta herramienta para recuperar menciones de marca en las redes sociales para un per\u00edodo especificado, incluyendo el tema y la opini\u00f3n de cada menci\u00f3n.\u201c<\/p>\n\n\n\n

    Claude uses the tool.<\/strong> It identifies and fills in the required information itself, for example:<\/p>\n\n\n\n

    start_date: \"2026-08-01\"<\/code>
    end_date: \"2026-08-31\"<\/code><\/p>\n\n\n\n

    Luego env\u00eda la solicitud al servidor.<\/p>\n\n\n\n

    The server communicates with the API.<\/strong> The MCP server calls the platform\u2019s API and receives a technical response containing data, codes, and identifiers. It then returns that information to Claude.<\/p>\n\n\n\n

    The user receives the answer.<\/strong> Claude interprets the data and presents it clearly.<\/p>\n\n\n\n

    Una respuesta hipot\u00e9tica podr\u00eda tener este aspecto:<\/p>\n\n\n\n

    \n

    \u201eEl mes pasado, la marca recibi\u00f3 aproximadamente 12,000 menciones. El tema m\u00e1s discutido fue el servicio al cliente a trav\u00e9s de la aplicaci\u00f3n, con comentarios predominantemente negativos, seguido de la nueva campa\u00f1a publicitaria, que recibi\u00f3 comentarios mayoritariamente positivos.\u201c<\/p>\n\n\n\n

    <\/div>\n<\/blockquote>\n\n\n\n

    Beneficios de este enfoque para usuarios no t\u00e9cnicos<\/h2>\n\n\n\n

    En lugar de contactar al equipo de An\u00e1lisis cada vez que necesitan una pieza de informaci\u00f3n, los gerentes, marketeros y analistas pueden consultar directamente la plataforma de escucha social utilizando lenguaje natural y sin necesidad de experiencia t\u00e9cnica.<\/p>\n\n\n\n

    This creates greater autonomy<\/strong>. At the same time, users do not gain unrestricted access to the database or every capability available through the API. They can only perform the actions that the MCP server allows.<\/p>\n\n\n\n

    If the server does not include a tool for deleting a monitoring project, Claude cannot perform that action through the MCP server, even if the user asks it to. This provides greater control<\/strong>.<\/p>\n\n\n\n

    Una vez que los datos llegan a Claude, el usuario tambi\u00e9n puede pedirle a la IA que analice los datos, cree gr\u00e1ficos, construya tablas o prepare un resumen ejecutivo, todo en pocos minutos y sin cambiar de herramientas. En otras palabras, el an\u00e1lisis puede continuar dentro de la misma conversaci\u00f3n. Sin embargo, democratizar el acceso a los datos no elimina la necesidad de salvaguardias.<\/p>\n\n\n\n

    Las respuestas de la IA pueden contener errores de interpretaci\u00f3n, por lo que los n\u00fameros utilizados para respaldar decisiones comerciales deben verificarse. Adem\u00e1s, cuando una empresa utiliza una aplicaci\u00f3n de IA externa, es posible que los datos corporativos se env\u00eden a un servicio externo. Ese uso debe cumplir con las pol\u00edticas de seguridad y privacidad de la organizaci\u00f3n.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Conclusi\u00f3n<\/h2>\n\n\n\n

    Un API tradicional es como una l\u00ednea de ferrocarril: eficiente y r\u00e1pida, pero solo puede viajar donde ya se han construido las v\u00edas. MCP es m\u00e1s como darle a la IA un mapa y un coche aut\u00f3nomo. Las carreteras, o herramientas, siguen siendo construidas por personas y deben estar previamente mapeadas. Pero la IA puede decidir qu\u00e9 ruta tomar seg\u00fan lo que cada solicitud requiera. Eso no significa que los API tradicionales est\u00e9n volvi\u00e9ndose irrelevantes o desaparecer\u00e1n. Al contrario, siguen siendo una base t\u00e9cnica esencial, y muchos servidores MCP se construyen sobre ellos.<\/p>\n\n\n\n

    What changes is that APIs now have an additional layer working with them. MCP acts as a translator that hides much of the technical complexity and allows more people to interact with company data using natural language. Ultimately, MCP does not make AI smarter. It makes AI more useful by giving it organized and controlled access to information that previously could only be reached by specialists.<\/strong><\/p>\n\n\n\n

    <\/h2>\n\n\n\n

    <\/p>\n","protected":false},"excerpt":{"rendered":"

    Have you heard of MCP, or Model Context Protocol, one of the most talked about terms in generative AI? If you do not closely follow this space and have no idea what it means, here is a quick explanation. MCP was launched in November 2024 by Anthropic, the company behind Claude, to help address challenges […]<\/p>\n","protected":false},"author":7,"featured_media":22663,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[48],"tags":[113,405,415,413,49,416,414,407,403,404,79,108,412,265,417],"class_list":["post-22661","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence","tag-ai-agents","tag-ai-integration","tag-ai-tools","tag-api","tag-artificial-intelligence","tag-claude-desktop","tag-data-accessibility","tag-data-integration","tag-enterprise-ai","tag-enterprise-data","tag-generative-ai","tag-mcp","tag-mcp-server","tag-model-context-protocol","tag-prompt-templates"],"acf":[],"_links":{"self":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/22661","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/comments?post=22661"}],"version-history":[{"count":1,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/22661\/revisions"}],"predecessor-version":[{"id":22664,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/22661\/revisions\/22664"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/media\/22663"}],"wp:attachment":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/media?parent=22661"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/categories?post=22661"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/tags?post=22661"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}