La revolución de MCP y la búsqueda de casos de uso duraderos de IA en la empresa

Cuando Anthropic presentó a finales de 2024 el Model Context Protocol —un estándar abierto para conectar modelos de lenguaje con herramientas externas, bases de datos y API—, pocos imaginaron la rapidez con que esta iniciativa transformaría el panorama de la IA empresarial. Algo más de un año después, MCP ha pasado de ser un protocolo de nicho a un estándar de facto respaldado por decenas de plataformas. Pero tras el crecimiento acelerado hay una verdad incómoda: el sector sigue sin respuesta a una pregunta fundamental: qué casos de uso de IA en la empresa son realmente duraderos.

De esto habla el investigador de IA Sebastian Valkötter en una extensa entrevista con KDnuggets. Su postura es a la vez optimista y sobriamente honesta. Por un lado, MCP resuelve un problema de ingeniería real.

Antes del protocolo, cada integración de un modelo de IA con un sistema corporativo —ya fuera un CRM, una base de conocimiento o una herramienta interna— exigía desarrollo a medida. Era como la época previa al USB, cuando cada dispositivo necesitaba su propio conector. MCP ofreció un «enchufe» unificado: una forma estandarizada de describir las herramientas disponibles, transmitir contexto y recibir resultados.

Para los desarrolladores, esto significa que un servidor MCP escrito una vez para Salesforce o PostgreSQL funciona con cualquier modelo compatible: Claude, GPT, Gemini o alternativas abiertas.

Sin embargo, Valkötter señala algo de lo que el sector prefiere hablar en voz baja: la seguridad del ecosistema MCP sigue siendo un problema serio. Por su propia naturaleza, el protocolo amplía la superficie de ataque. Cuando un modelo de lenguaje accede a sistemas corporativos mediante servidores MCP, aparece todo un abanico de amenazas: desde inyecciones de prompts que llevan al modelo a ejecutar acciones no previstas hasta la vulneración de los propios servidores MCP, que pueden ser sustituidos por versiones maliciosas.

El problema se agrava porque el ecosistema crece más rápido que las prácticas de auditoría y verificación. La comunidad ya ha registrado casos en los que servidores MCP de terceros contenían vulnerabilidades que permitían acceder a datos con los que el modelo no debería haber tenido relación.

Pero la tesis más provocadora del investigador no atañe a la tecnología, sino a la lógica de negocio. Valkötter plantea la cuestión sin rodeos: ¿qué casos de uso de IA en la empresa pueden considerarse estables? Por estabilidad entiende no solo fiabilidad técnica, sino un valor económico sostenido: que la solución de IA aporte de forma previsible más de lo que cuesta desplegarla y mantenerla.

Y aquí el panorama es menos halagüeño de lo que pintan los proveedores. Muchas empresas que implantaron agentes de IA para automatizar procesos de trabajo han comprobado que los modelos se comportan de forma impredecible en casos límite, requieren supervisión humana constante y cuestan más de lo previsto. La brecha entre las demostraciones impresionantes y el trabajo productivo cotidiano sigue siendo grande.

Esa brecha se aprecia sobre todo en los llamados agentes de IA: sistemas autónomos capaces de ejecutar cadenas de acciones sin intervención humana constante. MCP crea, en esencia, su base de infraestructura al darles acceso estandarizado a herramientas. Pero cuanta más autonomía recibe un agente, más altas son las apuestas.

Un error en la generación de texto es una molestia. Un error de un agente que envía correos a clientes en nombre de la empresa, modifica registros de una base de datos o inicia operaciones financieras es una catástrofe potencial. Valkötter subraya que el sector necesita no solo estándares técnicos como MCP, sino también estándares de confianza: métodos formalizados para determinar qué nivel de autonomía es admisible en cada escenario y qué garantías debe ofrecer el sistema.

La paradoja del momento actual es que la estandarización acelera y a la vez deja al descubierto los problemas. MCP reduce la barrera de entrada para crear integraciones de IA, lo que inevitablemente atrae a más experimentadores y multiplica los despliegues. Pero cada nuevo despliegue es otra prueba de resistencia que revela los límites de los modelos, del protocolo y de la preparación de las empresas. En cierto sentido, MCP cumple para la industria de la IA el mismo papel que HTTP desempeñó para la web temprana: crea un lenguaje común, pero no garantiza la calidad de lo que se diga en él.

Para el mercado ruso, estas conclusiones son especialmente relevantes. Las empresas nacionales que desarrollan sus propios modelos de lenguaje y plataformas de IA deben elegir: seguir a MCP como estándar global o desarrollar enfoques alternativos de integración. Dado que el protocolo es abierto y no depende de un proveedor concreto, apoyarlo parece la decisión pragmática, pero invirtiendo en mecanismos propios de seguridad y auditoría.

La principal lección de las observaciones de Valkötter es sencilla, pero importante: estandarizar la infraestructura es una condición necesaria, aunque insuficiente, para la madurez de la industria de la IA. Mientras no se resuelvan las cuestiones de previsibilidad, seguridad y justificación económica, la revolución de MCP seguirá siendo una revolución de tuberías: un trabajo de ingeniería impresionante cuyo valor depende de lo que acabe circulando por ellas.