Habr AI publica una guía sobre ChatGPT, Claude y mcp para quienes se inician en el tema

Si todavía usas ChatGPT como sinónimo de toda la inteligencia artificial, el nuevo artículo de Habr AI puede cubrir tus lagunas básicas de una sola vez. Lejos de ser una introducción teórica a las redes neuronales, se trata de una guía práctica para quienes oyen hablar de «prompts», «tokens» o «servidores mcp» y no tienen muy claro cómo encaja todo eso en el trabajo real. La idea central del artículo es sencilla: los asistentes de AI ya se han convertido en una herramienta de trabajo habitual, pero solo se pueden usar con eficacia si se entienden sus limitaciones, su coste y su forma de interacción.

El primer gran bloque aborda qué se considera exactamente un asistente de AI. No se trata de una mítica «mente universal», sino de grandes modelos de lenguaje capaces de escribir y editar textos, ayudar con el código, analizar documentos, traducir, buscar información y generar ideas. El texto dedica un apartado a la diferencia entre modelos locales y en la nube.

Ejecutar un modelo en local con herramientas como Ollama ofrece control, privacidad e independencia de internet, pero exige un hardware potente y casi siempre queda por detrás en calidad de los modelos insignia en la nube. La opción en la nube, en cambio, da acceso rápido a los mejores modelos sin tener que montar infraestructura, a cambio de aceptar que los datos pasen por el proveedor y de asumir límites de pago.

El segundo bloque importante es un repaso del mercado. El artículo menciona ChatGPT de OpenAI, Claude de Anthropic, Gemini de Google, Grok de xAI y Copilot de Microsoft. La lógica de elección es totalmente práctica: ChatGPT se presenta como una herramienta generalista; Claude, como una opción sólida para documentos largos y código complejo; Gemini, como la extensión natural de Google Workspace, y Copilot, como una capa cómoda dentro del ecosistema de Microsoft.

En paralelo, el autor explica por qué pagar si existen versiones gratuitas. La respuesta corta: el acceso gratuito sirve para tomar contacto, pero el trabajo serio suele empezar cuando se desbloquean los modelos superiores, límites más amplios, el trabajo con archivos, las funciones de investigación y la API. La suscripción resulta práctica para uso personal, mientras que la API la necesitan sobre todo quienes integran el modelo en un producto o en procesos de automatización.

Otra sección útil trata sobre los tokens, la ventana de contexto y por qué la calidad de las conversaciones largas se degrada tan rápido para muchos usuarios. Los tokens se explican sin academicismos: son los fragmentos básicos de texto con los que opera el modelo y determinan tanto el coste de las consultas como la capacidad del contexto. Para los usuarios rusohablantes hay un detalle importante que las reseñas de marketing suelen pasar por alto: el texto en ruso normalmente «consume» más tokens que el inglés, por lo que llena antes la ventana del modelo y puede salir más caro a través de la API.

De ahí salen recomendaciones prácticas: no alargar el chat indefinidamente, llevar las decisiones clave a archivos aparte, abrir una nueva sesión cuando el agente empieza a perder el hilo y no intentar que el modelo escriba con una sola orden una aplicación entera, desde la base de datos hasta el despliegue.

La parte más práctica del artículo se centra en los agentes de AI. Aquí se traza una distinción clara entre un modelo convencional, que solo sabe responder con texto, y un agente, que obtiene acceso a archivos, terminal, navegador, correo, bases de datos o al IDE. Con este contexto se entienden mejor los clientes de escritorio, los agentes CLI y las extensiones de IDE como Cursor o Copilot: su valor depende de la calidad de la respuesta y, además, de su capacidad para actuar en el entorno del usuario.

Aun así, el artículo no idealiza la autonomía. Habla abiertamente de las alucinaciones, del riesgo de que tareas costosas en la API entren en bucle y de la necesidad de hacer commits antes de experimentar, dividir las tareas en subtareas y verificar cada resultado con tests, git diff y revisión manual. Para los desarrolladores, probablemente sea el fragmento más útil de todo el texto.

El artículo pone un énfasis especial en mcp como protocolo que convierte la AI de un interlocutor aislado en una interfaz hacia sistemas externos. La idea se explica con una metáfora sencilla: si USB-C se convirtió en el puerto único para dispositivos, mcp se está convirtiendo en la forma única de conectar modelos a archivos, bases de datos, GitHub, Slack, Notion, correo, búsqueda y otras herramientas. Por eso el tema ya desborda los chats y los prompts y empieza a tocar la infraestructura.

Para las empresas, esto supone pasar de «charlar con el modelo» a escenarios reales de automatización, en los que el asistente puede encontrar un informe, consultar la base de datos, crear una tarea o preparar un correo sin copiar datos a mano entre sistemas.

En resumen, el valor del artículo de Habr AI está en que desmonta falsas expectativas en lugar de prometer magia. Presenta la AI como una capa de trabajo normal, con sus tarifas, límites, riesgos y reglas de uso. La conclusión principal es sencilla: ganarán quienes hayan aprendido a formular la tarea, mantener el contexto bajo control, verificar el resultado y conectar el modelo a herramientas reales mediante agentes y mcp, no quienes simplemente hayan abierto un chat.