MCP (Model Context Protocol): guía completa para conectar IA con herramientas

Qué es MCP (Model Context Protocol)

MCP (Model Context Protocol) es un protocolo abierto creado por Anthropic que permite a los modelos de IA conectarse con herramientas externas de forma estandarizada. Piensa en MCP como un puerto USB universal para la inteligencia artificial: en lugar de construir integraciones personalizadas para cada herramienta, MCP define un lenguaje común que cualquier modelo puede usar para interactuar con bases de datos, repositorios de código, APIs, sistemas de archivos y cientos de servicios más.

Antes de MCP, conectar un LLM con una herramienta externa requería escribir código ad hoc para cada integración. Si querías que Claude consultara tu base de datos Supabase, necesitabas un wrapper personalizado. Si querías que interactuara con GitHub, otro wrapper diferente. MCP elimina esa fragmentación: un único protocolo, infinitas conexiones.

La analogía más precisa es la de los drivers de impresora. En los años 90, cada impresora necesitaba su propio driver para cada sistema operativo. Después llegaron los estándares (USB, IPP) y cualquier impresora funciona con cualquier ordenador. MCP hace lo mismo para la conexión entre IA y herramientas.

MCP fue lanzado como proyecto open source en noviembre de 2024 y en 2026 se ha convertido en el estándar de facto para integraciones de IA. Lo adoptan Claude (Anthropic), OpenAI, Google y decenas de herramientas independientes.

Por qué MCP es importante en 2026

MCP resuelve tres problemas fundamentales que limitaban la adopción de IA en entornos profesionales:

1. Fragmentación de integraciones

Sin MCP, cada combinación de modelo + herramienta requiere una integración propia. Con 10 modelos y 50 herramientas, necesitas 500 integraciones. Con MCP, necesitas 10 + 50 = 60 implementaciones. La reducción de complejidad es exponencial.

2. Acceso a datos en tiempo real

Los LLMs tienen un conocimiento que se congela en su fecha de entrenamiento. MCP les da la capacidad de consultar datos actualizados: tu base de datos, tus repositorios, tus documentos. Ya no dependes de copiar y pegar contexto en el chat.

3. Ejecución de acciones reales

MCP no es solo lectura. Los modelos pueden ejecutar acciones: crear un issue en GitHub, insertar registros en Supabase, desplegar un contenedor Docker. Esto transforma al LLM de un asistente de texto en un agente que opera sobre tu infraestructura real.

Para los equipos de desarrollo, MCP es especialmente transformador. Un desarrollador con Claude Code + MCP puede pedirle al modelo que revise un PR en GitHub, consulte la base de datos para entender el contexto, ejecute tests y proponga un fix. Todo en una sola sesión, sin salir del terminal.

Si quieres ver MCP en acción con Claude Code, nuestra guía de MCP con Claude cubre la configuración inicial y los primeros casos de uso paso a paso.

Cómo funciona MCP: arquitectura y flujo

MCP sigue una arquitectura cliente-servidor con tres componentes principales:

• MCP Host: la aplicación que usa el modelo de IA. Puede ser Claude Code, un IDE con extensiones de IA, o cualquier aplicación que integre un LLM. El host es quien inicia la comunicación.
• MCP Client: la capa de protocolo que traduce las peticiones del host al formato JSON-RPC que entiende el servidor. Es transparente para el usuario: simplemente funciona.
• MCP Server: el conector con la herramienta externa. Cada herramienta (Supabase, GitHub, Docker, filesystem) tiene su propio servidor MCP que expone capacidades específicas: herramientas (tools), recursos (resources) y prompts predefinidos.

El flujo es simple. Cuando le pides a Claude "consulta los usuarios activos en mi base de datos", ocurre lo siguiente: (1) Claude identifica que necesita el servidor MCP de Supabase, (2) envía una petición JSON-RPC al servidor, (3) el servidor ejecuta la query SQL, (4) devuelve los resultados a Claude, (5) Claude interpreta los datos y te responde en lenguaje natural.

Lo que diferencia a MCP de otros protocolos es que el modelo tiene autonomía para decidir qué herramientas usar y cuándo. No es un pipeline rígido: es un protocolo conversacional donde el LLM razona sobre qué acciones tomar.

Tipos de capacidades MCP

Cada servidor MCP puede exponer tres tipos de capacidades:

• Tools (herramientas): acciones que el modelo puede ejecutar. Ejemplo: execute_sql en Supabase, create_issue en GitHub.
• Resources (recursos): datos que el modelo puede leer. Ejemplo: el esquema de una tabla, el contenido de un archivo.
• Prompts: plantillas predefinidas para tareas comunes. Ejemplo: un prompt optimizado para analizar logs de error.

Servidores MCP: el ecosistema

En mayo de 2026, el ecosistema MCP cuenta con más de 300 servidores oficiales y comunitarios. Los más relevantes por categoría:

Bases de datos

• Supabase MCP: gestión completa de PostgreSQL con RLS, migraciones, edge functions y tipos TypeScript. El más maduro. Ver tutorial completo.
• PostgreSQL, MySQL, SQLite: servidores genéricos para bases de datos SQL.
• Qdrant: base de datos vectorial para búsquedas semánticas y RAG.

Desarrollo y DevOps

• GitHub MCP: issues, PRs, búsqueda de código, gestión de ramas. Imprescindible para desarrolladores. Ver guía de automatización.
• Docker MCP: gestión de contenedores, logs, compose, ejecución de comandos.
• Filesystem: lectura y escritura de archivos en directorios autorizados.

Productividad

• Slack, Notion, Google Calendar: integración con herramientas de trabajo en equipo.
• Gmail: lectura y gestión de correo electrónico.
• Airtable: gestión de bases de datos no-code.

Para aprender a instalar y configurar estos servidores en tu entorno, la guía de configuración de servidores MCP explica el proceso paso a paso, desde la instalación hasta la verificación de que todo funciona correctamente.

MCP + Supabase: bases de datos con IA

La combinación de MCP con Supabase es una de las más potentes del ecosistema. Supabase expone un servidor MCP oficial que permite a Claude (y otros modelos) interactuar directamente con tu base de datos PostgreSQL.

Lo que puedes hacer con MCP + Supabase:

• Ejecutar SQL en lenguaje natural: "muéstrame los usuarios que se registraron esta semana" se traduce automáticamente a la query correcta.
• Crear migraciones: el modelo genera y aplica migraciones SQL basándose en tu descripción del cambio.
• Gestionar edge functions: desplegar funciones serverless directamente desde Claude Code.
• Analizar esquema: el modelo lee la estructura de tus tablas, índices y políticas RLS para entender tu dominio.
• Generar tipos TypeScript: sincronizar los tipos de tu frontend con el esquema real de la base de datos.

La integración es especialmente útil durante el desarrollo. En lugar de alternar entre tu IDE, el dashboard de Supabase y la documentación, le pides a Claude que haga los cambios directamente. El ahorro de tiempo y cambios de contexto es significativo.

Si quieres implementar esta integración en tu proyecto, el tutorial de MCP + Supabase cubre todo el proceso: desde la conexión inicial hasta consultas avanzadas con RLS y migraciones automatizadas.

MCP + GitHub: automatizar repositorios

GitHub es el segundo pilar del ecosistema MCP para desarrolladores. El servidor MCP de GitHub permite que tu modelo de IA opere directamente sobre tus repositorios, sin salir del terminal.

Casos de uso reales:

• Triaje de issues: Claude lee los issues abiertos, los clasifica por prioridad, asigna labels y sugiere quién debería resolverlos.
• Code review automatizado: el modelo lee los cambios de un PR, consulta el contexto del proyecto y deja comentarios constructivos.
• Búsqueda de código: "encuentra todas las funciones que acceden a la tabla users sin pasar por RLS" funciona al instante.
• Gestión de ramas: crear branches, fusionar PRs, resolver conflictos simples.
• Automatización CI/CD: combinar MCP GitHub con Claude Code headless para revisiones automáticas en cada push.

La clave de MCP + GitHub no es que haga una cosa bien, sino que el modelo puede combinar acciones. Puede leer un issue, buscar el código relacionado, proponer un fix, crear un branch, hacer commit y abrir un PR. Todo en una secuencia fluida.

Para configurar esta integración y ver ejemplos prácticos, la guía de MCP + GitHub incluye la configuración del token, los permisos necesarios y los workflows más útiles para equipos de desarrollo.

Seguridad en MCP: permisos y buenas prácticas

MCP da a los modelos de IA acceso real a tu infraestructura. Eso implica que la seguridad no es opcional: es el primer requisito antes de habilitar cualquier servidor.

Principio de mínimo privilegio

Cada servidor MCP debe tener solo los permisos estrictamente necesarios. Si Claude solo necesita leer tu base de datos, no le des permisos de escritura. Si solo necesita acceso a un repositorio, no le des acceso a toda la organización de GitHub.

Tokens con scope limitado

Crea tokens de acceso específicos para MCP, separados de tus tokens personales. En GitHub, usa fine-grained tokens con acceso solo a los repos que necesitas. En Supabase, usa service roles con RLS habilitado.

Revisión de acciones destructivas

MCP permite configurar que ciertas acciones requieran confirmación humana antes de ejecutarse. Cualquier operación que modifique o elimine datos debería tener este checkpoint activado, al menos durante las primeras semanas de uso.

Auditoría y logs

Registra todas las acciones que los servidores MCP ejecutan. Esto es importante para cumplimiento normativo (RGPD, ENS) y para depurar problemas. Herramientas como Claude Code settings permiten configurar el nivel de logging.

Datos sensibles y compliance

Si trabajas con datos regulados (salud, finanzas, datos personales), evalúa qué datos pasan a través de MCP y hacia dónde. Los servidores MCP locales (filesystem, Docker) mantienen los datos en tu máquina. Los servidores que conectan con APIs externas (Slack, Gmail) envían datos a esos servicios. Para entornos regulados, considera usar modelos locales con MCP en lugar de APIs cloud.

El futuro de MCP

MCP está evolucionando rápidamente. Estas son las tendencias más relevantes para 2026 y 2027:

Estandarización cross-vendor

Lo que empezó como un proyecto de Anthropic ahora lo adoptan OpenAI, Google y Microsoft. Esto significa que un servidor MCP escrito para Claude funciona también con GPT y Gemini. La interoperabilidad reduce el lock-in y acelera la adopción.

Servidores MCP remotos

El modelo original de MCP ejecuta servidores localmente (en tu máquina). La tendencia es hacia servidores MCP alojados en la nube, que los proveedores de SaaS ofrecen como parte de su producto. Supabase, Notion y Slack ya ofrecen servidores MCP oficiales hosted.

MCP para agentes autónomos

Conforme los agentes de IA ganan autonomía, MCP se convierte en su sistema nervioso. Un agente que puede consultar datos, ejecutar código, crear issues y comunicarse por Slack tiene capacidades que antes requerían un equipo humano coordinado.

Composición de servidores

La siguiente frontera es que los servidores MCP se comuniquen entre sí. Un servidor de análisis que consulta datos de otro servidor de base de datos, que a su vez válida permisos con un servidor de autenticación. Pipelines complejos orquestados por el modelo de IA.

Para profundizar en automatización con IA más allá de MCP, la guía de automatización con IA cubre el panorama completo de herramientas y estrategias.

Todos los artículos sobre MCP

Esta guía cubre los fundamentos de MCP. Para profundizar en cada área, hemos preparado artículos especializados: