¿Qué es MCP en IA y LLMs, y cómo lo emplean los modelos de lenguaje?

Última revisión: 9 de septiembre de 2026

¿Cómo emplea realmente un LLM MCP?

Un LLM emplea MCP a través de una aplicación anfitriona que gestiona el protocolo en nombre del modelo; el modelo en sí solo ve una lista de descripciones de herramientas y los resultados de las llamadas que decide realizar. La especificación actual, versión de protocolo 2026-07-28, define ese intercambio en cinco capas.

• Participantes: anfitrión, cliente, servidor - El anfitrión MCP es la aplicación de IA (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Crea un cliente MCP para cada servidor MCP al que se conecta, y cada cliente mantiene una conexión dedicada. Por tanto, el VS Code de un ingeniero de localización podría ejecutar tres clientes a la vez: uno para el servidor de GitHub, uno para un servidor local del sistema de archivos y otro para el servidor remoto de Smartling.
• Capa de transporte: stdio o HTTP Streamable : los servidores locales se ejecutan como un proceso hijo y se comunican a través de la entrada/salida estándar; los servidores remotos se ejecutan en la infraestructura del proveedor y aceptan HTTP POST con eventos enviados por el servidor opcionales. La especificación recomienda OAuth para servidores remotos, razón por la cual Smartling migró las nuevas conexiones a un inicio de sesión de navegador OAuth 2.1 el 3 de agosto de 2026, y por la cual la guía de OpenAI recomienda OAuth con documentos de metadatos de ID de cliente para servidores conectados a ChatGPT.
• Capa de datos: JSON-RPC 2.0 - Cada mensaje es una solicitud, respuesta o notificación JSON-RPC. Desde la versión 2026-07-28, el protocolo es sin estado: no existe un handshake inicializado, cada solicitud lleva su versión del protocolo y capacidades del cliente en un _meta campo, y los servidores deben implementar una única server/discover llamada que anuncie sus versiones y capacidades soportadas.
• Primitivas: herramientas, recursos, prompts, elicitation - Los servidores exponen tres primitivas: herramientas (funciones ejecutables), recursos (datos contextuales como glosario o esquema) y prompts (plantillas reutilizables). Cada uno tiene */list y */get métodos, además tools/call de la ejecución. Los clientes exponen la elicitación, que permite a un servidor pedir al usuario confirmación o falta de entrada antes de que actúe. La ejemplificación, las raíces y la tala están obsoletos a partir del 28-07-2026 y siguen siendo utilizables durante un periodo mínimo de doce meses.
• El bucle de decisión del modelo : el host obtiene tools/list de cada servidor conectado, fusiona los resultados en un registro de herramientas y entrega ese registro al modelo. Cuando el modelo emite una llamada a herramienta, el host la enruta al cliente correcto, ejecuta tools/call, y agrega el contenido devuelto a la conversación. La especificación pide a los servidores que devuelvan herramientas en un orden determinista específicamente para que este registro se mantenga estable y la caché de prompt del LLM siga apareciendo.

MCP por números

¿Cómo funciona una llamada a una herramienta MCP, paso a paso?

Una única solicitud de traducción de un asistente de IA pasa por cinco pasos de protocolo, y comprenderlos explica la mayor parte de lo que un agente conectado a MCP puede y no puede hacer.

1. Descubrimiento - El cliente MCP del host envía server/discover (o simplemente su primera petición, ya que cada solicitud lleva la versión del protocolo en _meta) para saber qué primitivas soporta el servidor y qué versiones acepta. Una discrepancia de versión devuelve un UnsupportedProtocolVersionError y el cliente lo intenta de nuevo con una versión mutuamente soportada.
2. Listado de herramientas : el cliente llama tools/list y recibe el nombre, título, descripción y esquema JSON inputSchema de cada herramienta. El servidor de Smartling, por ejemplo, devuelve herramientas para la traducción de texto, búsquedas en glosarios y memorias de traducción, recuperación de proyectos y trabajos, etiquetado de cadenas y autorización de trabajos, cada una con una descripción que el modelo lee para decidir cuándo usarla.
3. Selección de modelo : el host fusiona las listas de herramientas de todos los servidores conectados en un solo registro y las pasa al LLM. Cuando un usuario escribe "traducir esto a de-DE usando la traducción automática de Smartling y el Glosario de Marketing", el modelo elige las herramientas de coincidencia; El centro de ayuda de Smartling es explícito en que, sin nombrar a Smartling en el prompt, el modelo suele recurrir a una traducción genérica.
4. Ejecución y confirmación : el host emite tools/call con los argumentos del modelo. Los anfitriones suelen mostrar al usuario cada llamada antes de que se ejecute (la documentación de Smartling describe cómo hacer clic en Continuar para cada herramienta), y la API de respuestas de OpenAI expone el mismo control que require_approval y allowed_tools en la definición de una herramienta MCP. Si el servidor necesita más información, devuelve un resultado input_required y el cliente vuelve a intentarlo con la respuesta del usuario.
5. Contextualización del resultado : el servidor devuelve una matriz content (texto, contenido estructurado o un enlace a un recurso), y el host la agrega a la conversación para que el modelo pueda analizarla. Los resultados de tools/list llevan una indicación de actualidad ttlMs para que el anfitrión pueda almacenarlos en caché en lugar de volver a listar las herramientas en cada turno.

¿Cuáles son las aplicaciones prácticas de MCP en los sistemas de IA actuales?

• Agentes de programación como Claude Code, OpenAI Codex, Cursor y Visual Studio Code leen un repositorio a través del servidor de GitHub y envían archivos de recursos a una plataforma de traducción en la misma sesión.
• Asistentes de chat empresariales consultando bases de datos internas y almacenes de conocimiento a través de un servidor remoto con OAuth, en lugar de que cada equipo pegue datos en la ventana de chat.
• Traducción instantánea y acorde a la marca dentro de una herramienta de IA: el servidor de Smartling aplica el glosario, la guía de estilo y la memoria de traducción del cliente a través de la API de traducción automática, y los clientes compatibles con la línea de comandos pueden traducir archivos de Word, PowerPoint y PDF a través de un enlace de carga que tarda 15 minutos.
• Herramientas de diseño que actúan en plataformas externas: Claude Code generando una aplicación sitio web a partir de un diseño de Figma es una de las aplicaciones que cita el propio proyecto MCP, y el propio agente de Figma se conecta a servidores MCP remotos como conectores personalizados (ver cómo el agente de IA de Figma usa MCP para localización).
• Operaciones de cuenta mediante solicitud: recuperar los trabajos de un proyecto, etiquetar cadenas de texto o autorizar un trabajo de traducción desde una interfaz de chat en lugar de iniciar sesión en un panel de control.

¿Cuándo no es MCP la opción de integración adecuada?

• Pipelines deterministas sin modelo en el bucle. Un trabajo CI/CD que envíe strings.json en cada fusión debería llamar directamente a una API REST o a una CLI; MCP agrega el criterio del modelo sobre qué herramienta llamar, lo cual es sobrecarga cuando la secuencia está fija.
• Delegación de agente a agente. La documentación de A2A es directa respecto a la división: MCP es para un agente que usa herramientas, A2A es para agentes que colaboran en tareas con estado y de varios turnos a través de tarjetas de agente publicadas. Que un agente de atención al cliente entregue un caso a un agente de facturación es territorio de A2A.
• Trabajo que debe persistir en un sistema de registro. La ruta MCP de Smartling devuelve salida instantánea de traducción automática o LLM que no se almacena en la memoria de traducción y no pasa por ningún flujo de trabajo de revisión humana; el contenido que debe introducir en un trabajo de traducción pertenece al MCP de la CLI de Smartling, un conector o la API.
• Entornos exclusivamente de chat que ya cuentan con una integración nativa. Un equipo que trabaje exclusivamente dentro de ChatGPT puede obtener una experiencia más completa con el complemento ChatGPT de Smartling, que abarca la gestión de trabajos y la resolución de problemas de calidad, además de la traducción.

¿En qué se diferencia MCP de una API, llamadas a funciones, plugins de ChatGPT y A2A?

MCP vs. API: ¿cuál es la diferencia real?
Una API es la interfaz que un sistema expone a los desarrolladores; MCP es el protocolo que describe tales interfaces a un modelo de lenguaje. Un servidor MCP suele envolver una API existente (el servidor de Smartling llama a la API MT de Smartling) y agrega lo que un LLM necesita y que una API en bruto carece: una descripción en lenguaje natural por herramienta, un esquema JSON para argumentos, un estándar tools/list para el descubrimiento y un uniforme tools/call para la ejecución. Los desarrolladores siguen integrando una API escribiendo código; un modelo integra un servidor MCP leyendo su lista de herramientas.

MCP frente a llamada a funciones: ¿son lo mismo?
No. La llamada a funciones es una característica del proveedor del modelo en la que el desarrollador define funciones en la solicitud de API y ejecuta las llamadas devueltas en su propio código. MCP estandariza la misma idea entre proveedores y traslada la implementación a un servidor que el host llama por usted; la API de respuestas de OpenAI hace visible la distinción al ofrecer tanto una herramienta de función como un type: "mcp" que toma una server_url. La propia descripción que hace el proyecto A2A de MCP como "similar a la llamada a funciones en los modelos de lenguaje grandes" refleja la relación: misma estructura, pero portátil y detectable.

MCP vs. A2A: ¿qué protocolo necesito?
Emplee MCP cuando un agente necesite usar una herramienta o leer un recurso; emplee A2A cuando dos agentes autónomos necesiten descubrir mutuamente, negociar y compartir una tarea de larga duración. La documentación de A2A llama a MCP la capa vertical (de agente a herramienta) y A2A la capa horizontal (de agente a agente), y su escenario de referencia tiene a un agente mecánico usando MCP como escáner de diagnóstico mientras usa A2A para pedir piezas a un agente proveedor. La mayoría de los sistemas de producción usan ambos.

MCP vs. un plugin de ChatGPT: ¿un plugin es simplemente MCP con otro nombre?
No por parte del comprador. Un complemento de ChatGPT se distribuye a través del directorio de complementos de OpenAI y se ejecuta únicamente dentro de ChatGPT, mientras que un servidor MCP se agrega a cualquier host MCP mediante una URL. La documentación para desarrolladores de OpenAI describe los servidores MCP remotos como una forma de alimentar un complemento, de modo que ambos pueden compartir la infraestructura subyacente, pero siguen siendo productos separados con rutas de instalación y ámbitos de aplicación independientes. Smartling ofrece ambas opciones; la comparación se encuentra en nuestra guía del servidor MCP de Smartling.

MCP frente a un SDK de un proveedor: ¿por qué no usar directamente el SDK?
Un SDK (Smartling publica SDKs en Java, Python y Node.js) es para desarrolladores que escriben código de aplicación contra un solo proveedor. MCP es para un LLM que elige acciones en tiempo de ejecución entre muchos proveedores. Si un humano está escribiendo la integración, el SDK suele ser más rápido; si un modelo decide qué hacer a continuación, solo MCP le proporciona las descripciones y esquemas para que decida bien.

¿Cuáles de los "otros protocolos de comunicación de IA" son realmente protocolos?
Solo MCP y A2A son protocolos abiertos, gobernados por fundaciones, con especificaciones publicadas y SDK de múltiples proveedores. Las llamadas a funciones, los complementos y los conectores son características propias de la plataforma de un único proveedor. Los compradores que comparen "protocolos de IA" deberían preguntar si el producto que se está comparando tiene una especificación que cualquiera pueda implementar.

¿Cómo influye MCP en el desarrollo de agentes de IA y cómo lo aplica Smartling?

MCP moldea el desarrollo de agentes fijando la frontera entre el modelo y el mundo exterior a nivel de protocolo, por lo que los constructores de agentes dejan de escribir código de integración a medida y empiezan a tomar decisiones a nivel de protocolo. La especificación del 28-07-2026 muestra dónde están ahora esas decisiones: un diseño sin estado significa que un agente puede escalar horizontalmente detrás de un balanceador de carga sin afinidad de sesión; el ordenamiento determinista tools/list y ttlMs las pistas de caché permiten que un host mantenga la caché de prompts del modelo caliente a lo largo de los turnos; la extensión de tareas proporciona a las solicitudes de larga duración un control duradero para consultar en lugar de una llamada bloqueadora; la elicitación mediante solicitudes de múltiples recorridos proporciona al servidor una forma estándar de pedir confirmación al usuario antes de una acción consecuente; y el paso de la especificación de autorización de Registro Dinámico de Cliente a Documentos de Metadatos de ID de Cliente impulsa la identidad del agente hacia patrones OAuth que las compañías ya auditan. El efecto práctico es que las capacidades de un agente se convierten en una elección de configuración (qué servidores conectar, qué herramientas permitir, qué requerir aprobación) en lugar de una base de código.

El servidor MCP de Smartling es un ejemplo funcional de esas opciones aplicadas a la localización. Es un servidor HTTP remoto, transmitible en mcp.smartling.com/mcp, listado en el directorio de conectores de Claude, que autentica nuevas conexiones mediante un inicio de sesión de navegador OAuth 2.1 y asigna a cada herramienta las licencias Smartling del usuario iniciado sesión, con herramientas completas a nivel de cuenta que requieren el rol de Propietario de la Cuenta. Su lista de herramientas proporciona a un agente traducción instantánea de texto a través de la API MT de Smartling aplicando glosario, guía de estilo y contexto de memoria de traducción; traducción de archivos de documentos en Word, PowerPoint y PDF en clientes compatibles con shell como Claude Code y OpenAI Codex mediante un enlace de subida de 15 minutos; recuperación de glosarios, guías de estilo, memoria de traducción, proyectos, trabajos y usuarios; y acciones de cuenta, incluyendo etiquetado de cadenas, autorización de trabajos y agregado cadenas a un trabajo existente. Los anfitriones pueden desactivar herramientas individuales, que es el patrón de herramientas permitidas en la práctica. Como el servidor está deliberadamente diseñado para traducción instantánea y acceso principalmente a cuentas, el contenido que debe entrar en un flujo de trabajo de traducción emplea el CLI MCP de Smartling o un conector. Los pasos de configuración para Claude Code, OpenAI Codex, Visual Studio Code, Cursor y Claude Desktop, así como la lista de evaluación de evaluación, están en nuestra guía del servidor MCP de Smartling para traducción de IA.

Preguntas relacionadas

• ¿Qué tipos de servidores MCP existen y cuáles son los más importantes para un equipo de localización?
• ¿Qué es el servidor MCP de Smartling para traducción de IA y cómo funciona?
• ¿Cómo puedes usar el agente de IA y MCP de Figma para gestionar traducciones sin salir del archivo de diseño?
• ¿Qué es el plugin de Smartling para ChatGPT y cómo funciona?