**Model Context Protocol o MCP. ¿Qué es y por qué debería importarte?**
Estamos en 2025 y el ecosistema en torno a los Large Language Models (LLMs) no parece haber perdido impulso. Si bien al principio el foco estaba en modelos más grandes entrenados con más datos, durante 2024 creció el interés por construir sistemas de IA "compuestos", en los que un LLM se integra como parte de un sistema de IA más amplio, componible y modular.
Hay varias razones detrás de este giro:
1. Componibilidad: queremos ir más allá de la generación de texto y automatizar flujos de trabajo que hoy son manuales. Por ejemplo, no quieres copiar la respuesta de tu jefe en ChatGPT; quieres que el LLM esté integrado en tu cliente de correo. O, si administras bases de datos, no quieres escribir todo el esquema y las relaciones entre las tablas de tu base de datos relacional; quieres que tu LLM pueda obtener esa información cuando la necesite.
2. Anclaje (grounding): un LLM (como lo describe aquí Andrej Karpathy) es, más o menos, una compresión probabilística y con pérdida de toda la internet (y de otros corpus de texto que forman parte de su entrenamiento), lo que significa que opera con una instantánea estática del mundo en el momento del entrenamiento (lo que suele llamarse knowledge cut-off). Además, como sigue prediciendo principalmente "el siguiente mejor token", puede inventar cosas que no tienen base en la realidad, lo cual, aunque divertido, no siempre es deseable (y se conoce como alucinaciones). Una forma de evitarlo es darles a los modelos acceso de recuperación a información más reciente que puedan referenciar en sus respuestas.
3. Comportamiento agéntico: en escenarios menos deterministas, incluso podríamos querer ceder algo de control sobre _qué_ hacer y _cómo_ ejecutar una tarea determinada. Queremos que el modelo elija las herramientas que necesita, recupere la información pertinente, tome sus propias decisiones y se adapte sobre la marcha.
El hilo conductor de estos cambios es la comunicación con sistemas externos, que, sin un estándar común, exigiría una implementación a medida para cada sistema nuevo y derivaría en un panorama fragmentado. Al presentar el Model Context Protocol a finales de 2024, Anthropic buscó convertir este problema de integración N × M en un problema N + M, creando un estándar abierto para conexiones bidireccionales entre fuentes de datos (N herramientas) y herramientas potenciadas por IA (M clientes). Es comparable a cómo HTTP estandarizó la comunicación entre navegadores web y servidores.
Si te preocupan tus bases de código en LangChain o LlamaIndex, tranquilo: MCP no viene a reemplazarlas. Como se explica en esta charla, MCP permitirá que los frameworks agénticos se concentren en lo que mejor saben hacer: ejecutar el bucle agéntico y responder a los datos que aportan las herramientas.
Con su adopción por parte de Amazon, OpenAI y Google, MCP se perfila como el HTTP de las apps nativas de agentes, ¡así que vale la pena mirarlo de cerca!
¿Qué se necesita para construir tu propio servidor MCP?
En modelcontextprotocol.io vas a encontrar una guía completa para desarrolladores sobre cómo crear tu propio servidor. No queremos repetir aquí todos los pasos, pero vale la pena mencionar los conceptos centrales y los tipos de capacidades que un servidor puede ofrecer:
- Recursos: cualquier tipo de dato que un servidor MCP quiera ofrecerle a tu cliente, incluidos recursos textuales (registros de bases de datos, código fuente, etc.) y binarios (imágenes, audio, video, etc.). El cliente puede descubrir, leer y actualizar recursos. Están diseñados para ser controlados por la aplicación.
- Prompts: el servidor puede definir plantillas de prompts y flujos de trabajo reutilizables, estandarizando las interacciones cotidianas con el LLM. Al incorporar parte del conocimiento de tu dominio, los prompts guían al usuario hacia el uso correcto de la funcionalidad que ofrece tu servidor MCP. Por eso, están diseñados para ser controlados por el usuario.
- Herramientas: mediante las herramientas, el servidor le ofrece al cliente funcionalidades ejecutables, lo que le permite interactuar con sistemas externos y ejecutar acciones en el mundo real: integraciones con APIs, procesamiento de datos, etc. Como queremos delegarle al LLM la decisión de qué hacer, las herramientas están diseñadas para ser controladas por el modelo.
**Lanzamos el servidor MCP de DoiT al mundo**
Como DoiT, queríamos sumarnos a esta próspera comunidad de servidores lanzando nuestro propio servidor MCP y llegando a nuestros clientes donde ya están.
Así que aquí está:
doitintl/doit-mcp-server: el servidor MCP oficial de DoiT \ DoiT official MCP Server.\ github.com
Lo único que tú necesitas es obtener tu API key de DoiT y empezar a experimentar.
Configurar nuestro servidor te dará acceso directo para conversar con tus datos de FinOps multicloud almacenados en DoiT Cloud Intelligence™. Por ahora, a través del servidor se puede interactuar con incidents, anomalies, reports, queries y dimensions de la API de DoiT. ¡No le quites el ojo al repositorio, que vienen más actualizaciones!
¿Cómo le saco el máximo provecho?
Imagina un típico lunes por la mañana en el que quieres tomarle el pulso rápidamente a tu infraestructura cloud después del fin de semana. En lugar de revisar dashboards y peinar correos de alertas, le preguntas a tu asistente favorito:
¿Hay algún incidente en mi Cloud Infrastructure del que deba enterarme? Por favor, preséntalos en una tabla en markdown y resume los textos largos en algunos puntos clave.
O quieres ver a dónde se fue tu dinero la última semana y si hay alguna tendencia a tener en cuenta:
¿Puedes darme un panorama de mis costos de cloud en todo mi consumo de la nube durante la última semana? Quiero granularidad diaria y solo me interesan los 5 servicios más grandes. ¿Notas alguna tendencia?
Y si quieres ver los datos reales sobre los que Claude hizo el análisis, basta con pedirlos:
¿Puedes mostrarme un resumen de los datos en una tabla?
Con MCP, tu asistente —por ejemplo, Claude— sabe exactamente a qué endpoints de DoiT llamar; arma la solicitud y la ejecuta. Una vez que recibe la información correcta, te la presenta o analiza los datos si así se lo pediste.
—
Súmate y hagamos que tu camino en FinOps sea más fácil: déjanos tu feedback en el repositorio o conversa con nosotros en doit.com/services.