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

Última revisión: 9 de septiembre de 2026

¿Cómo utiliza realmente un LLM MCP?

Un LLM utiliza el MCP a través de una aplicación host 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 esa bolsa 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 streaming: los servidores locales se ejecutan como un proceso secundario y hablan 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 los servidores remotos, por lo que Smartling trasladó las nuevas conexiones a un inicio de sesión del navegador OAuth 2.1 el 3 de agosto de 2026, y por eso las directrices de OpenAI recomiendan OAuth con documentos de metadatos de identificación de cliente para los servidores conectados a ChatGPT.
• Capa de datos: JSON-RPC 2.0: cada mensaje es una solicitud, respuesta o notificación de 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, solicitudes, elicitación: los servidores exponen tres primitivas: herramientas (funciones ejecutables), recursos (datos contextuales como un glosario o un esquema) e indicaciones (plantillas reutilizables). Cada uno tiene los métodos */list y */get, además de herramientas y llamadas de ejecución. Los clientes exponen la elicitación, lo que permite al servidor pedir al usuario confirmación o falta una entrada antes de actuar. El muestreo, las raíces y la tala están en desuso el 28 de julio de 2026 y se pueden seguir utilizando durante un período 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 añade 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 sola solicitud de traducción de un asistente de IA pasa por cinco pasos del 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 inputSchemade cada herramienta. El servidor de Smartling, por ejemplo, devuelve herramientas para traducción de texto, búsquedas de glosario y traducción en memoria, recuperación de proyectos y trabajos, etiquetado de cadenas y autorización de trabajos, cada una con una descripción que el modelo lee para decidir cuándo utilizarla.
3. Selección de modelo: el anfitrión fusiona las listas de herramientas de todos los servidores conectados en un solo registro y las pasa al LLM. Cuando un usuario escribe " traduzca esto a de-DE mediante la traducción automática de Smartling y el glosario de marketing, ", el modelo elige las herramientas correspondientes; el centro de ayuda de Smartling dice explícitamente que, sin nombrar a Smartling en el mensaje, el modelo suele volver a una traducción genérica.
4. Ejecución y confirmación - El anfitrión tiene problemas tools/call con los argumentos del modelo. Los hosts suelen mostrar al usuario cada llamada antes de que se ejecute (la documentación de Smartling describe hacer clic en Continuar por herramienta), y la API de Respuestas de OpenAI expone el mismo control que require_approval y allowed_tools sobre una definición de herramienta MCP. Si el servidor necesita más entrada, devuelve un input_required resultado y el cliente intenta de nuevo con la respuesta del usuario.
5. Resultado en contexto: el servidor devuelve una matriz de contenido (texto, contenido estructurado o un enlace de recursos) y el anfitrión la añade a la conversación para que la modelo pueda razonar sobre ella. Los resultados de tools/list incluyen un indicio de frescura de los TTLM para que el anfitrión pueda almacenarlos en caché en lugar de volver a publicar las herramientas cada vez.

¿Cuáles son las aplicaciones prácticas de la MCP en los sistemas de IA hoy en día?

• 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.
• Los asistentes de chat empresariales consultan las bases de datos internas y los almacenes de conocimientos a través de un servidor remoto con OAuth, en lugar de que cada equipo pegue los datos en la ventana de chat.
• Traducción instantánea y personalizada 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 con capacidad shell pueden traducir archivos de Word, PowerPoint y PDF mediante un enlace de carga de 15 minutos.
• Herramientas de diseño que actúan en plataformas externas: Claude Code generando una aplicación 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 (véase cómo el agente de IA de Figma usa MCP para localización).
• Operaciones de cuenta por mensaje: recuperar los trabajos de un proyecto, etiquetar cadenas o autorizar un trabajo de traducción desde una interfaz de chat en lugar de iniciar sesión en el panel de control.

¿Cuándo no es MCP la opción correcta de integración?

• 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 añade 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 sobre la división: el MCP es para un agente que utiliza herramientas, el A2A es para los agentes que se asocian en tareas con estado y varios turnos a través de tarjetas de agente publicadas. Un agente de servicio de atención al cliente que entrega un caso a un agente de facturación es territorio A2.
• 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 guarda 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 exclusivos para chat que ya tienen una integración nativa. Un equipo que trabaje exclusivamente dentro de ChatGPT puede obtener una experiencia más completa con el complemento ChatGPT de Smartling, que cubre la gestión de trabajos y la resolución de problemas de calidad, así como la traducción.

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

MCP contra 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 añade 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 contra llamadas a funciones: ¿son lo mismo?
No. La llamada a funciones es una función del proveedor de modelos en la que el desarrollador define las funciones en la solicitud de API y ejecuta las llamadas devueltas en su propio código. MCP estandariza la misma idea en todos los proveedores y traslada la implementación a un servidor que el anfitrión llame por usted; la API de respuestas de OpenAI hace visible la distinción al ofrecer una herramienta de funciones y un tipo diferente: " mcp ", herramienta que toma una server_url. La propia descripción del proyecto A2A de MCP como ", similar a las llamadas a funciones en los modelos lingüísticos extensos ", captura la relación: la misma forma, pero portátil y detectable.

MCP vs. A2A: ¿qué protocolo necesito?
Utiliza MCP cuando un agente necesita usar una herramienta o leer un recurso; utiliza A2A cuando dos agentes autónomos necesitan descubrirse 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 contra un complemento de ChatGPT: ¿es un complemento simplemente MCP con un nombre diferente?
No desde el punto de vista del comprador. Un complemento de ChatGPT se distribuye a través del directorio de complementos de OpenAI y solo se ejecuta en ChatGPT, mientras que un servidor MCP se añade a cualquier host de MCP por URL. La documentación para desarrolladores de OpenAI describe los servidores MCP remotos como una forma de alimentar un complemento, de modo que los dos pueden compartir tuberías por debajo, pero siguen siendo productos separados con rutas y ámbitos de instalación diferentes. Smartling envía ambos; la comparación está en nuestra guía del servidor MCP de Smartling.

MCP contra el SDK de un proveedor: ¿por qué no utiliza simplemente 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.

¿Qué " otros protocolos de comunicación de IA " son realmente protocolos?
Solo MCP y A2A son protocolos abiertos y gobernados por la base con especificaciones publicadas y SDK de varios proveedores. Las llamadas a funciones, los complementos y los conectores son características de producto de la plataforma de un solo proveedor. Los compradores que comparen los protocolos de IA " " deberían preguntarse si lo que se está comparando tiene una especificación que alguien pueda implementar.

¿Cómo influye el MCP en el desarrollo de los 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 empresas 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 los permisos 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 añadido 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 utiliza 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

• ¿Cuáles son los diferentes tipos de servidores MCP y cuáles son relevantes para un equipo de localización?
• ¿Qué es el servidor MCP de Smartling para la traducción mediante 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 complemento de Smartling para ChatGPT y cómo funciona?