MCP y agentes de IA: la nueva capa de control empresarial

MCP, el protocolo que cambió lo que un agente puede hacer

Noviembre de 2022 trajo ChatGPT y con él la era de la IA conversacional. Pero, según CIO, noviembre de 2024 fue un punto de inflexión igual de relevante para las empresas: Anthropic publicó MCP (Model Context Protocol) como estándar abierto, y a partir de ahí los modelos pudieron conectarse de forma nativa con datos y herramientas externas para ejecutar tareas, no solo responder.

En dos años el protocolo pasó de ser una especificación técnica a convertirse en la capa donde se decide qué puede y qué no puede hacer un agente en producción. Una ronda de anuncios de la semana del 14 de septiembre de 2026 lo confirma: ServiceNow incorporó enforcement de MCP en su AI Gateway v3.4 (lanzado el 10 de septiembre), Rubrik presentó Rubrik MCP co-diseñado con Anthropic con guardrails OWASP, y Microsoft extendió Entra Agent ID con un MCP Firewall dentro de Global Secure Access, según reportó Forkast. Tres vendors, tres capas de gobernanza (runtime, datos, red), mismo protocolo.

La diferencia operativa importa: cuando el control vive en el modelo, limitas lo que la IA dice; cuando vive en la aplicación, limitas lo que muestra la interfaz. Cuando vive en el protocolo, limitas lo que el agente realmente puede hacer, sin importar qué modelo o interfaz tenga por encima. Para un founder, esto significa que MCP dejó de ser opcional en cualquier despliegue serio.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

¿Por qué MCP se volvió el estándar tan rápido?

La Agentic AI Foundation (AAIF) publicó datos de adopción que explican la velocidad: las descargas mensuales de los SDK Tier 1 de MCP se acercan a los 500 millones, los SDK de TypeScript y Python superan 1.000 millones de descargas acumuladas, y las llamadas a herramientas MCP desde usuarios de ChatGPT se multiplicaron por 98 entre enero y agosto de 2026, según el comunicado de la AAIF. Servicios como Resend ya superan el millón de llamadas MCP en un solo mes.

Para responder a esa demanda, la AAIF lanzó el 14 de septiembre de 2026 la certificación MCPA (Model Context Protocol Associate), un examen de 120 minutos que cubre fundamentos, arquitectura, interacciones, seguridad y casos de uso. Es la primera cred neutral vendor-neutral sobre MCP y, por la cobertura de sus dominios (un 24% dedicado a seguridad y gobernanza), deja clara la dirección del mercado: MCP se evalúa, se audita y se controla, igual que cualquier infraestructura crítica.

Qué están haciendo las empresas pioneras

El artículo de CIO recoge dos casos que ilustran cómo se ve una estrategia agentiva madura en producción, no en pitch deck:

AT&T afirma haber obtenido un retorno cinco veces superior a la inversión en IA el año pasado, según Andy Markus, su director de Datos e IA. La teleco opera una plataforma propia model-agnostic, negocia con varios proveedores y ya cuenta con más de 1.000 flujos de trabajo basados en agentes, en desarrollo o producción. En datos sensibles Markus asegura alcanzar una precisión del 100% en consultas complejas.

New York Life Group Benefits, unidad de la aseguradora de 180 años de historia, está rehuyendo los agentes empaquetados en plataformas comerciales y construye su propio "AI OS" sobre AWS y herramientas open source como LangChain, como explicó su CIO Matt Marze. Su caso de uso más concreto: automatizar parte de la documentación de auditorías SOC 1 y SOC 2 con IA agente, un trabajo que antes consumía semanas de horas-persona.

El patrón común es claro: construir tu propia capa de orquestación por encima de los modelos, no casarse con un solo proveedor ni depender del agente que venga preconfigurado en tu CRM. Las dos compañías llevan más de una década modernizando datos; la IA generativa y agentiva se apoya sobre esa base, no la reemplaza.

El otro lado: la factura de inferencia que nadie presupuestó

La cara menos amable de los agentes es el coste. Gartner proyecta que los costes de inferencia por flujo de trabajo agente se multiplicarán por más de cinco de aquí a 2028, recoge CIO. Y Accenture detectó que el porcentaje de empresas que obtienen valor generalizado y sostenido con IA cayó del 32% al 23% entre enero y julio de 2026: los proyectos avanzan, pero la economía no siempre cierra.

Un estudio de Microsoft Research de mayo de 2026, citado por TechRepublic, midió por primera vez el consumo de tokens en tareas agentivas: los modelos no pueden predecir su propio consumo antes de ejecutar (la correlación entre predicción y realidad fue de apenas 0,39) y la varianza entre tareas idénticas llega a 30x. Forrester documentó casos reales en julio: Uber quemó su presupuesto anual de IA en cuatro meses, Microsoft canceló licencias de Claude Code al agotar su asignación anual, Tesla capó el gasto en IA en 200 USD semanales por empleado y Priceline enfrentó picos no planificados en costes de desarrollo.

La palanca que AT&T está usando para contener la factura: una pasarela de IA que enruta cada solicitud al modelo más barato capaz de resolverla, más entrenamiento de modelos de lenguaje pequeños (SLMs) para subagentes. Markus asegura ahorros de 90% en coste cuando los "superagentes" delegan en subagentes pequeños. Es exactamente lo que Akshat Agrawal, arquitecto GenAI en NeenOpal, describe en BigDATAwire como "el umbral, no el modelo, es donde se fuga el dinero": lo decisivo no es qué LLM contratas, sino a qué nivel de confianza decides escalar al modelo caro.

¿Qué significa esto para tu startup?

Si estás construyendo producto B2B o internal tooling con agentes, esta transición te afecta en tres frentes concretos:

Piensa en MCP desde el día uno, aunque no lo implementes. La mayoría de vendors enterprise ya lo usan para gobernar qué puede hacer un agente en su red. Si tu producto necesita integrarse con Salesforce, ServiceNow o cualquier plataforma que exponga servidores MCP, documenta tu servidor MCP y tu modelo de permisos como lo harías con una API pública.
Separa el problema de la inferencia del problema del modelo. Antes de cambiar de proveedor, mide cuántas llamadas a modelo hace cada flujo, cuánto cuesta cada una y si hay tareas que un SLM o un modelo de bajo coste resuelve igual. Una arquitectura tiered routing puede reducir la factura un 42% sin tocar la lógica de aplicación, según el caso documentado por Agrawal en producción.
Cap costes a nivel de flujo, no de cuenta mensual. Topes globales tipo "no superar X USD al mes" llegan demasiado tarde; para entonces ya gastaste. Instrumenta límites por agente y por tarea desde el proof of concept, igual que un sistema de pagos tiene circuit breakers.

La conclusión estratégica: la pregunta ya no es si vas a desplegar agentes, sino qué capa de control pones entre tus agentes y tus datos. Las empresas que definan esa capa primero (sea propia o vía MCP) serán las que escalen sin que la factura de inferencia o un incidente de seguridad tumben el proyecto en 2027.