¿Qué son los servidores MCP? Una guía en lenguaje sencillo para 2026

Un servidor MCP es un pequeño programa que da a un modelo de IA una forma estándar de acceder a un sistema externo, como tus archivos, una base de datos, GitHub, Slack o una API de búsqueda, para que el modelo pueda leer datos y ejecutar acciones sin una integración hecha a medida para cada herramienta. MCP son las siglas de Model Context Protocol, un estándar abierto que Anthropic lanzó el 25 de noviembre de 2024 y que desde entonces se ha convertido en la forma habitual en que aplicaciones de IA como Claude, ChatGPT y Cursor se conectan con el resto de tu software. En resumen: un servidor MCP convierte cada conexión entre una IA y una herramienta de un proyecto de programación puntual en algo más parecido a un enchufe.

¿Qué es un servidor MCP?

Un servidor MCP es el "lado de la herramienta" del Model Context Protocol. El protocolo divide cualquier integración de IA en tres roles: el host (la aplicación de IA que usas, como Claude Desktop o Cursor), el cliente que esta ejecuta para hablar el protocolo y el servidor, un programa que expone alguna capacidad, como consultar Postgres o crear una incidencia en GitHub. El problema que resuelve es viejo y aburrido: antes de MCP, conectar M aplicaciones de IA con N fuentes de datos suponía construir M por N integraciones a medida, cada una frágil y única. MCP lo sustituye por un único estándar, de modo que escribes la conexión una sola vez y cualquier IA compatible puede usarla. Mucha gente lo llama un "puerto USB-C para la IA" porque la misma toma encaja con muchos dispositivos. El servidor hace el trabajo de verdad; la IA solo descubre qué hay disponible y lo pide.

Las tres cosas que expone todo servidor MCP

Un servidor MCP ofrece capacidades a través de tres piezas básicas, y la diferencia entre ellas tiene que ver, en realidad, con quién tiene el control. Esta es la parte que casi todo el mundo se salta, y es la que importa cuando construyes o depuras uno.

Primitiva	Qué es	Quién la controla	Ejemplo
Tools	Funciones que el modelo puede invocar para hacer algo	El modelo decide cuándo invocarlas	Ejecutar una consulta SQL, enviar un mensaje, crear un evento de calendario
Resources	Datos de solo lectura que la aplicación puede incorporar como contexto	La aplicación	Contenido de archivos, el esquema de una base de datos, documentación de una API
Prompts	Plantillas reutilizables que guían un flujo de trabajo	El usuario (invocación explícita)	"Planifica unas vacaciones", "Resume mis reuniones"

Las tools son las protagonistas. Cada una es una función definida por esquema con entradas y salidas tipadas, descrita en lenguaje natural para que el modelo pueda decidir por sí mismo cuándo recurrir a ella. El modelo invoca tools/list para ver qué existe y luego tools/call para ejecutar una. Los resources son datos pasivos que el host lee como contexto, y los prompts son plantillas prediseñadas que un usuario activa de forma deliberada. Un mismo servidor puede ofrecer los tres, y un host puede conectarse a muchos servidores a la vez, combinando un servidor de base de datos, un servidor de Slack y un servidor de sistema de archivos en una sola conversación.

Servidor MCP frente a API: la diferencia real

Esta es la pregunta más frecuente, y la respuesta honesta es que MCP no sustituye a las API, sino que se apoya sobre ellas. Una API está pensada para un desarrollador humano que lee la documentación y escribe código para llamar a endpoints fijos. Un servidor MCP está pensado para un modelo que descubre qué hay disponible en tiempo de ejecución y decide qué invocar, en lenguaje natural, con un humano capaz de aprobar o denegar cada acción.

	API tradicional	Servidor MCP
Quién la llama	El código de un desarrollador	El modelo de IA, en tiempo de ejecución
Descubrimiento	Leer documentación, fijar endpoints en el código	Autodescriptivo (tools/list)
Coste de integración	M x N desarrollos a medida	Escribir una vez, cualquier cliente lo reutiliza
Interfaz	Endpoints REST / GraphQL	Tools, resources y prompts sobre JSON-RPC
Quién decide la llamada	Tu programa	El modelo, idealmente con aprobación humana

Por debajo, un servidor MCP suele limitarse a envolver API ya existentes. El valor no está en un nuevo transporte, sino en una superficie coherente y autodescriptiva por la que una IA puede navegar sin que tengas que escribir código de pegamento para cada servicio. Por eso también MCP y las API coexisten en lugar de competir.

Para qué usa la gente realmente los servidores MCP

Los ejemplos prácticos son poco vistosos y muy útiles: un servidor de sistema de archivos para que un asistente pueda leer la carpeta de un proyecto, un servidor de Postgres o de base de datos para consultas en directo, un servidor de GitHub para abrir pull requests, un servidor de Slack para publicar actualizaciones y un servidor de navegador o de búsqueda para que el modelo pueda obtener información actualizada. Anthropic y la comunidad publican servidores de referencia de código abierto para muchos de estos casos, y los registros públicos ya listan decenas de miles más.

Nosotros usamos servidores MCP como parte de la creación de este sitio, así que este es un ejemplo de primera mano y no una hipótesis. Los datos de palabras clave y de SERP en directo que respaldan este mismo artículo llegaron a través de un servidor MCP de DataForSEO ejecutándose dentro de Claude Code: el modelo invocó una tool keyword_overview, recibió de vuelta cifras estructuradas de volumen de búsqueda y dificultad, y las usó para elegir el tema, todo ello sin que nadie pegara a mano las respuestas de la API. Ese es todo el planteamiento en miniatura. El mismo patrón impulsa los asistentes de programación con IA que comparamos, que actúan como hosts MCP, y las herramientas de automatización con agentes como n8n y Make, que cada vez más incorporan compatibilidad con MCP para que sus flujos de trabajo puedan invocar las mismas herramientas que una IA.

Cómo configurar tu primer servidor MCP

Rara vez construyes uno desde cero para empezar. El camino más rápido:

1. Elige un host que hable MCP: Claude Desktop, Cursor, Windsurf o Claude Code cumplen todos.
2. Elige un servidor prediseñado del repositorio oficial o de un registro (los de sistema de archivos, GitHub y Postgres son buenas primeras opciones).
3. Añádelo a la configuración del host: normalmente una pequeña entrada JSON que indica el comando para lanzar el servidor y las credenciales que necesite. En local, los servidores se ejecutan sobre stdio (el host inicia el proceso directamente); los servidores remotos usan HTTP para poder vivir en la nube.
4. Reinicia el host y comprueba la lista de tools: si el servidor se registró, sus tools aparecen y el modelo puede invocarlas.
5. Aprueba manualmente las primeras llamadas para ver exactamente qué hace antes de confiar en él.

Construir el tuyo propio es un paso más, pero no enorme: los SDK oficiales (TypeScript, Python y otros) te permiten declarar una tool, su esquema de entrada y una función controladora, y la capa del protocolo se encarga del descubrimiento y el transporte. Si sabes escribir un endpoint de API, sabes escribir una tool.

Los riesgos de seguridad que la mayoría de las guías se saltan

Aquí está la sección que las explicaciones de los proveedores tienden a pasar por alto. Dar a un modelo la capacidad de actuar sobre tus sistemas es exactamente tan peligroso como suena, y la comodidad de MCP tiene dos caras. Un análisis de marzo de 2025 de la empresa de seguridad Equixly encontró que el 43 % de las implementaciones de servidores MCP que probó tenían fallos de inyección de comandos, el 22 % permitía path traversal y el 30 % permitía falsificación de solicitudes del lado del servidor (SSRF), sobre un protocolo que no usa autenticación por defecto. El ataque característico y específico de MCP es el envenenamiento de tools (tool poisoning): un servidor malicioso incluye una tool cuya descripción o salida oculta instrucciones que el modelo trata luego como fiables, una forma de inyección de prompts indirecta. Como el modelo lee las descripciones de las tools en lenguaje natural para decidir cuál usar, ese texto es una superficie de ataque.

Tres defensas son las que más importan. Instala solo servidores en los que confíes, y lee qué hacen realmente sus tools. Mantén a un humano en el bucle para cualquier acción destructiva o irreversible, algo que la especificación recomienda explícitamente. Y del lado del servidor, usa una autenticación adecuada, valida cada entrada y da a cada servidor los permisos más restringidos que necesite en lugar de acceso amplio a todo. La comodidad no es motivo para saltarse los controles aburridos.

Hacia dónde va MCP en 2026

Lo que empezó como el estándar de una sola empresa es ahora el de todo el sector. OpenAI adoptó MCP en marzo de 2025 en sus productos, incluida la aplicación de escritorio de ChatGPT, y Google añadió compatibilidad para sus propios servicios a lo largo de 2025. En diciembre de 2025, Anthropic donó MCP a un proyecto de la Linux Foundation cofundado con Block y OpenAI, sacándolo de las manos de cualquier proveedor único. Las cifras de adopción respaldan el entusiasmo: según la actualización del ecosistema de Anthropic de diciembre de 2025, MCP había superado los 97 millones de descargas mensuales de SDK entre Python y TypeScript, con más de 10.000 servidores públicos activos. Una advertencia que conviene tener presente: la investigación y los profesionales señalan que exponer demasiadas tools a un modelo degrada su capacidad de elegir la correcta, así que más servidores no es automáticamente mejor. La configuración ganadora en 2026 es un pequeño conjunto de servidores fiables y bien acotados, no un cajón de sastre lleno de ellos.

Preguntas frecuentes

¿ChatGPT usa MCP?

Sí. OpenAI adoptó el Model Context Protocol en 2025 y lo admite en sus productos, incluida la aplicación de escritorio de ChatGPT, de modo que ChatGPT puede conectarse a servidores MCP igual que lo hacen Claude y Cursor. MCP es deliberadamente agnóstico respecto al modelo, y esa es una de las grandes razones por las que se extendió tan rápido.

¿Cuál es la diferencia entre REST y MCP?

REST es un estilo para construir API web a las que llama, en endpoints fijos, código escrito por humanos. MCP es un protocolo diseñado para que los modelos de IA descubran e invoquen tools en tiempo de ejecución, en lenguaje natural y con aprobación humana. Un servidor MCP a menudo envuelve por debajo una API REST, así que se complementan en lugar de competir.

¿MCP es solo JSON?

No del todo. MCP usa JSON-RPC 2.0 para sus mensajes, así que el formato de transmisión es JSON, pero el protocolo es el conjunto de reglas que hay encima: cómo se describen, descubren e invocan las tools, los resources y los prompts, y cómo se comunican el host, el cliente y el servidor. El JSON es el sobre, no el estándar.

¿Cuál es la diferencia entre una API y un servidor MCP?

Una API expone endpoints para que los desarrolladores los integren escribiendo código. Un servidor MCP expone tools, resources y prompts que un modelo de IA descubre y usa por sí mismo, idealmente con un humano que aprueba las acciones sensibles. En la práctica, un servidor MCP es una capa fina y amigable para la IA sobre una o varias API.

Fuentes

• Anthropic — Introducing the Model Context Protocol: fecha de lanzamiento (25 de noviembre de 2024), el problema de integración M x N y los primeros adoptantes.
• Model Context Protocol — Understanding MCP servers: las primitivas tools, resources y prompts, quién controla cada una y cómo funciona el descubrimiento.
• Wikipedia — Model Context Protocol: la cronología de la adopción por OpenAI y Google y la donación a la Linux Foundation.
• DigitalApplied — MCP Adoption Statistics 2026: los más de 97 M de descargas mensuales de SDK y más de 10.000 servidores según la actualización de Anthropic de diciembre de 2025.
• Equixly — MCP Servers: The New Security Nightmare: el análisis de marzo de 2025 que reporta tasas del 43 % de inyección de comandos, 22 % de path traversal y 30 % de SSRF.
• OWASP — MCP Tool Poisoning: el ataque de envenenamiento de tools / inyección de prompts indirecta.