¿Qué son las herramientas MCP y cómo las usan los modelos de IA?

Descubre qué son las herramientas MCP, cómo las encuentran y las llaman los modelos de IA a través de los servidores MCP y cómo usarlas de forma segura.

Diagram of how MCP works: an AI app (the MCP host) sends tool requests through an MCP client to an MCP server, which connects to tools and returns results.

Las herramientas MCP son funciones que un modelo de IA puede llamar para realizar una tarea fuera de la conversación; por ejemplo, buscar en tus notas o consultar una base de datos. Cada herramienta reside en un servidor MCP (Model Context Protocol) y tiene un nombre y una breve descripción que ayudan al modelo a decidir cuándo usarla.

El término «herramienta MCP» también se usa con otros sentidos. En el uso cotidiano, se habla de «herramientas MCP» para referirse a los servidores MCP (las aplicaciones que ofrecen herramientas) o a los directorios que recopilan esos servidores. MCP Tools es, además, el nombre de un programa de línea de comandos para listar y llamar a las herramientas de un servidor MCP.

Esta guía trata sobre las funciones del protocolo, no sobre servidores, directorios ni líneas de comandos. Explica en qué consiste una herramienta, qué tipos de herramientas ofrecen los servidores y en qué se diferencian las herramientas de los recursos, los prompts y la llamada a funciones. Después repasa los pasos que sigue un modelo para usar una herramienta y termina con los problemas más habituales relacionados con su uso.

¿Qué son las herramientas MCP?

Una herramienta MCP es una función que permite a los modelos de IA completar tareas con otras aplicaciones de software. Por ejemplo, mis agentes de IA y flujos de trabajo usan herramientas MCP para redactar correos electrónicos en Gmail (create_draft), crear tarjetas de Trello (trelloWriteCard) y obtener resultados de búsqueda en tiempo real de DataForSEO (serp_organic_live_advanced), por citar solo algunos.

Las aplicaciones de software suelen ofrecer varias herramientas MCP en sus servidores MCP. Por ejemplo, el servidor MCP de Trello cuenta actualmente con 14 herramientas MCP que permiten a los modelos de IA leer y actualizar tableros, listas, checklists, tarjetas y mucho más.

Y como MCP estandariza la forma en que se describen y ofrecen las herramientas, cualquier aplicación de IA compatible con el protocolo puede usar la misma herramienta MCP.

Qué incluye una herramienta MCP

Toda herramienta MCP incluye tres elementos:

  • Nombre: un identificador breve que el modelo usa al llamar a la herramienta (p. ej., get_event en Google Calendar).
  • Descripción: una explicación en lenguaje sencillo de lo que hace la herramienta y de cuándo resulta útil. El modelo de lenguaje de gran tamaño (LLM) la lee para decidir si la herramienta se ajusta a tu solicitud (p. ej., «Returns a single event on the given calendar.»).
  • Entradas: la información que la herramienta necesita para ejecutarse, como el nombre de un cliente y una fecha para buscar en las notas. Se escribe en JSON, y los desarrolladores la llaman esquema de entrada (input schema) porque define el formato de cada entrada (texto, número o lista).

Algunas herramientas añaden metadatos adicionales: un nombre visible, una descripción de los resultados que devuelven (un esquema de salida) y anotaciones sobre cómo se comporta la herramienta.

El modelo de IA nunca ve el código que hay detrás de una herramienta. Trabaja a partir de lo que la herramienta dice de sí misma, así que un nombre o una descripción poco claros llevan al modelo a elegir la herramienta equivocada.

Qué tipos de herramientas MCP existen

Las herramientas MCP se dividen en cuatro grupos según lo que hacen:

  • Herramientas de búsqueda y consulta: encuentran o recuperan información (p. ej., buscar en notas, leer un archivo o consultar una base de datos).
  • Herramientas de acción: crean o modifican algo en otra aplicación (p. ej., añadir una tarea, crear un evento en el calendario, abrir un ticket de soporte o enviar un correo electrónico).
  • Herramientas de procesamiento de datos: transforman o analizan datos (p. ej., analizar una hoja de cálculo o realizar un cálculo).
  • Herramientas de sistema: interactúan con el sistema local (p. ej., ejecutar un comando en un terminal).

Herramientas MCP frente a recursos y prompts

Además de las herramientas MCP, un servidor MCP puede ofrecer otros dos tipos de componentes básicos, que el protocolo denomina primitivas: los recursos y los prompts.

Por ejemplo, el servidor MCP oficial de GitHub ofrece:

  • Una herramienta llamada issue_write que crea o actualiza incidencias,
  • Un recurso llamado repository_content que da acceso a los archivos de un repositorio,
  • Un prompt llamado issue_to_fix_workflow que establece los pasos para notificar un problema como incidencia y hacer que el agente de programación Copilot de GitHub genere una pull request para solucionarlo.

La diferencia está en lo que hace cada uno y en quién decide cuándo usarlo: tú, la aplicación de IA con la que trabajas (p. ej., Perplexity) o el modelo de IA que se ejecuta dentro de esa aplicación.

  • Una herramienta MCP realiza acciones o consulta información. El modelo de IA decide de forma autónoma cuándo llamar a una herramienta, y tu aplicación de IA transmite la llamada al servidor. Tu modelo de IA elige las herramientas; tu aplicación de IA debería mostrarte cada llamada y permitirte rechazarla.
  • Un recurso es contenido disponible en el servidor MCP, como un archivo o un conjunto de registros, cada uno con su propia dirección (un URI). Tu aplicación de IA pregunta al servidor qué recursos tiene, lee el que necesita a través de su dirección y añade el contenido a la conversación como contexto.
  • Un prompt es una plantilla de mensaje predefinida que proporciona el servidor, a veces con huecos que tú rellenas. Tu aplicación de IA te muestra los prompts disponibles y tú eliges uno, a menudo como un comando con barra (/).

Cómo usan los modelos de IA las herramientas MCP

Un modelo de IA usa una herramienta MCP en cinco pasos: descubrimiento, selección de la herramienta, invocación, resultados y gestión de errores. Tu aplicación de IA transmite toda la información entre el modelo y el servidor.

Imagina que le pides a tu aplicación de IA que revise tu lista «Esta semana» de Trello y redacte un correo electrónico para tu editor con una actualización. Esto es lo que ocurre de principio a fin:

  1. Descubrimiento: cuando tu aplicación de IA se conecta a un servidor MCP mediante clientes MCP, solicita la lista de herramientas disponibles del servidor (una solicitud llamada tools/list). El LLM solo ve lo que la aplicación le transmite: el nombre, la descripción y las entradas de cada herramienta.
  2. Selección de la herramienta: el modelo de IA compara tu solicitud con esas descripciones y elige las herramientas adecuadas. En este caso, trelloReadList de Trello para leer la lista y create_draft de Gmail para redactar el correo. También rellena las entradas, como qué lista debe leer.
  3. Invocación: el modelo responde con una solicitud estructurada para ejecutar la herramienta (un paso denominado «llamada a funciones» o function calling). Tu aplicación de IA envía esa solicitud al servidor correspondiente (una solicitud tools/call). También debería mostrarte la llamada y permitirte rechazarla.
  4. Resultados: el servidor ejecuta la función y devuelve el result (resultado), en este caso las tarjetas de tu lista. Tu aplicación de IA añade el resultado a la conversación y el modelo decide qué hacer a continuación: responderte o llamar a otra herramienta, como create_draft, con un correo basado en esas tarjetas.
  5. Gestión de errores: si la herramienta se ejecuta pero falla (por ejemplo, porque la lista no existe), el error se devuelve como parte del resultado. El modelo puede leerlo y volver a intentarlo con otras entradas. Si la propia solicitud es incorrecta (por ejemplo, porque llama a una herramienta que el servidor no tiene), la aplicación recibe en su lugar un error de protocolo. En ese caso, es menos probable que el modelo se recupere.

La clave es que el modelo elige las herramientas basándose únicamente en sus descripciones, y tu aplicación de IA se encarga de toda la comunicación con los servidores.

Problemas habituales de las herramientas MCP y cómo evitarlos

Los problemas con las herramientas MCP se reducen a cuatro factores: cuántas herramientas hay conectadas, cómo se nombran y describen, cuántos datos devuelven y de qué servidores proceden.

Estos son los síntomas de cada problema y lo que ayuda a resolverlo:

Problema

Cómo se manifiesta

Cómo solucionarlo

Demasiadas herramientas conectadas

Cada definición de herramienta ocupa espacio en la ventana de contexto del modelo antes de que hayas preguntado nada, y la selección de herramientas empeora a medida que crece la lista.

Conecta solo los servidores que necesite cada tarea y desactiva las herramientas que no uses si tu aplicación de IA lo permite. Ejemplo: el servidor MCP de GitHub te permite activar solo los grupos de herramientas (toolsets) que necesitas.

Descripciones vagas o que se solapan

El modelo llama a la herramienta equivocada, o a la correcta con entradas erróneas, porque dos descripciones se parecen o una de ellas dice demasiado poco.

Proporciona nombres y descripciones claros y específicos, idealmente con un ejemplo de cuándo usar la herramienta. Si las herramientas de un servidor fallan una y otra vez, MCP Inspector, la herramienta oficial de pruebas, muestra exactamente lo que cada herramienta dice de sí misma.

El mismo nombre de herramienta en dos servidores

Dos servidores ofrecen cada uno una herramienta llamada search, y no hay forma de saber a cuál va dirigida una llamada.

Añade el nombre del servidor como prefijo a los nombres de las herramientas. Ejemplo: el servidor de Trello (trelloSearch, trelloReadList).

Resultados demasiado grandes

Una herramienta devuelve más de lo que necesita la tarea, como un hilo de correo completo con su formato, y satura el contexto del modelo.

Usa herramientas que ofrezcan formatos compactos. Ejemplo: la descripción de la herramienta get_thread de Gmail recomienda usar texto plano «para evitar que se agote el contexto».

Servidores no fiables

Un servidor descuidado o malintencionado podría usar llamadas a herramientas para extraer datos de tu conversación.

Conecta solo servidores de fuentes de confianza y mantén activadas las aprobaciones para las herramientas que modifican cosas o envían datos al exterior.

¿Por qué las herramientas MCP necesitan tu aprobación?

Las herramientas MCP necesitan tu aprobación porque, sin ella, el modelo de IA podría hacer cambios que no pretendías o compartir datos sensibles con un servidor que no controlas.

Una solicitud mal interpretada o una herramienta descrita de forma vaga pueden desencadenar la acción equivocada. Además, cada llamada envía parte de tu información a un servidor.

Por eso el protocolo espera que las aplicaciones de IA mantengan a una persona en el circuito, con la posibilidad de rechazar cualquier llamada a herramientas.

Esta es una forma práctica de clasificar las herramientas según el grado de supervisión que necesitan:

  • Acciones de solo lectura: consultar algo, como leer una lista con trelloReadList de Trello, no cambia nada. Estas llamadas pueden ejecutarse sin pedir permiso antes, siempre que tu aplicación de IA muestre qué herramienta se ha ejecutado y qué ha consultado.
  • Acciones que se pueden deshacer: crear un borrador de correo con create_draft de Gmail o añadir una tarjeta de Trello cambia algo que puedes revertir. Revisa las entradas antes de que se ejecute la llamada.
  • Acciones que no se pueden deshacer: enviar un correo con send_message de Gmail, eliminar registros o cualquier acción relacionada con pagos o datos sensibles no se puede revertir. Da tu permiso explícito para estas acciones cada vez.

Uso de herramientas MCP en Perplexity

Perplexity funciona con herramientas MCP en ambos sentidos: puede usar herramientas de los servidores MCP que conectes y ofrece sus propias herramientas a otras aplicaciones de IA.

  • Conecta servidores MCP a Perplexity: con los planes Pro, Max y Enterprise, puedes conectar Perplexity a cualquier herramienta o fuente de datos externa que tenga un servidor MCP y usarla en las respuestas y en los flujos de trabajo agénticos de Perplexity Computer. En la aplicación para Mac, también puedes conectar servidores MCP que se ejecuten en tu ordenador
  • Usa las herramientas de Perplexity en otras aplicaciones de IA: el servidor MCP de Perplexity ofrece cuatro herramientas (perplexity_search, perplexity_ask, perplexity_research y perplexity_reason) a cualquier aplicación de IA compatible con servidores MCP remotos, como Claude Code. Un servidor independiente permite que otras aplicaciones de IA deleguen tareas de varios pasos en Perplexity Computer.

Preguntas frecuentes sobre las herramientas MCP

¿MCP es solo la llamada a herramientas?

No, MCP no es solo la llamada a herramientas. La llamada a herramientas es la forma en que el modelo solicita una herramienta, y MCP es la forma en que la aplicación de IA encuentra herramientas y dirige cada llamada al servidor que la ejecuta.

La llamada a herramientas (también denominada llamada a funciones o function calling) es la parte del trabajo que corresponde al modelo de IA: el modelo ve una lista de herramientas y responde con una solicitud para ejecutar una de ellas. Solo con la llamada a herramientas, cada aplicación de IA tiene que definir y ejecutar por sí misma cada herramienta.

MCP permite que las herramientas residan en servidores, de modo que cualquier aplicación de IA compatible con MCP puede ofrecérselas a su modelo y enviar las solicitudes del modelo al servidor correspondiente.

¿Sustituirá MCP a las API?

No, MCP no sustituirá a las API, porque MCP y las API se complementan. Las herramientas MCP suelen basarse en API existentes y, cuando el modelo llama a una herramienta, el servidor MCP normalmente realiza una solicitud a una API.

¿Qué aplicaciones de IA son compatibles con las herramientas MCP?

Las herramientas MCP funcionan en asistentes de IA como Claude, ChatGPT y Perplexity, y en herramientas de desarrollo como Visual Studio Code y Cursor. La documentación de MCP menciona estas aplicaciones y señala que muchas otras también son compatibles.

¿El propio modelo de IA tiene que ser compatible con MCP?

No. El modelo de IA no necesita ser compatible con MCP porque tu aplicación de IA se encarga del protocolo. Se conecta a los servidores, transmite sus herramientas al modelo y envía las solicitudes de herramientas del modelo al servidor correspondiente. El modelo solo necesita admitir la llamada a funciones.

¿MCP se está quedando obsoleto?

No, MCP sigue en desarrollo activo. Sus responsables publicaron una nueva versión de la especificación de MCP en julio de 2026 y una hoja de ruta actualizada en agosto de 2026, que incluye trabajos para que los servidores puedan revelar sus herramientas de forma gradual a medida que la conversación se va acotando.