1. 1 - MCPs la API vitaminada
2. 2 - ¿Qué son las MCPs?
3. 3 - ¿Cuáles son las funciones de las MCPs?
4. 4 - ¿Qué partes componen los MCPs?
5. 5 - Tipos de MCPs
6. 6 - MCPs de cliente
7. 7 - MCPs de servidor
8. 8 - Beneficios de los MCPs
9. 9 - Riesgos de los MCPs

MCPs la API vitaminada

Como comenté en una de las charlas que di en directo de Rankerfy, las APIs están muy bien, pero si los contextos están a ciegas, el marketing pierde una parte esencial: la capacidad de adaptación. Y es que el marketing digital actual requiere respuestas ajustadas a cada proyecto, teniendo en cuenta factores como:

• Los canales de adquisición (SEO, Ads, redes sociales…).
• El tipo de usuario (B2B, B2C, nivel de conocimiento, comportamiento…).
• El momento del funnel en el que el usuario entra a nuestra web o aplicación.

Es por eso que antes de empezar a ver cómo montar nuestros propios MCPs, vamos a entender bien qué son y cómo funcionan.

¿Qué son las MCPs?

Las MCPs son los Marketing Contextual Processes, que traducido al español sería algo como procesos contextuales de marketing. En esencia, son un protocolo estructurado de información contextual que ofrecemos a una API o a un modelo de lenguaje (LLM) para que pueda responder de forma más precisa y adaptada a la realidad de nuestro negocio.

Este concepto fue introducido por Anthropic como una forma de estandarizar la manera en la que las aplicaciones de inteligencia artificial interactúan con datos externos. En lugar de enviar solo una pregunta suelta o un prompt genérico, las MCPs encapsulan información clave sobre el entorno, el usuario y el objetivo de la tarea.

¿Cuáles son las funciones de las MCPs?

Los MCPs nos permiten trabajar sobre una interfaz común que conecta a los modelos de lenguaje con distintas fuentes de datos, herramientas y sistemas. Algunas de sus funciones clave son:

• Proveer contexto relevante para cada solicitud.
• Integrar múltiples fuentes de datos (CRM, analytics, logs, productos, etc.).
• Reducir la necesidad de hacer integraciones personalizadas.
• Aumentar la precisión y utilidad de las respuestas de los modelos.
• Facilitar el diseño de flujos de trabajo automáticos más complejos.

Con ello, podemos crear aplicaciones de IA más robustas, escalables y adaptables, capaces de comprender el “por qué” detrás de cada petición.

¿Qué partes componen los MCPs?

Un MCP está compuesto generalmente por los siguientes elementos:

• Aplicación Host: El agente de IA o aplicación LLM que interactú a con los servidores MCP a travé sde clientes MCP. Agentes de IA presronalizadas son ejemplos de aplicaciones anfitrionas como por ejemplo ChatGPT, Claude, Gemini, etc.
• Cliente MCP: La implementación del lado del cliente del Protocolo MCP que se comunica con los servidores MCP.
• Servidor MCP: La implemntación del lado del servidor del Protocolo MCP que proporciona contexto, herramietnas y sugerencias al agente de la inteligencia artificial.
• Protocolo MCP: El protocolo de comunicación utilizado por los clientes y servidores MCP para intercambiar información acerca del contexto. Puede ser uno de los siguientes:
  • stdio: Utiliza la entrada/salida estándar para la comunicación. Lo más óptimo para servidores locales.
  • streameable http: Utiliza request HTTP POST y GET para transmitir múltiples mensajes del servidor. Este es más óptimo para servidores remotos.
  • sse (Obsoleto): Utiliza Server-Sent Events para la comunicación. Adecuado para servidores remotos.
• Fuentes de Datos Locales: Fuentes de daots locales como archivos, bases de datos y APIs que proporcionan contextos al agente de IA.
• Servicios Remotos: Servicios externos que proporcionan contexto al agente de IA, como por ejemplo a través de APIs de terceros, bases de datos en la nube o servicios de análisis.

Tipos de MCPs

Tenemos dos tipos principales de MCPs, cada uno con su propio enfoque y aplicación, denpendiendo de dónde se ejecuten y cómo se integren en el flujo de trabajo. Estos pueden ayudarnos o ser más óptimo dependiendo la labor o que tipo de conexión necesitemos en cada momento para seleccionar una forma u otra.

MCPs de cliente

Los MCPs de cliente se ejecutan en el lado del frontend o directamente desde los dispositivos del usuario. Suelen centrarse en ofrecer personalización inmediata basándose en datos disponibles en el navegador, la sesión o el comportamiento en tiempo real.

Ejemplo: mostrar una recomendación personalizada en una tienda online en base al historial de navegación del usuario.

MCPs de servidor

Estos MCPs se gestionan desde el backend o servidores intermedios, y permiten enriquecer las peticiones a la IA con datos más complejos o sensibles (como el historial completo de compras, segmentaciones CRM, etc.).

Ejemplo: responder a un prompt con una propuesta de campaña basada en los datos de rendimiento históricos de un canal.

Beneficios de los MCPs

Estos MPC pueden ayudar a optimizar tiempos y recursos, permitiendo que los modelos de lenguaje generen respuestas más precisas y relevantes. Algunos de sus beneficios son:

• Escalabilidad y modularidad: de esta forma podemos añadir o modificar componentes sin afectar al sistema completo y reduciendo el mantenimiento de una manera considerable.
• Menor complegidad en las integraciones: Evitando así la creación de plugins o scripts dedicados a cada herramientas.
• Consolodicación de seguridad y gobernanza: Al centralizar el acceso a datos y herramientas, se facilita la gestión de permisos y políticas de seguridad.
• Expperimentación acelerada: Probar nuevos casos de uso, como agentes logísticos o administración, resulta más ágil ayudando así a la innovación continua para las empresas.

Riesgos de los MCPs

Como todo sistema potente, los MCPs también conllevan ciertos riesgos:

• Privacidad: Si no se maneja adecuadamente la información sensible, puede haber brechas de privacidad. Además ten en cuenta que lo que estás haciendo es conectar una API de una herramienta o bien de tus datos con un LLM que también es externo.
• Complejidad: Mal diseñados, pueden volverse difíciles de mantener o escalar.
• Dependencia de datos: Si las fuentes de datos están incompletas o desactualizadas, el modelo puede ofrecer respuestas erróneas.
• Sobrecarga de contexto: Incluir demasiada información irrelevante puede confundir más que ayudar.

Por eso, el diseño de un buen MCP debe ser estratégico y equilibrado, priorizando calidad frente a cantidad de contexto.