Què és el Model Context Protocol (MCP) i com funciona

Informatec Digital » Recursos » Què és el Model Context Protocol (MCP) i com funciona

La intel·ligència artificial està fent un salt enorme gràcies a noves formes de connectar els models amb el món real, i una de les peces que més està sonant és el Model Context Protocol (MCP) . Si heu sentit a parlar d'agents d'IA, eines externes, RAG o servidors MCP i ho sona tot a “màgia negra”, tranquil: es pot entendre amb lògica i amb exemples molt propers al dia a dia.

En les properes línies veuràs què és exactament el MCP, com funciona per dins, quins problemes resol, quins elements el componen i en quins casos té més sentit fer-lo servir . També veurem els seus avantatges, limitacions actuals, casos d'ús reals (inclòs a empreses i Fintech) i algunes pinzellades pràctiques per començar a trastejar amb servidors i clients MCP.

Què és el Model Context Protocol (MCP)

El Model Context Protocol (MCP) és un protocol obert i estàndard que defineix com un model d'IA es comunica amb eines, serveis i fonts de dades externes . És a dir, estableix unes regles comunes perquè un model de llenguatge (un LLM com Claude, ChatGPT o similars) pugui accedir a APIs, bases de dades, fitxers, documentació o aplicacions empresarials sense haver de programar una integració a mida per a cada cas.

A la pràctica, el MCP és com un “idioma comú” entre models d'IA i serveis externs . En comptes que cada model parli el seu propi “dialecte” i cada eina tingui la seva API particular, MCP se situa al mig com a pont estandarditzat. Els models parlen MCP, les eines s'exposen via MCP, i tot encaixa sense haver de reinventar la roda a cada projecte.

Un dels problemes clàssics dels LLM és que, encara que siguin molt potents, viuen aïllats dins del que van aprendre al seu entrenament . No veuen els teus correus, ni el teu CRM, ni el teu ERP, ni la teva base de dades de comandes, ni la teva documentació interna… tret que algú construeixi una integració específica. MCP apareix just per atacar aquest coll d'ampolla: obre una via segura i estructurada perquè el model consulti dades en temps real i executi accions externes.

Un altre aspecte clau és que MCP és un estàndard obert impulsat originalment per Anthropic (creadors de Claude), amb l'objectiu que qualsevol proveïdor, empresa o desenvolupador el pugui implementar. Això facilita que sorgeixi un ecosistema compartit d'eines MCP plug-and-play que qualsevol model compatible pugui aprofitar.

En termes conceptuals, MCP no és un framework dagents, sinó la capa dintegració . No decideix quina eina es fa servir ni quan; simplement ofereix una forma homogènia d'exposar eines i dades als agents o models que prenguin aquestes decisions.

MCP davant de RAG i davant d'APIs tradicionals

Fins ara, una de les formes més populars d'enriquir un model amb informació externa ha estat l'enfocament Retrieval-Augmented Generation (RAG) . A RAG, els documents es converteixen en embeddings i s'emmagatzemen en bases de dades vectorials ; cada cop que l'usuari pregunta alguna cosa, es fa una cerca semàntica per recuperar els trossos de text més rellevants i s'afegeixen al context del model.

Amb MCP la història canvia, perquè no requereix indexar prèviament la informació ni generar embeddings . En lloc d'això, el model accedeix a la informació directament des de la font : APIs, bases de dades, sistemes de fitxers, eines SaaS, documentació servida com a servidor MCP, etc. El servidor MCP s'encarrega d'exposar les capacitats i tornar dades fresques a temps real.

Això té diverses conseqüències interessants: les dades estan sempre actualitzades, es redueix la duplicació dinformació i es minimitza la càrrega computacional associada al manteniment díndexs vectorials. A més, des del punt de vista de seguretat, és més controlable perquè no necessites bolcar grans volums de dades sensibles a una base de dades externa , sinó que els serveixes sota demanda.

Si ho comparem amb les API tradicionals , la diferència és de filosofia. Una API REST, per exemple, està pensada per a sistemes de TI clàssics , on el client sap amb precisió quin endpoint trucar, quins paràmetres enviar i quina estructura de resposta esperar. Amb els LLM aquesta rigidesa no encaixa tan bé: el model necessita descobrir quines eines hi ha, entendre què fan i decidir quan fer-les servir, tot guiat pel context de la conversa.

Analogies: com imaginar el MCP sense tornar-te boig

Per entendre millor el paper de MCP, va bé una imatge mental. Una comparació molt habitual és la d ‟un circuit elèctric : el model d‟IA seria el motor, les fonts de dades serien les diferents centrals d‟energia i MCP seria el cablejat i el quadre elèctric que decideix quina energia arriba al motor, per quin cable, en quin moment i amb quina intensitat.

De manera similar, podeu imaginar MCP com un gran port USB universal per a models d'IA . Connectes el model a un “hub” MCP, ia aquest hub vas punxant fonts de dades, eines d'automatització, sistemes de fitxers, CRMs, serveis de tercers, etcètera. El model no ha de saber els detalls de cada connexió: només cal conèixer quines eines hi ha disponibles i quin tipus de coses poden fer.

Una altra analogia útil en entorns empresarials és veure'l com una centraleta o encaminador de context . MCP selecciona quina informació, de quina font i en quin moment s'injecta en el context del model. Filtra soroll, prioritza el que és rellevant i gestiona el flux per no sobrecarregar la finestra de context dels LLM, que sempre és limitada.

Elements clau de l'arquitectura MCP

Encara que el concepte pugui sonar complex, per dins MCP es basa en una arquitectura client-servidor força senzilla , amb tres rols principals ben diferenciats:

Host MCP

L' amfitrió MCP és l'aplicació on viu el model de l'IA o l'agent. Pot ser un xatbot, un IDE de programació, una plataforma d'IA empresarial, un assistent virtual corporatiu o fins i tot un servei web que ofereixi funcions intel·ligents a usuaris finals.

Aquest host integra el model de llenguatge i és el punt dentrada de les peticions dels usuaris. Des del host s'inicialitza el client MCP , es configura quins servidors MCP es faran servir i es controla part del comportament: quines eines estan disponibles en cada context, quins recursos es carreguen, etc.

Client MCP

El client MCP és un component que sol residir dins del host i que s'encarrega de gestionar la comunicació amb els servidors MCP . És el que tradueix les decisions del model (per exemple, “truca a l'eina X amb aquests paràmetres”) a trucades concretes al servidor, i també qui rep les respostes i les adapta al format que el model pugui consumir.

Pensa en el client com l'intèrpret o traductor entre el model i els servidors . A més, el client és qui pot decidir quins recursos es carreguen de manera proactiva, manejar l'estat de la sessió, agrupar diverses trucades a eines i gestionar qüestions com ara els temps d'espera o els reintents.

Servidor MCP

El servidor MCP és el component que exposa capacitats concretes als models : accés a fitxers, consultes a bases de dades, trucades a APIs, operacions de negoci, documentació tècnica, serveis de tercers… Cada servidor MCP se sol centrar en un conjunt de funcionalitats, com si fos un microservei especialitzat.

Dins un servidor MCP es defineixen diversos tipus de capacitats :

• Tools (eines): funcions que el model pot invocar, per exemple obtenir_clima(ciutat), crear_evento_calendario() o consultar_stock_producto(id).
• Resources (recursos): peces d'informació que proporcionen context estàtic o semiestàtic al model, com ara documentació, polítiques, descripcions de negoci o regles d'ús.
• Indicacions: plantilles de text predefinides que el servidor ofereix al model per resoldre tasques recurrents de forma consistent, encapsulant prompts molt cuidats que no depenguin que cada client els redacti a mà.

La gràcia de lenfocament és que el model pot descobrir dinàmicament quines eines, recursos i prompts ofereix cada servidor MCP . No cal “cablejar” una API concreta: només cal exposar-la seguint l'estàndard i qualsevol host/client MCP compatible la podrà aprofitar.

Com funciona MCP pas a pas

El flux típic de treball amb MCP sol ser similar a gairebé tots els escenaris. Resumit de forma senzilla, quan un usuari fa una petició al model , pot passar el següent:

1. L'usuari llança una consulta o una ordre des d'un xat, una app, un IDE, etc. Aquesta interacció arriba al host on hi ha el LLM.
2. El model analitza la petició i, en funció del context, decideix si amb el seu coneixement intern n'hi ha prou o si necessita consultar dades externes o executar una acció.
3. Si necessiteu ajuda externa, el client MCP entra en joc: consulta quins servidors estan registrats, quins tools tenen disponibles i quins recursos/prompt poden servir de suport.
4. El client MCP truca a l'eina adequada al servidor MCP corresponent (per exemple, una tool que consulta una base de dades, una altra que truca a l'API de GitHub, una altra que cerca a la documentació, etc.).
5. el servidor executa l'operació (consulta, acció, cerca en documentació, lectura de fitxer…) i torna el resultat al client MCP en un format estructurat.
6. El client MCP injecta aquesta informació en el context del model, que la utilitzarà per generar una resposta més precisa, actualitzada i accionable per a lusuari.

Tot aquest procés es repeteix de manera iterativa si la tasca és complexa, i fins i tot es poden encadenar diverses eines. Des del punt de vista de l'usuari, simplement sembla que l'assistent d'IA “sap fer coses” i accedir a informació viva, quan en realitat el que passa és que aquest model està usant MCP com a capa d'integració.

Beneficis clau de MCP per a desenvolupadors i empreses

L'adopció de MCP obre la porta a un canvi d'enfocament com s'integren els models d'IA en sistemes reals. Entre els avantatges més destacats, podem esmentar diverses que afecten tant el pla tècnic com el de negoci.

Menor esforç d'integració

A l'enfocament clàssic, cada model d'IA s'ha de connectar manualment amb cada font de dades . Si teniu 5 models i 10 sistemes, això pot derivar en un embull d'integracions N × M molt difícil de mantenir. Amb MCP, cada model només necessita parlar MCP i cada sistema només ha d'oferir un servidor MCP. El problema es converteix en N+M, molt més assumible.

Això es tradueix que els equips de desenvolupament estalvien temps i esforç . En lloc de construir adaptadors personalitzats per a cada combinació de model i servei, se centren a implementar bé un servidor MCP i la resta de consumidors poden reutilitzar sense tocar codi.

Accés a dades en temps real sense reindexació

Amb MCP, els models consulten les fonts en temps real . Si canvieu un registre a la vostra base de dades, actualitzeu un document o modifiqueu una política al vostre sistema, el model veurà el canvi a la següent trucada, sense necessitat de regenerar embeddings ni reindexar.

Aquest enfocament encaixa especialment bé en entorns amb dades molt dinàmiques : sistemes financers, logística, operacions, suport en viu, inventaris, IoT… on la informació canvia constantment i un índex estàtic es queda obsolet de seguida.

Major seguretat i govern de la dada

Un altre avantatge important és que no cal bolcar tota la teva informació privada en una infraestructura externa perquè la IA la faci servir . Els servidors MCP es connecten als sistemes on resideixen les dades (on-premise, núvol privat, SaaS sota el teu control) i només exposen el que és necessari, quan cal.

Això redueix riscos de fugida d'informació i facilita aplicar polítiques de seguretat i control d'accés centralitzades . Pots auditar quines eines s'han fet servir, amb quins permisos, des de quin context i contra quins sistemes, una cosa molt valuosa en sectors com banca, salut, assegurances o administració pública.

Escalabilitat i interoperabilitat

En basar-se en un estàndard obert, MCP afavoreix la interoperabilitat entre models de diferents proveïdors . Si demà decideixes canviar de LLM o combinar-ne diversos, no has de tornar a construir totes les integracions; segueixes explotant els mateixos servidors MCP.

A més, l'enfocament modular permet afegir nous serveis de forma incremental : només cal aixecar un nou servidor MCP per a aquesta eina i registrar-lo als hosts que t'interessin. No cal reescriure la resta de la teva arquitectura ni tocar les integracions existents.

Millor experiència per a usuaris i agents

Com que el model pot mantenir context al llarg del temps i fer servir eines de forma proactiva, és possible construir assistents molt més rics: planificadors de projectes, copilots de programació, agents que automatitzen workflows complexos o assistents de negoci que creuen dades de diversos sistemes sense que l'usuari hagi de ser conscient de l'entramat tècnic subjacent.

Casos d'ús típics de MCP (incloent-hi Fintech)

El ventall d'aplicacions de MCP és molt ampli, però hi ha diversos escenaris on encaixa especialment bé perquè cal accés orquestrat a moltes fonts de dades i eines o perquè la seguretat és crítica.

Assistents virtuals empresarials

Un cas molt clar és el d' assistents interns per a empleats . Imagina un chatbot corporatiu que, gràcies a MCP, pot:

• Consulteu bases de dades de clients per veure l'historial, comandes, incidències o facturació.
• Accedir a documentació interna (manuals, procediments, FAQs) servida com un servidor MCP de documentació.
• Interactuar amb eines de negoci per crear tiquets, programar reunions, llançar reports o actualitzar registres.

Tot això es fa sense haver de programar un connector específic entre el model i cada sistema, perquè és MCP qui proporciona l'abstracció estàndard.

Integració amb IoT i dades en temps real

Per exemple, en logística o indústria, un agent podria utilitzar MCP per llegir en temps real l'estat de la cadena de producció o la localització d'enviaments i prendre decisions o recomanacions basades en aquestes dades actualitzades al segon.

Recomanadors i personalització de contingut

Plataformes digitals (streaming, e-commerce, aprenentatge en línia, etc.) poden aprofitar MCP per connectar el model amb l'historial i les preferències de cada usuari , sense haver de copiar aquesta informació fora dels sistemes que la gestionen.

Un servidor MCP pot exposar eines que tornin, per exemple, l'última cosa que l'usuari ha vist, productes visitats, interacció amb campanyes , i així el model construeix recomanacions molt més afinades i contextuals.

Ús a Fintech i sector financer

A Fintech, MCP encaixa molt bé perquè combina estandardització, seguretat i capacitat d'orquestrar moltes fonts de dades alhora . Alguns exemples típics inclouen:

• Assistents financers que consulten comptes, productes, moviments i documentació regulatòria a través de diferents servidors MCP.
• Anàlisi de risc i compliment connectant el model amb bases de dades internes, fonts externes regulades i sistemes de scoring.
• Automatització de workflows financers (obertures de compte, sol·licituds de crèdit, verificacions KYC) orquestrant diverses eines exposades mitjançant MCP.

A més, el fet que MCP faciliti un model de seguretat unificat i auditable és especialment rellevant en un sector on la traçabilitat i el compliment normatiu són obligatoris.

Com es construeix un servidor MCP a la pràctica

Més enllà de la teoria, MCP ja compta amb implementacions i SDKs en diferents llenguatges , cosa que permet crear servidors i clients MCP de forma relativament senzilla. La idea general és sempre la mateixa: definir eines, recursos i prompts que exposarà el teu servidor , i registrar el tipus de transport que utilitzaràs.

Per exemple, en entorns .NET/C#, es pot utilitzar un paquet com a ModelContextProtocol per aixecar ràpidament un servidor MCP. L'estructura típica consisteix a:

• configurar un host que registreu el servidor MCP, el transport (per exemple, stdio en local) i la detecció automàtica de tools, recursos i prompts a partir de l'assemblatge.
• Definir classes de ferramentes decorades amb atributs específics (per exemple, anotacions tipus McpServerToolType y McpServerTool) per declarar quines funcions podrà invocar el model.
• Crear recursos que incloguin context crític (per exemple, condicions dús, llistes de valors vàlids, regles de negoci) que el servidor posa a disposició del client.
• Registrar prompts predefinits per encapsular lògiques de prompting avançades, de manera que els clients puguin reutilitzar-los amb una simple ordre.

A partir d'aquí, eines com a inspectors MCP basats en Node o integracions amb VS Code, Claude, Cursor o editors similars permeten connectar-se a aquest servidor MCP local o remot, llistar les eines i provar-les des d'un xat integrat.

Crear i fer servir un client MCP

De l'altra banda hi ha el client MCP , que també es pot escriure en diferents llenguatges. La seva responsabilitat principal és connectar-se al servidor MCP, descobrir-ne les capacitats i orquestrar les trucades a tools, recursos i prompts en nom del model.

Un client típic sol:

• Configurar un transport (per exemple, stdio cap a un binari local o HTTP cap a un servidor remot).
• Trucar a mètodes per llistar eines, prompts i recursos disponibles al servidor.
• Invocar tools concretes amb els arguments adequats i recollir les respostes, normalment com a blocs de text o estructures més riques.

En escenaris reals, el client MCP s'integra directament a l'amfitrió on viu el LLM (per exemple, un xat de VS Code o una app web corporativa), i és el mateix model el que decideix quan trucar a cada eina segons el context de la conversa.

Servidors MCP especialitzats: el cas de la documentació

Un cas molt interessant que ja s'està veient en producció és el de servidors MCP generats a partir de documentació tècnica . Plataformes de documentació poden muntar automàticament un servidor MCP en una ruta estàndard (per exemple, /mcp ), que exposa una eina de cerca o consulta sobre tota la docu.

Gràcies a això, qualsevol client MCP compatible (Claude, Cursor, determinats plugins de VS Code, etc.) es pot connectar a aquest servidor MCP i deixar que el model consulti la documentació en temps real mentre respon a l'usuari . L'usuari ni tan sols ha de dir “busca'l a la documentació”: el LLM pot decidir per si mateix que aquesta font de context és rellevant i fer-la servir durant la generació de la resposta.

Per als proveïdors de programari, això suposa que els seus usuaris poden integrar la documentació oficial directament a les seves eines de IA , amb cerques més precises, context actualitzat i menor risc d'al·lucinacions del model.

Limitacions i desafiaments actuals de MCP

Tot i que MCP pinta molt bé i està creixent ràpid, no és una bala de plata i encara arrossega diverses limitacions que convé tenir clares abans d'apostar-ho tot a aquesta via.

D'una banda, el nivell d'adopció continua sent relativament recent . MCP es va llançar públicament com a estàndard obert a finals de 2024, i encara que des de llavors s'han publicat centenars de servidors MCP (incloent-hi implementacions oficials i de la comunitat), encara cal veure si acabarà convertint-se en l'estàndard de facto per a la comunicació LLM ↔ eines.

Un altre punt delicat és que, en moltes implementacions actuals, els servidors MCP s'executen de forma local a la màquina de l'aplicació , cosa que simplifica la seguretat però pot complicar l'escalabilitat i el desplegament en entorns distribuïts grans. Portar MCP ai multitenant continua sent un repte tècnic.

A més, hi ha limitacions inherents al propi model . Encara que un servidor MCP pugui allotjar moltes eines, el LLM està limitat per la finestra de context i per com gestiona la memòria persistent. No pots bombardejar el model amb centenars de ferramentes i recursos alhora sense perdre control o generar soroll; cal dissenyar bé què s'exposa, en quin moment i amb quines prioritats.

Finalment, alguns clients o extensions d'IA encara no aprofiten totes les capacitats de MCP (per exemple, hi ha eines que ignoren els recursos predefinits o els prompts del servidor), cosa que obliga a pensar sempre en salvaguardes des del costat del servidor perquè la lògica crítica no depengui només del que faci el client.

En conjunt, MCP ja és una peça molt prometedora per construir programari intel·ligent “de veritat”, però requereix maduresa d'ecosistema i bones pràctiques per desplegar-lo en producció amb garanties.

Tot apunta que, a mesura que els models de llenguatge es converteixin en el motor d'una autèntica economia d'agents i que més empreses estandarditzin les seves integracions mitjançant MCP, veurem sorgir entorns on els agents es poden descobrir, coordinar i reutilitzar eines de forma distribuïda . Per a qualsevol que estigui dissenyant avui solucions d'IA amb ambició de futur, val la pena entendre bé aquest protocol i començar a experimentar amb servidors i clients MCP, perquè és molt probable que es converteixi en la base silenciosa de moltes de les aplicacions intel·ligents que farem servir diàriament.