El Model Context Protocol se convirtió en el USB-C de la IA, y esa estandarización tiene un costo
En marzo de 2026, Anthropic informó que el SDK del Model Context Protocol había superado los 97 millones de descargas mensuales. Todos los grandes proveedores de IA —Anthropic, OpenAI, Google, Microsoft, AWS— ya ofrecen soporte nativo para MCP, y el número de servidores públicos supera los 10.000. Según cualquier métrica de descargas, MCP ya ganó la batalla de estandarización para conectar agentes de IA con herramientas y datos. Pero ganar el conteo de descargas y resolver el problema de integración resultan ser dos cosas distintas.
Por qué MCP ganó tan rápido
Antes de MCP, cada aplicación de IA que quería conectarse a herramientas externas necesitaba una integración personalizada. MCP estandarizó la interfaz: un protocolo que un modelo de IA puede usar para descubrir e invocar herramientas, sin importar qué modelo o herramienta esté del otro lado.
La fragmentación escondida dentro del estándar
Aquí está el truco: MCP estandariza la forma de la interfaz, no cada detalle de implementación debajo. Los mecanismos de transporte divergen —algunos servidores MCP corren sobre stdio, otros sobre HTTP con eventos enviados por el servidor. Los enfoques de autenticación divergen. Los modelos de permisos divergen. El resultado práctico es que «construir una vez, usar en cualquier lugar» se degrada a «construir una vez, luego probar por separado contra cada cliente que realmente planeas soportar».
La seguridad es el borde más afilado del mismo problema
Los modelos de permisos fragmentados no son solo una molestia de ingeniería: son una superficie de seguridad. La primera mitad de 2026 trajo exactamente el tipo de problemas de seguridad que suelen surgir cuando millones de personas dependen de algo. Las encuestas de la industria sugieren que solo alrededor del 41% de las organizaciones ha logrado poner servidores MCP en producción exitosamente.
Qué vigilar en lugar de los números de descarga
MCP resolvió el problema que se propuso resolver —una capa universal de descubrimiento e invocación para herramientas de IA— más rápido y de forma más completa que la mayoría de los esfuerzos de estandarización. El trabajo inconcluso es la parte que siempre iba a ser más difícil: hacer que «universal» realmente signifique intercambiable, no solo ampliamente instalado.