MCP o API: ¿En qué se diferencian?

El protocolo de contexto de modelos (MCP) y las interfaces de programación de aplicaciones (API) funcionan como puentes digitales que conectan sistemas separados. Las funciones de MCP se basan en las API, y las primeras no existirían si no fuera por las segundas. 

No obstante, las tecnologías difieren en su funcionamiento y propósito:

• El MCP conecta los modelos de lenguaje con herramientas y datos externos, lo que respalda los flujos de trabajo que se adaptan e improvisan en tiempo real. 
• Los flujos de trabajo de las API tradicionales siguen un conjunto establecido de reglas. Una vez que se conectan dos sistemas, las interacciones se limitan a un conjunto específico de acciones programadas por un desarrollador.

¿Debo usar el MCP o una API?

Si tu aplicación no utiliza un modelo de lenguaje de gran tamaño (LLM), opta por una API, ya que es más rápida y sencilla. Si conectas un LLM a un servicio que controlas, también puedes usar una API con la llamada a funciones propia del LLM (una función integrada en los LLM que convierte el resultado del modelo en un comando ejecutable). 

Utiliza el MCP cuando la misma herramienta deba actuar en varias aplicaciones de inteligencia artificial, cuando uses herramientas que no diseñaste o cuando desees que un modelo desarrolle nuevas funciones durante su ejecución. 

Descubre Red Hat AI

MCP es un protocolo open source que estandariza la forma en que las aplicaciones de inteligencia artificial se conectan a las herramientas y los datos externos. Es como si fuera un cable USB-C que conecta los dispositivos con los accesorios y posibilita la transmisión de los datos.

Antes del MCP, los desarrolladores tenían que crear integraciones personalizadas de las API para casos prácticos específicos. Esto significaba que debían volver a escribir las mismas integraciones muchas veces de maneras ligeramente diferentes. Cada conexión entre una aplicación de inteligencia artificial y un servicio externo se realizaba por encargo, lo que requería demasiado tiempo.

Obtén más información sobre el MCP

Las API permiten que tus productos y servicios se comuniquen con otros, sin necesidad de saber cómo están implementados. A veces, las API se consideran contratos, con documentación que representa un acuerdo entre las partes: si la parte 1 envía una solicitud remota estructurada de una manera particular, el software de la parte 2 responderá de esa manera.

Obtén más información sobre las API

Veamos cómo podría aplicarse esto en un caso práctico real, como programar una cita médica a través de un sitio web. 

En este caso, supongamos que un usuario intenta reservar un turno para el jueves por la tarde con el Dr. Wong a las 14:00 h. El turno con el Dr. Wong a las 14:00 h ya está reservado, pero tiene uno disponible a las 14:30 h. Como alternativa, el Dr. Johnson está disponible a las 14:00 h. 

Con un flujo de trabajo de API tradicional,el desarrollador de software escribe un script que se conecta directamente a la API de la clínica. Cuando el usuario intenta programar su cita de las 14:00 h con el Dr. Wong, la aplicación realiza una llamada a la API y se comunica para comprobar si el turno de 14:00 h con el Dr. Wong está disponible. 

La base de datos de la clínica indica que la cita de las 14:00 h no está disponible. Devuelve un error y muestra un mensaje como "El turno seleccionado no está disponible".

El siguiente paso depende del usuario. Como el programa no se puede adaptar, el usuario debe comenzar el proceso de nuevo e intentar enviar una nueva solicitud de cita para un horario diferente o con otro médico. 

Con un flujo de trabajo de MCP,una aplicación de inteligencia artificial se conecta al servidor de MCP de la clínica y verifica la disponibilidad con el Dr. Wong a las 14:00 h. Como la aplicación de inteligencia artificial que realiza la solicitud cuenta con un modelo de lenguaje de gran tamaño, puede evaluar las alternativas e interactuar con el usuario. 

Podría mostrar un mensaje como "La cita de las 14:00 h con el Dr. Wong no está disponible. La próxima cita disponible con el Dr. Wong es a las 14:30 h. Si deseas ver a un médico a las 14:00 h, el Dr. Johnson está disponible. ¿Qué opción prefieres?".

El usuario consulta su calendario y responde: "A las 14:00 h con el Dr. Johnson". Entonces, la aplicación activa una nueva solicitud de reserva para las 14:00 h con el Dr. Johnson que el usuario debe confirmar. 

El MCP permite que los modelos de inteligencia artificial decidan de forma dinámica qué herramienta usar, cuándo utilizarla y cómo interpretar el resultado. Elige el MCP en los siguientes casos:

• Tu aplicación se basa en LLM o flujos de trabajo con agentes (agentic AI). Un LLM no puede llamar a las API ni ejecutar código por sí solo. La aplicación que ejecuta el modelo resuelve este caso con llamadas a herramientas. El MCP estandariza la forma en que se describen y ofrecen esas herramientas, lo que permite que la misma herramienta funcione en diferentes aplicaciones de inteligencia artificial. 
• Tu flujo de trabajo implica tareas complejas que requieren varios pasos. Cuando quieres que un programa consulte una base de datos, resuma el resultado y actualice una aplicación de terceros, el MCP permite que un agente de inteligencia artificial encadene estos pasos.
• Se puede improvisar. Una aplicación con el MCP puede evaluar alternativas, superar obstáculos inesperados y adaptar su estrategia. 
• Necesitas portabilidad de las herramientas. Un solo servidor de MCP puede comunicarse con cualquier aplicación de inteligencia artificial compatible con el MCP. Esto significa que puedes diseñarlo una vez y reutilizarlo en todos los clientes, siempre que sea compatible.
• Deseas agregar funciones en tiempo real. Con el MCP, se pueden agregar funciones mientras se ejecuta la aplicación, de manera que no sea necesario programar todas las funciones posibles con anticipación. 

Las API siguen siendo la opción estándar cuando el código informático necesita conectarse a otro código de manera rápida y predecible. Elige una API en los siguientes casos:

• Tu tarea tiene un solo propósito y es sencilla. Por ejemplo, obtener un número de una base de datos es una tarea sencilla que no requiere un MCP.
• No se utilizan LLM. Tanto si tu software se basa en el machine learning (aprendizaje automático) clásico como en código backend estándar sin inteligencia artificial, las API tradicionales gestionan los datos sin procesar fácilmente. 
• Las prioridades son la velocidad y la eficiencia. Las API tradicionales pueden responder en milisegundos. Una llamada a la herramienta de MCP es similarmente rápida y los flujos de trabajo también lo son, pero el flujo de trabajo que la rodea incluye la inferencia del modelo, lo que lleva el tiempo de respuesta a segundos. 
• Quieres tener el control total de todas las decisiones que toma el sistema. Las API tradicionales siguen instrucciones exactas todo el tiempo. 

Desde el punto de vista técnico, es posible conectar un LLM directamente a una API tradicional con código personalizado, pero no vale la pena. Al conectar una API a un LLM, se obliga a los desarrolladores a escribir código personalizado para cada aplicación de inteligencia artificial que deseen implementar. Además, como las API se basan en una lógica fija ("Si sucede A, ejecuta B"), la inteligencia artificial con agentes moderna no cuenta con la flexibilidad necesaria para analizar las tareas en tiempo real.

El MCP se creó para respaldar una función sólida que poseen los agentes de inteligencia artificial: la detección dinámica. Esto consiste en la capacidad de un agente de inteligencia artificial para conectarse a un servidor, preguntar qué funciones tiene y comenzar a usarlas de inmediato sin intervención humana. 

La detección dinámica es posible gracias a las funciones del servidor y al esquema comprensible por las máquinas. Esto significa que, en lugar de que un desarrollador humano lea un manual web, el esquema estructurado (escrito en JSON estándar) posibilita que un LLM detecte los nombres de las herramientas, los requisitos de los parámetros y los tipos de datos por sí solo. Luego, el MCP clasifica estas funciones del servidor en tres categorías: 

• herramientas que permiten que el agente tome medidas;
• recursos que proporcionan contexto para el agente;
• peticiones que funcionan como plantillas de instrucciones.

A medida que crece la popularidad de los MCP, también crece la cantidad de integraciones predefinidas, es decir, de servidores de MCP listos para usar con las plataformas conocidas, como GitHub, Slack y Google Drive. Cuando se combinan los esquemas comprensibles para las máquinas, la detección en tiempo real y las herramientas prediseñadas, se obtiene suficiente información para que los agentes creen flujos de trabajo de inteligencia artificial que realmente reconozcan el contexto. Este es un proceso en el que los agentes evalúan de forma constante un entorno en tiempo real, extraen el contexto de los recursos de MCP, seleccionan la herramienta adecuada para ese momento y adaptan su razonamiento según la información que reciben del entorno real. 

Descubre los servidores de MCP para Red Hat OpenShift® AI

Para proteger los servidores de MCP, se requiere más que una autenticación básica. Necesitas reglas precisas para cada acción, claves digitales con límites estrictos y un sistema que pueda comprender todos los diferentes lenguajes de seguridad que "hablan" esas herramientas.

Obtén más información sobre la autenticación y la autorización para las puertas de enlace de MCP

¿El MCP sustituye a las API?

No, el MCP no es un remplazo universal para las API. Se creó para facilitar la comunicación entre los modelos de inteligencia artificial y las herramientas. Si tu aplicación no usa un modelo de lenguaje, no necesitas el MCP. 

Para las empresas, el debate sobre la adopción del MCP se centra en cómo hacerlo de manera segura. Los servidores de MCP pueden otorgar a los agentes de inteligencia artificial acceso a muchas herramientas y datos. No obstante, sin el control adecuado, no es posible establecer de manera uniforme quién puede acceder a qué, implementar límites de frecuencia ni aplicar políticas de seguridad. 

Obtén más información sobre la puerta de enlace de MCP para Red Hat OpenShift

¿Qué es una puerta de enlace de MCP?

Una puerta de enlace de MCP se encuentra entre los agentes de inteligencia artificial y los servidores de MCP a los que se conectan. A través de una única central gestionada, se encarga del control del tráfico en la infraestructura y dirige todas las llamadas a herramientas entre los agentes de inteligencia artificial y los servidores de MCP que utilizan. 

El objetivo de una puerta de enlace de MCP es garantizar la seguridad de las conexiones del servidor de MCP a gran escala. En concreto, respalda los siguientes aspectos:

• Seguridad. Las empresas pueden aplicar el control de acceso basado en funciones (RBAC). De esta manera, se establecen medidas de seguridad y se garantiza que un agente de marketing pueda acceder al servidor de MCP de las redes sociales, pero no al servidor de la nómina, por ejemplo.
• Observabilidad. Las puertas de enlace crean un registro de auditoría concentrado, que registra información como qué usuario inició el agente, qué herramienta de MCP se utilizó y qué respuesta se obtuvo. 
• Costo. Las puertas de enlace implementan límites de frecuencia para el consumo de tókenes por agente y permiten que los equipos asignen los gastos al uso por cada herramienta. 
• Confiabilidad. Las puertas de enlace pueden trasladar automáticamente una solicitud de herramienta a un endpoint nuevo si falla un servicio. 

Red Hat® AI está diseñada para realizar inferencias rápidas, flexibles y eficientes a través de su servidor con vLLM . Conecta los modelos a tus datos de manera confiable para unificar la personalización y el desarrollo de agentes especializados en una sola plataforma. Los productos cuentan con una base open source y te brindan el control total de los flujos de trabajo de inteligencia artificial en cualquier escala. 

La cartera de productos de Red Hat AI incluye Red Hat AI Enterprise, una plataforma para implementar, gestionar y ajustar la inferencia de esta tecnología y las aplicaciones que la utilizan, además de los flujos de trabajo de inteligencia artificial con agentes en cualquier infraestructura.

Descubre Red Hat AI