Desarrollo de agentes de IA e integración de servidores MCP: conectar modelos de lenguaje a los sistemas que ya utiliza

Las demostraciones siempre salen bien. El piloto que resumía su documentación impresionaba, el prototipo que respondía consultas de soporte parecía listo, y entonces se encontró con el CRM de verdad, con el modelo de permisos de verdad y con los datos de verdad, y dejó de estar listo.

Ese hueco es el trabajo. No el modelo (el modelo es hoy la parte fácil), sino todo lo que hay entre un modelo de lenguaje y un sistema que tiene opiniones sobre autenticación, límites de tasa, multitenencia y quién puede ver qué.

Qué construimos

Servidores MCP para sus sistemas internos

El Model Context Protocol es un estándar abierto para exponer herramientas y datos a asistentes de IA de forma coherente entre clientes. Se ha convertido en la respuesta práctica a la pregunta de cómo dejar que un asistente use sus sistemas sin escribir una integración a medida para cada asistente.

Construimos servidores MCP de producción sobre lo que su negocio utiliza de verdad: el CRM, el sistema de tickets, el data warehouse, sus API internas, el gestor documental, el ERP. No un servidor de demostración con un token fijo en el código, sino uno con autenticación en condiciones, autorización por usuario que respeta los permisos que sus sistemas ya aplican, aislamiento multitenant, límites de tasa, trazas estructuradas y una superficie de error que le dice algo útil al modelo cuando una llamada falla.

Agentes y asistentes de IA a medida

Agentes que hacen un trabajo de principio a fin: clasificar una cola de entrada, conciliar dos sistemas que no cuadran, redactar la primera versión de un documento que después aprueba una persona, ejecutar una tarea de investigación sobre fuentes internas y externas. Los construimos con las partes aburridas incluidas: reintentos, tiempos de espera, techos de coste, idempotencia en todo lo que escribe, y un paso de aprobación humana allí donde una acción sea difícil de deshacer.

Recuperación sobre sus propios contenidos

RAG bien hecho: ingesta y troceado de documentos que respeta la estructura en lugar de contar caracteres, embeddings y búsqueda vectorial, recuperación híbrida por palabra clave y semántica (porque la búsqueda puramente vectorial se deja fuera las coincidencias exactas), reordenación y citas a la fuente para que una respuesta se pueda comprobar. Más la mitad poco lucida: mantener el índice al día conforme cambian los documentos y respetar el control de acceso para que la recuperación nunca saque a la luz un documento que el usuario no podría abrir de otro modo.

Automatización de procesos y back-office

No todo necesita un agente. Buena parte de lo que las empresas quieren de la IA es clasificación, extracción y enrutado: leer un correo entrante y decidir qué es, sacar datos estructurados de un documento no estructurado, casar una descripción con una entrada de catálogo. Eso es más barato, más fiable y más fácil de evaluar que un agente, y cuando es la respuesta correcta, construimos eso.

Evaluación, observabilidad y salvaguardas

Una funcionalidad de IA sin evaluación es una funcionalidad que nadie puede mejorar. Construimos conjuntos de prueba a partir de sus casos reales, medimos contra ellos en cada cambio, trazamos cada llamada con sus entradas, uso de herramientas, latencia y coste, y ponemos límites antes de que un bucle descontrolado encuentre su factura de API. La inyección de prompts es un riesgo real desde el momento en que un agente lee contenido no confiable y además puede actuar: diseñamos la frontera de herramientas para que un documento malicioso no se convierta en una acción destructiva.

Cómo trabajamos con los proveedores de modelos

No estamos atados a ninguno. Construimos sobre los modelos Claude de Anthropic, sobre OpenAI, sobre Google y sobre modelos de pesos abiertos ejecutados en su propia infraestructura, y diseñamos la integración de modo que el modelo sea una pieza reemplazable. Cuál conviene usar depende de la tarea, de la latencia que necesite, del coste por llamada a su volumen y (cada vez más el factor decisivo en Europa), de a dónde se permite que vayan los datos.

Para clientes con restricciones de residencia de datos desplegamos en regiones de la UE o con inferencia autoalojada en hardware propio, y le diremos con franqueza dónde le cuesta eso capacidad.

Lo que no hacemos

No somos una consultora de estrategia de IA. No organizamos talleres sobre el potencial transformador de nada.

Tampoco vamos a construirle un agente para un problema que no lo necesita. Una parte apreciable de los proyectos de IA que nos plantean se resuelve mejor con una integración de API bien especificada, con un índice de búsqueda o arreglando el problema de calidad del dato que hay debajo. Recomendar eso nos cuesta un encargo más grande y le ahorra a usted un sistema que tendría que mantener.

Dónde suele rentar

Conocimiento interno técnicamente disponible y prácticamente inalcanzable: miles de documentos repartidos entre una wiki, una unidad compartida y un sistema de tickets, donde la persona que sabe cuál está vigente está de vacaciones.

Clasificación de alto volumen: colas de soporte, entrada de siniestros, leads comerciales, revisión de solicitudes. Cualquier punto donde hoy una persona lee algo, decide qué es y lo pasa a otro sitio.

Sistemas que nunca tuvieron integración: dos herramientas que deberían hablarse, no lo hacen, y el apaño es una persona con una hoja de cálculo. Un agente con acceso MCP a ambas suele ser un camino más corto que un proyecto formal de integración.

Operaciones con mucho documento: contratos, facturas, especificaciones, expedientes regulatorios. La extracción con un paso de revisión humana ya es hoy lo bastante fiable como para cambiar la economía de estos procesos.

Productividad de desarrollo sobre su propio código: herramientas internas, apoyo en revisión de código, generación de tests y servidores MCP que den a los asistentes de su equipo acceso al sistema de build, al gestor de incidencias y a los logs.

Cómo trabajamos

Descubrimiento, de una a dos semanas. Miramos el proceso que quiere cambiar, los sistemas implicados y qué aspecto tienen los datos en realidad. El resultado es una valoración escrita de qué es viable, cuánto costará operarlo al mes a su volumen y cuáles son los modos de fallo. A veces dice que no lo construya.

Prueba de concepto, de tres a seis semanas, contra datos reales en un entorno controlado. El objetivo no es una demo: es un resultado de evaluación en el que se pueda confiar, con una cifra de precisión medida sobre casos elegidos por usted.

Construcción en producción, normalmente de ocho a dieciséis semanas, incluyendo autenticación, autorización, monitorización, banco de evaluación, controles de coste y documentación. Desplegado en su infraestructura, en su repositorio, con su equipo implicado de principio a fin.

Operación o traspaso. O bien su equipo se hace cargo, con el manual de operación y la batería de evaluación, o bien seguimos operándolo nosotros con soporte. Los modelos cambian, los prompts se desvían, y la batería de evaluación es lo que le avisa de que algo ha empeorado sin hacer ruido.

Tecnología

Python y TypeScript para el trabajo de agentes y MCP; PostgreSQL con pgvector, Qdrant, Weaviate u OpenSearch para recuperación; AWS Bedrock, Azure OpenAI, API directas de proveedor e inferencia autoalojada con vLLM u Ollama cuando los datos no pueden salir; trazado basado en OpenTelemetry; y su stack actual del lado de la integración, porque ahí es donde está el trabajo de verdad.

Preguntas frecuentes

¿Qué es un servidor MCP, dicho en llano?

Un servicio pequeño que expone una capacidad (leer de una base de datos, crear un ticket, buscar en sus documentos), en un formato estándar que los asistentes de IA entienden. Constrúyalo una vez, y cualquier asistente compatible con MCP puede usar esa capacidad sin una integración a medida para cada uno.

¿Construimos un servidor MCP o una integración de API normal?

Si un asistente de IA necesita un sistema, una integración directa es más simple. MCP se gana el sueldo cuando varios asistentes o varios equipos necesitan los mismos sistemas, cuando quiere que la capacidad esté disponible para herramientas que todavía no ha elegido, o cuando quiere un único sitio donde vivan los permisos y el registro de auditoría.

¿Cómo impiden que un agente haga algo destructivo?

Por capas. Las herramientas que escriben están separadas de las que leen, y las de escritura se acotan tanto como permita la tarea. Todo lo irreversible pasa por un paso de aprobación humana. Cada llamada se registra con sus argumentos. Y el agente corre con una identidad de servicio que solo tiene los permisos que el trabajo necesita, de modo que el radio de daño lo limita su propio modelo de autorización y no el prompt.

¿Cuánto cuesta operar esto?

Depende casi por completo del volumen y de cuánto contexto lleva cada llamada. Lo modelamos durante el descubrimiento con números reales, porque entre un diseño que envía un documento entero en cada turno y otro que recupera solo la parte relevante puede haber un orden de magnitud en el coste mensual.

¿Puede funcionar sin que nuestros datos salgan de la UE?

Sí. Los principales proveedores ofrecen regiones en la UE, y los modelos de pesos abiertos pueden ejecutarse en infraestructura que usted controle. Suele haber una contrapartida en capacidad, y seremos concretos sobre cuál es en lugar de fingir que no existe.

Nuestro último piloto de IA no llegó a producción. ¿Por qué este sí?

Normalmente porque el piloto demostró que el modelo sabía hacer la tarea y no tocó nunca autenticación, permisos, gestión de errores, evaluación ni coste, que es donde está el noventa por ciento restante del trabajo. Nosotros partimos de que el modelo funciona y dedicamos el proyecto a todo lo demás.

Primeros pasos

Descríbanos el proceso que quiere cambiar y los sistemas que toca. Le diremos si un agente es el instrumento adecuado, qué aspecto tiene una primera versión realista y cuánto cuesta construirla y operarla.

Contáctenos para concertar una sesión técnica de descubrimiento.

Servicios relacionados

• Ampliación de Personal y Outsourcing: ingenieros de IA integrados en su equipo
• Cumplimiento del Reglamento de Inteligencia Artificial: para cuando lo que construya entre en el ámbito de aplicación
• Optimización de costos AWS: las cargas de inferencia y recuperación tienen la costumbre de dar sorpresas