Si hay un área en la que se producen noticias a diario, esta es el area de la inteligencia artificial. Nuevos modelos, nuevas técnicas, (nuevos memes), nuevas herramientas… van apareciendo día tras día haciendo los ecosistemas cada vez más capaces. Dentro de todos estos avances, hay dos protocolos que están configurando el futuro de los agentes de IA (de los cuales hablamos hace poco) y su integración con los sistemas de aprendizaje automático (ML). Estos protocolos abordan necesidades distintas pero complementarias en la construcción de ecosistemas de IA interoperables, escalables y conscientes del contexto. Nos referimos a Model Context Protocol (MCP) y Agent-to-Agent (A2A).
Model Context Protocol (MCP,Protocolo de contexto de modelos)
El Model Context Protocol (MCP), desarrollado por Anthropic y publicado en código abierto en noviembre de 2024, es un protocolo estandarizado que conecta modelos de IA, en particular modelos de lenguaje grandes (Large Language Models, LLM), con herramientas externas, fuentes de datos y API.
Podemos pensar en el MCP como un adaptador universal, similar a un puerto USB-C para IA, que optimiza la forma en que los modelos acceden al contexto estructurado (por ejemplo, bases de datos, archivos o sistemas empresariales) para realizar tareas que van más allá de las que podrían hacer con sus datos de entrenamiento. Funciona con una arquitectura cliente-servidor, en la que un host MCP (la aplicación de IA) se conecta a servidores MCP que exponen capacidades específicas. El MCP mejora la capacidad de un agente para actuar sobre datos del mundo real, sin necesidad de integraciones codificadas.
MCP se centra en la integración vertical, lo que garantiza una interacción fluida entre un modelo de ML y su entorno externo, mas allá de sus datos de entrenamiento.
Características principales de MCP:
- Integración de herramientas: inyecta dinámicamente herramientas, documentos o datos de las API en la ventana de contexto de un LLM.
- Acceso estandarizado: utiliza definiciones compatibles con OpenAPI para interacciones API coherentes, lo que reduce la necesidad de integraciones a medida.
- Escalabilidad: admite múltiples servidores para diversas fuentes de datos (por ejemplo, Google Drive, Postgres).
- Flexibilidad: permite a los agentes obtener contexto o ejecutar acciones sin indicaciones predefinidas. Permite conexiones bidireccionales seguras con sistemas externos, lo que admite acciones como consultar API o actualizar registros.
Protocolo de agente a agente (A2A)
El protocolo A2A, introducido por Google en abril de 2025 , es un estándar abierto diseñado para permitir una comunicación y colaboración fluidas entre agentes de IA, independientemente de sus frameworks o proveedores.
A2A facilita las interacciones entre agentes mediante la delegación de tareas de manera estándar, el intercambio de mensajes y el descubrimiento de capacidades. Basado en estándares web como HTTP, JSON-RPC 2.0 y Server-Sent Events (SSE), A2A garantiza una comunicación segura, escalable y en multiples formatos (texto, JSON, imágenes, etc.). Permite a los agentes coordinar flujos de trabajo complejos, compartir estados de tareas y negociar formatos de datos, imitando la dinámica de los equipos humanos.
A2A se centra en la integración horizontal, lo que permite la comunicación y la colaboración directas entre agentes de IA.
Características principales de A2A:
- Descubrimiento de capacidades: los agentes exponen «tarjetas de agente» (basadas en JSON) para anunciar sus habilidades, lo que permite un descubrimiento dinámico.
- Gestión de tareas: admite tareas de corta y larga duración con actualizaciones de estado en tiempo real.
- Colaboración: permite a los agentes intercambiar mensajes estructurados de varias partes y artefactos (por ejemplo, informes, elementos visuales).
- Seguridad: incorpora autenticación de nivel empresarial alineada con los estándares OpenAPI.
Diferencias clave entre MCP y A2A
Aunque ambos protocolos potencian a los agentes de IA, tienen fines distintos dentro del ecosistema de agentes, horizontal y. A continuación se ofrece una comparación detallada de los aspectos más importantes:
| Aspecto | MCP | A2A |
|---|---|---|
| Foco principal | Integración entre agente y herramienta/datos. Conecta modelos de ML con herramientas y datos externos (integración vertical). | Comunicación y colaboración entre agentes (integración horizontal). |
| Caso de uso | Conectar un agente a sistemas externos para acceder a datos o realizar acciones. Proporciona contexto y herramientas a un único modelo o agente. | Coordinar tareas y el intercambio de datos entre múltiples agentes en diferentes plataformas/proveedores. |
| Capa de comunicación | Vertical (agente a herramienta/API). | Horizontal (agente a agente). |
| Estándares | Basado en OpenAPI, modelo cliente-servidor. | HTTP, JSON-RPC 2.0, SSE para actualizaciones en tiempo real. |
| Intercambio de datos | Contexto estructurado (API, documentos, funciones). | Multimodal (texto, JSON, imágenes, vídeo) con negociación de formatos. |
| Seguridad | OAuth 2.0, descubrimiento seguro de servidores (archivos .well-known/mcp). | Autenticación de nivel empresarial, entorno aislado para prevenir ataques. |
| Complejidad | Requiere definiciones explícitas de las herramientas, menos flexible para la colaboración. | Gestiona interacciones dinámicas y no estructuradas. |
| Escalabilidad | Se escala con integraciones de herramientas, limitado a contextos predefinidos. | Se escala con ecosistemas de agentes, admite interoperabilidad entre proveedores. |
| Arquitectura | Actúa como capa de integración para las entradas/salidas del modelo. | Define un protocolo de comunicación para las interacciones de los agentes. |
| Tarea de ejemplo | Consultar una base de datos CRM para obtener datos de clientes para un modelo de ML. | Un agente que delega una tarea de generación de informes a otro agente. |
| Desarrollado por | Anthropic | Google, con más de 50 socios industriales |
| Transporte | Compatible con Stdio, WebSocket y HTTP. | Utiliza JSON-RPC 2.0 sobre HTTP(S) con SSE para streaming. |
En esencia, MCP dota a un único modelo de ML o agente de las herramientas y los datos que necesita para actuar, mientras que A2A permite que varios agentes colaboren en equipo, compartiendo tareas y resultados a través de una red.
Cuándo utilizar MCP, A2A o ambos
MCP
MCP es ideal en escenarios en los que un modelo de ML necesita interactuar con sistemas externos, herramientas, API o fuentes de datos para realizar acciones o recuperar contexto para completar una tarea. Elimina la complejidad de las integraciones personalizadas al proporcionar una forma estandarizada de inyectar contexto y activar acciones.
Es ideal para:
- Integración de herramientas: cuando un agente necesita acceso directo a plataformas como GitHub, Slack o bases de datos.
- Acciones sensibles al contexto: cuando un agente necesita contexto en tiempo de ejecución para tomar decisiones informadas.
- Integraciones estandarizadas: cuando es prioritario simplificar las conexiones con los sistemas empresariales.
Ejemplo: optimización de la cadena de suministro Una empresa de fabricación utiliza un modelo ML para predecir las necesidades de inventario. El modelo, integrado a través de MCP, se conecta a:
- Una API de la cadena de suministro para obtener datos de los proveedores en tiempo real.
- Una base de datos de almacenes para comprobar los niveles de existencias.
- Un sistema ERP para actualizar los pedidos de compra.
El servidor MCP se encarga del intercambio seguro de datos, lo que garantiza que el modelo pueda razonar sobre los datos actuales y ejecutar acciones como realizar pedidos. Esta configuración permite que el modelo funcione de forma autónoma dentro del ecosistema de la empresa, lo que mejora la eficiencia sin necesidad de coordinación entre agentes.
A2A
A2A es ideal para situaciones en las que varios agentes de IA necesitan colaborar entre plataformas u organizaciones, o realizar tareas de varios pasos en diferentes plataformas o proveedores. Permite a los agentes descubrirse entre sí, negociar tareas y compartir resultados sin depender de un controlador centralizado.
Es ideal para:
- Flujos de trabajo con múltiples agentes: cuando agentes especializados necesitan coordinarse, delegar o compartir resultados.
- Ecosistemas entre proveedores: cuando agentes de diferentes proveedores (por ejemplo, Google o Salesforce) deben interoperar.
- Interacciones dinámicas: cuando las tareas implican una comunicación continua, la negociación de formatos o procesos de larga duración.
Ejemplo: asistencia al cliente entre organizaciones Una empresa de telecomunicaciones se asocia con un servicio de reparación externo. Cada uno ejecuta su propio agente de IA:
- El agente de la empresa de telecomunicaciones se encarga de las quejas y el diagnóstico de los clientes.
- El agente del servicio de reparación programa las visitas de los técnicos.
Mediante A2A, el agente de la empresa de telecomunicaciones envía una tarea (por ejemplo, «programar una reparación para el cliente X») al agente de reparación, incluyendo los datos de diagnóstico como un artefacto JSON. El agente de reparación responde con una confirmación y una hora programada, que se transmite a través de SSE. Esta interacción se produce sin que ninguno de los agentes necesite comprender los sistemas internos del otro.
Uso conjunto de MCP y A2A
Cuando se combinan, MCP y A2A crean un potente marco para construir sistemas de ML componibles y multiagente. MCP proporciona a los agentes individuales las herramientas y el contexto que necesitan, mientras que A2A permite a esos agentes colaborar a la perfección.
- Flujos de trabajo empresariales complejos: cuando las tareas requieren tanto la colaboración de agentes como la interacción de herramientas.
- Automatización escalable: cuando se crean sistemas modulares que se integran con stacks ya existentes.
- Ecosistemas interoperables: cuando se aprovechan agentes y herramientas de varios proveedores.
Ejemplo: detección de fraudes financieros Un banco implementa un sistema multiagente para detectar y responder a transacciones fraudulentas:
1- Agente 1: agente de detección de fraudes (utiliza MCP)
- Conectado a través de MCP a:
- Una base de datos de transacciones para datos en tiempo real.
- Una API de modelo ML para puntuar el riesgo de las transacciones.
- Un sistema de notificación para alertar a los equipos de cumplimiento.
- El agente extrae los datos de las transacciones, los puntúa y marca las actividades sospechosas.
2- Agente 2: agente de investigación (utiliza MCP y A2A)
- Utiliza MCP para acceder a los perfiles de los clientes y a los datos históricos.
- Recibe las transacciones marcadas por el agente 1 a través de A2A, incluido un artefacto JSON con puntuaciones de riesgo.
- Delega las tareas de seguimiento (por ejemplo, «congelar la cuenta») a un tercer agente.
3- Agente 3: agente de acción (utiliza MCP)
- Conectado a través de MCP al sistema de gestión de cuentas del banco.
- Ejecuta acciones como congelar cuentas o emitir reembolsos.
Cómo funcionan juntos
- MCP permite a cada agente interactuar con sus respectivas herramientas y fuentes de datos (por ejemplo, bases de datos, API).
- A2A facilita la comunicación entre los agentes, permitiéndoles compartir tareas y resultados (por ejemplo, pasar una transacción marcada del agente 1 al agente 2).
El resultado es un flujo de trabajo cohesionado en el que los agentes operan de forma independiente pero se coordinan de manera eficaz.
Como hemos visto, MCP y A2A son protocolos complementarios que abordan retos distintos pero interconectados en las empresas impulsadas por el aprendizaje automático. MCP dota a los modelos individuales del contexto y las herramientas que necesitan para actuar, mientras que A2A permite a los agentes colaborar entre sistemas y organizaciones. Utilizados por separado, resuelven problemas específicos de integración o coordinación; utilizados conjuntamente, pueden desbloquear flujos de trabajo de IA sofisticados y escalables.