En els darrers mesos, el Model Context Protocol (MCP) ha guanyat protagonisme en el debat sobre l’evolució de la intel·ligència artificial. Mentre continuem aprofitant les capacitats dels models de llenguatge (LLM), ens trobem constantment amb el mateix problema: aquests sistemes només funcionen bé si tenen accés al context adequat. Estandarditzar com es proporciona aquest context és, probablement, un dels reptes més importants que afrontem ara mateix.
El novembre de 2024, Anthropic va presentar el MCP i, des d’aleshores, no ha deixat de guanyar tracció. L’objectiu és clar: trencar l’aïllament dels LLM i permetre’ls interactuar de manera efectiva amb dades i sistemes del món real.
El problema de les integracions infinites
Els qui han treballat implementant solucions d’IA en entorns corporatius reconeixeran aquest escenari: cada nova integració amb una base de dades, una API o una eina requereix un desenvolupament a mida. El resultat és un ecosistema fragmentat, difícil d’escalar i complex de mantenir.
Això reflecteix un desafiament àmpliament debatut dins la comunitat tècnica: si tenim M models i N eines o fonts de dades, podrien generar-se fins a M × N integracions específiques. A mesura que ambdós nombres creixen, la complexitat augmenta de forma exponencial.
El MCP afronta aquest desafiament des de l’arrel proporcionant un protocol obert i universal. Pot entendre’s com el “USB-C de la IA”: una interfície estàndard, segura i bidireccional que connecta qualsevol model amb qualsevol font de dades o eina externa, sense necessitat d’integracions ad hoc per a cada combinació.
Arquitectura: simple però efectiva
El disseny del MCP destaca per la seva simplicitat. Defineix una arquitectura client-servidor amb tres components principals:
- Host MCP: és l’aplicació que executa el model i gestiona la interfície d’usuari. Pot ser l’app d’escriptori de Claude, un IDE amb capacitats d’IA o qualsevol altre entorn similar.
- Client MCP: actua com a intermediari dins l’host, gestionant les connexions amb els servidors i traduint les peticions del model a un format estàndard.
- Servidor MCP: és el component que exposa capacitats, dades o context extern a l’agent. Poden ser connexions a Google Drive, Slack, GitHub, bases de dades Postgres o fins i tot entorns de desenvolupament complets. Tot s’exposa mitjançant una interfície comuna i previsible.
Beneficis d’implementar MCP
- Agents que realment actuen
El MCP permet que els models de llenguatge deixin de ser simples assistents conversacionals per convertir-se en agents autònoms capaços d’executar accions reals. Ja no estan limitats al coneixement estàtic del model; ara poden accedir a dades en temps real i modificar sistemes externs. - Adéu als connectors personalitzats
En lloc de mantenir desenes de connectors específics, es desenvolupa sobre un protocol comú. Això redueix dràsticament la complexitat d’enginyeria, facilita l’adopció entre diferents proveïdors d’LLM i permet integrar noves capacitats sense reescriure la infraestructura base. L’avantatge és especialment clara en entorns empresarials on coexisteixen múltiples sistemes i es requereix agilitat per evolucionar les solucions d’IA. - Més control, menys al·lucinacions
El MCP introdueix una gestió estructurada del context basada en esquemes i validació. Això aporta beneficis directes en entorns de producció:
- Menys errors per prompts mal formats o ambigus.
- Major resistència a atacs de prompt injection.
- Reducció significativa d’al·lucinacions en connectar amb fonts de dades verificables.
MCP vs. RAG: competeixen o es complementen?
Tant MCP com RAG (Retrieval-Augmented Generation) busquen enriquir els models amb informació externa, però resolen problemes diferents.
El RAG és fonamentalment passiu: recupera informació rellevant d’una base de coneixement i la incorpora al prompt abans que el model generi la seva resposta. És ideal per a xatbots, cercadors semàntics o sistemes de preguntes i respostes que requereixen respostes precises..
El MCP, en canvi, és actiu i bidireccional. No només recupera dades, sinó que permet que el model executi accions i modifiqui sistemes externs.
En molts projectes, l’arquitectura òptima combina ambdós enfocaments: RAG per a l’enriquiment contextual i MCP per a la capacitat d’acció.
MCP vs. RAG: dos enfocaments complementaris
| Característica | MCP | RAG |
|---|---|---|
| Objectiu principal | Estandarditzar la comunicació entre LLM i eines externes per realitzar accions i recuperar dades estructurades. | Millorar les respostes del model mitjançant la incorporació d’informació rellevant i fidedigna procedent d’una base de coneixement. |
| Mecanisme | Defineix un protocol obert per invocar funcions o sol·licitar dades a servidors externs. | Recupera text rellevant i l’incorpora al prompt del model. |
| Interacció | Activa i bidireccional: el model pot actuar sobre l’entorn. | Passiva i unidireccional: el model només amplia el seu context abans de respondre. |
| Resultat | Trucades estructurades i execució de tasques reals. | Respostes més precises i contextualitzades. |
| Exemples d’ús | Agents que reserven vols, actualitzen CRMs o executen codi en temps real. | Xatbots, cercadors semàntics i sistemes de preguntes i respostes. |
La IA ja no està aïllada
El MCP marca un punt d’inflexió en l’evolució dels agents d’intel·ligència artificial. No es tracta només de models més grans o més intel·ligents; es tracta de models que finalment poden connectar-se de manera estàndard amb el món real, capaços d’actuar, aprendre i col·laborar de manera segura.
Per a aquells que implementen solucions d’IA, això significa arquitectures més mantenibles, integracions més ràpides i la possibilitat real de construir agents que vagin molt més enllà de la conversa.
L’era de la IA veritablement connectada ja ha començat. El MCP no és només una altra eina més: és la infraestructura que fa possible que els agents d’IA interactuïn de manera eficient amb el món real.
