La próxima batalla del SaaS empieza por encima de MCP

El Protocolo de contexto de modelo ofrece a la IA una forma común de conectarse con el software empresarial. Vrushali Paunikar, directora de producto de Carta, sostiene que el desafío mayor es decidir qué ocurre después de establecer la conexión y qué parte del trabajo debe dejarse en manos del modelo de lenguaje.

En el último año, el Protocolo de contexto de modelo ha pasado de ser un estándar técnico relativamente desconocido a convertirse en una de las ideas más importantes de la IA empresarial.

MCP ofrece a las aplicaciones de IA una forma estándar de conectarse con software externo, acceder a datos y ejecutar acciones. En lugar de que cada empresa de software cree una interfaz a medida para cada modelo de IA, MCP proporciona un lenguaje común.

Piensa en MCP como el enchufe de la pared. Es un estándar común que permite conectar cualquier dispositivo y suministrarle energía. Es estupendo porque es abierto y funciona en todas partes, pero el enchufe por sí solo no hace nada por ti. Aún necesitas un aparato.

Sospecho que, con el tiempo, miraremos el entusiasmo actual por MCP de forma muy parecida a como vemos el auge de las API. Fueron fundamentales y cambiaron la manera de crear software. Pero, con el tiempo, la conectividad pasó a ser una infraestructura esperada, en lugar de constituir el producto en sí.

Gran parte del sector del SaaS trata actualmente la conectividad con la IA como si fuera un producto terminado. Basta con crear un servidor MCP, exponer las herramientas y los datos adecuados y dejar que el modelo se encargue del resto.

Para algunos casos de uso, eso es suficiente. Para muchos flujos de trabajo empresariales, sobre todo los financieros, no lo es.

MCP se impone en la capa de conexión

La estandarización ya está cambiando la forma en que las aplicaciones de IA interactúan con el software. Cada vez más plataformas de IA importantes son compatibles con MCP, lo que hace cada vez más viable que los usuarios trabajen con los mismos sistemas subyacentes desde la interfaz de IA que prefieran.

Pero, aunque la interoperabilidad resuelve el problema del acceso, no le indica al modelo cómo debe realizarse el trabajo.

Dedico buena parte de mi tiempo a pensar en el software que utilizan los inversores de los mercados privados y los equipos financieros, un ámbito en el que esta distinción resulta especialmente clara.

Por ejemplo, si se da acceso a un sistema de IA a los datos de rendimiento y cartera de un fondo privado, puede haber varias formas de responder a lo que parece una pregunta sencilla.

Una opción podría consistir en aplicar el cálculo adecuado. Otra, en tomar un atajo. Una tercera podría interpretar mal lo que pide el usuario.

El usuario acaba teniendo que hacer de analista, de ingeniero de instrucciones y de responsable del control de calidad, todo a la vez. No es la experiencia fluida que se había prometido.

El producto aún necesita criterio propio

Aquí es donde la siguiente capa de la arquitectura resulta interesante. Si MCP es la capa de conexión, los complementos y las habilidades se sitúan por encima y le indican al agente cómo utilizar esa conexión para completar una tarea concreta.

En lugar de limitarse a exponer datos y funciones para un modelo, pueden agrupar instrucciones, flujos de trabajo, cálculos deterministas e interfaces en torno a ellos.

A veces, esto puede significar seguir una secuencia definida de acciones. Otras veces, puede implicar ejecutar un cálculo determinista o un script en vez de pedirle a un modelo de lenguaje grande que obtenga la respuesta. En otros casos, el resultado final puede ser una hoja de cálculo, un informe o una pequeña aplicación diseñada específicamente para ese flujo de trabajo.

La experiencia está integrada en el producto, en lugar de dejarse por completo en manos del modelo.

Hay pruebas de que esta combinación funciona. Google probó recientemente un agente de programación con IA que podía acceder a su documentación técnica mediante MCP y, después, le proporcionó instrucciones adicionales y específicas para la tarea, que explicaban cómo aprovechar mejor esa información. La combinación de la conexión y esas instrucciones alcanzó una tasa de aprobación del 96.3% en la evaluación de Google, con un 63% menos de tokens por respuesta correcta que con las instrucciones estándar.

Para las empresas de SaaS, esto cambia dónde reside la diferenciación. Si todas las aplicaciones pueden exponer datos mediante el mismo estándar abierto, el acceso en sí pierde singularidad. Saber cómo convertir ese acceso en un resultado fiable adquiere más valor.

No todas las tareas deben dejarse en manos del modelo

Los modelos de lenguaje grandes son sistemas probabilísticos. La flexibilidad que los hace útiles para escribir, explorar y razonar resulta menos atractiva en flujos de trabajo donde importan la precisión y la repetibilidad. Las finanzas son un buen ejemplo: si alguien espera obtener siempre la misma respuesta al realizar el mismo cálculo, las variaciones se convierten rápidamente en un problema.

El software financiero lleva décadas avanzando en la dirección opuesta. Los registros de auditoría, los permisos, los cálculos estandarizados y los procesos repetibles existen porque la coherencia es valiosa.

La IA no debería descartar esas lecciones. Los mejores productos de IA empresarial sabrán cuándo permitir que un modelo razone y cuándo limitarlo. Los sistemas probabilísticos son adecuados cuando resultan útiles el criterio y la interpretación. Las herramientas deterministas son más apropiadas cuando se requieren precisión y repetibilidad.

El mismo principio se aplica siempre que el costo de equivocarse al responder sea alto.

Hacia dónde se desplazará la diferenciación del SaaS

La capa que se está construyendo sobre MCP aún está mucho menos definida que el propio MCP.

Han surgido distintos enfoques para los complementos y las habilidades, pero ya se trabaja para hacerlos más portables entre plataformas de IA, en lugar de limitarlos a un único ecosistema.

Las empresas de SaaS tendrán que tomar decisiones antes de que se definan todos los estándares. Siempre ha sido así.

La alternativa es exponer una interfaz y dejar que los clientes construyan la experiencia por sí mismos.

La IA podría seguir el mismo camino. Conectar un agente al software empresarial es cada vez más fácil, mes a mes. La ventaja residirá cada vez más en lo que ocurre después: los flujos de trabajo, los controles y el conocimiento especializado del dominio que indican al agente cómo convertir el acceso en un resultado fiable.