Fins ara, connectar un model d’intel·ligència artificial a fonts de dades externes havia estat una qüestió d’enginyeria artesanal. La solució habitual era el sistema conegut com RAG (Retrieval-Augmented Generation): un mètode que consisteix a buscar informació rellevant i afegir-la com a context a la consulta que es fa al model. Pràctic, sí. Elegant? No gaire. De fet, cada implementació de RAG sol ser una peça feta a mida, difícil de mantenir, escalar o reutilitzar.
En aquest context neix una alternativa amb molt més potencial de futur: el concepte de servidor MCP (Model-Connected Protocol). Promogut per Anthropic i cada cop més adoptat per la comunitat —incloent OpenAI—, el protocol MCP representa un canvi de paradigma sobre com hauria de funcionar la connexió entre models d’IA i dades en viu, serveis o aplicacions.
El problema amb els sistemes RAG
Abans d’entendre per què MCP pot substituir RAG, val la pena veure què no acaba de funcionar amb el sistema actual. RAG és útil, però obliga a fer passar tota la informació pel prompt. Això no només limita la quantitat d’informació que es pot transmetre, sinó que ho fa d’una manera costosa i opaca. A més, RAG no sap “consultar” activament —només “recorda” allò que li afegim com a context.
A més, qualsevol integració amb serveis o dades en temps real (APIs, bases de dades, arxius, calendaris, etc.) requereix una gran feina d’orquestració manual. És com si, per fer una cerca web o una consulta a una base de dades, haguéssim d’ensenyar-li al model cada vegada com fer-ho, i per tant, això no és eficient ni escalable.
El servidor MCP: una nova arquitectura
El protocol MCP proposa una solució més estructurada i potent. En lloc de passar-ho tot pel prompt, MCP separa clarament el que és el model i el que és la capa de coneixement o acció. Aquesta arquitectura es basa en tres peces:
- El model d’IA: pot ser Claude, GPT-4o, o qualsevol altre LLM.
- Un servidor MCP: que actua com a intermediari entre el model i les dades, funcions o serveis.
- Els “tools” o funcions exposades: petites accions (com consultar un CRM, fer una cerca web, llegir un document o consultar una API) que el servidor pot executar quan el model ho demana.
El model rep un “tool manifest”, un catàleg de les eines disponibles. Quan detecta que necessita fer una acció externa (com “consulta el preu d’aquest vol”), envia una petició al servidor MCP, que la processa i retorna una resposta al model. Tot això es fa seguint un protocol estructurat, coherent i reutilitzable.
Aquesta separació d’atribucions permet construir agents més potents i fiables, amb accés segur i controlat a dades reals.
Per què és millor que RAG?
Per començar, perquè no cal passar tot el context pel prompt. L’agent pot fer consultes reals a sistemes vius, en comptes de limitar-se a llegir documents precuinats. Això redueix costos i permet treballar amb informació molt més rica i actualitzada.
A més, MCP és molt més modular i mantenible: les “eines” que exposem es poden compartir entre agents, versionar, controlar i monitoritzar. Això obre la porta a ecosistemes d’agents molt més robustos, on la col·laboració entre IA i sistemes d’informació sigui natural i segura.
Finalment, el model MCP permet un control molt més granular: podem definir permisos, límits, i tenir un registre exacte de què consulta el model, quan i per què. En un món preocupat per la seguretat i la privacitat, això és essencial.
I què implica això pel futur?
El més interessant del MCP no és només que sigui més eficient. És que marca el camí cap a una nova manera d’entendre la IA: com una interfície intel·ligent capaç de dialogar amb els nostres sistemes, no només de generar text.
És possible que d’aquí a un any, molts sistemes que ara funcionen amb prompts i contextos llargs estiguin operant sobre un servidor MCP. I potser veurem l’aparició de “marketplaces” d’eines compatibles amb MCP, de la mateixa manera que avui compartim APIs o connectors.
Si RAG era un pedaç útil, MCP apunta a ser l’estàndard. I com a desenvolupadors, tecnòlegs o empreses, és una oportunitat per començar a pensar en com exposem el nostre coneixement i serveis d’una manera que els agents intel·ligents puguin entendre i utilitzar.