La respuesta rápida
RAG (Retrieval Augmented Generation) localiza documentos relevantes entre los datos de una organización y los incorpora como contexto para que los grandes modelos de lenguaje generen respuestas fundamentadas. El Protocolo de Contexto de Modelo, o MCP, proporciona a estos modelos una forma normalizada de interactuar con herramientas y actuar sobre sistemas externos. RAG aporta los conocimientos que el modelo no posee, mientras que MCP le proporciona capacidad de actuación. La mayoría de los sistemas de IA que se utilizan en entornos de producción necesitan ambos.
La comparación entre RAG y MCP plantea mal la cuestión
La pregunta sobre si una arquitectura empresarial debe utilizar RAG o MCP aparece con frecuencia, pero parte de un planteamiento equivocado.
La generación aumentada por recuperación, RAG, y el Protocolo de Contexto de Modelo, MCP, actúan en capas diferentes. RAG recupera información de documentos. MCP ejecuta acciones en sistemas externos. Por tanto, no se trata de elegir entre uno u otro, ya que desempeñan funciones distintas.
Douwe Kiela, uno de los autores originales de RAG y director ejecutivo de Contextual AI, explica que ambos conceptos se engloban actualmente dentro de la denominada ingeniería de contexto. Ni siquiera quienes participaron en la creación de RAG consideran que estas tecnologías compitan entre sí.
La cuestión relevante consiste en determinar si la infraestructura de datos admite ambas. Los sistemas modernos de IA suelen utilizar RAG para localizar documentos pertinentes y MCP para actuar a partir de la información obtenida. Las organizaciones que implantan IA basada en agentes a gran escala ya combinan las dos tecnologías.
Qué hace RAG
RAG resuelve un problema concreto: utiliza los datos de una organización para basar las respuestas de un gran modelo de lenguaje, en lugar de depender únicamente de la información empleada para entrenarlo.
«Esta tecnología se utiliza, en esencia, en sistemas que emplean grandes modelos de lenguaje para trabajar con contenidos propios».
Don Woodlock, presidente de InterSystems
Un chatbot de atención al cliente constituye un ejemplo sencillo. Una persona podría preguntar cómo debe prepararse para una operación de rodilla.
Sin RAG, el modelo recurre a los conocimientos adquiridos durante su entrenamiento y proporciona una respuesta genérica. Con RAG, el sistema recupera documentos pertinentes de la base de conocimiento y genera una respuesta precisa basada en ese material.
Cómo funciona RAG
El sistema divide el contenido en fragmentos, como párrafos o secciones breves. Un modelo de embeddings transforma cada fragmento en un vector, es decir, en una representación numérica de su significado semántico. Los contenidos similares producen vectores próximos entre sí, que se almacenan en una base de datos vectorial.
Cuando llega una consulta, el sistema también la transforma en un vector, recupera los fragmentos con mayor similitud semántica y los incorpora al prompt junto con la pregunta. Don Woodlock denomina este proceso «el prompt anterior al prompt». El modelo LLM genera la respuesta a partir del contexto recibido, en lugar de utilizar todo el conjunto de información con el que se entrenó.
¿Por qué RAG sigue siendo necesario?
Los modelos con ventanas de contexto extensas, como los de Anthropic, con 200 000 tokens, o los de Google, que superan el millón, han generado dudas sobre la continuidad de RAG. Sin embargo, existen cuatro motivos principales por los que esta tecnología sigue siendo necesaria:
- Uso de tokens a gran escala. Enviar 200 000 tokens con cada consulta resulta costoso en aplicaciones con un volumen elevado de peticiones. Recuperar cinco fragmentos seleccionados reduce el coste de forma considerable.
- La calidad de la recuperación. Cinco párrafos pertinentes suelen producir mejores respuestas que el envío indiscriminado de todo el contenido. La precisión resulta más útil que el volumen.
- La actualización de los datos. Las bases de datos vectoriales se actualizan de forma gradual cuando cambian los datos originales. Las soluciones basadas únicamente en ventanas de contexto requieren volver a incorporar todo el contenido.
- La privacidad y el cumplimiento normativo. Los índices utilizados por RAG pueden cifrarse y someterse a controles de acceso independientes. En los sectores regulados, enviar simultáneamente todo el contenido al modelo plantea problemas cuando parte de la información está restringida.
Resultados en el ámbito clínico
El sector sanitario presenta algunos de los casos de adopción de RAG más avanzados y resultados concretos. Un estudio sobre el apoyo a la toma de decisiones clínicas en radiología comprobó que RAG eliminó las alucinaciones y redujo su incidencia del 8 % al 0 %. En nutrición clínica, un sistema basado en RAG alcanzó una precisión del 99,25 % al resumir información nutricional procedente de notas de enfermería incluidas en historias clínicas electrónicas. Otro sistema que utilizaba manuales previamente seleccionados obtuvo u na precisión del 91,5 % en exámenes de acreditación de oncología radioterápica.
GraphRAG constituye una variante que representa las entidades y sus relaciones mediante un grafo de conocimiento, en lugar de utilizar únicamente fragmentos de documentos independientes. Esta estructura facilita búsquedas que siguen varias relaciones sucesivas y resulta útil, por ej emplo, para la gestión de enfermedades crónicas complejas.
Qué hace MCP
MCP resuelve un problema diferente: proporciona a los modelos de IA una forma normalizada de realizar acciones en sistemas externos.
Antes de su aparición, cada herramienta necesitaba un código de integración específico, con parámetros, protocolos y formatos de respuesta diferentes. MCP normaliza el acceso a las herramientas. En su vídeo sobre el MCP, Woodlock lo define así:
«MCP normaliza la forma en la que el propio entorno de trabajo, o la aplicación, y el gran modelo de lenguaje hacen referencia a las herramientas».
Don Woodlock, presidente de InterSystems
Cómo funciona MCP
Un servidor MCP agrupa una o varias herramientas, como API internas, bases de datos externas o cualquier servicio que pueda ejecutarse, y aplica dos operaciones básicas:
- Enumerar las herramientas: el gran modelo de lenguaje consulta qué herramientas están disponibles.
- Ejecutar una herramienta: el modelo solicita que se utilice una herramienta determinada con unos argumentos concretos.
Eso es todo. Un cliente MCP, integrado en la aplicación principal o en el entorno de agentes, puede comunicarse con cualquier servidor MCP mediante este protocolo normalizado.
Don Woodlock establece la siguiente comparación.
«En nuestro sector, podría entenderse como algo parecido a un servidor FHIR. Un servidor FHIR no deja de ser un servidor REST, pero existe una forma concreta de solicitar o actualizar información de los pacientes. Las respuestas tienen un formato determinado que el sistema sabe interpretar. MCP funciona de forma parecida: ofrece una forma normalizada de hacer referencia a las herramientas y obtener resultados».
FHIR normalizó el intercambio de datos sanitarios. En la actualidad, se están desarrollando entornos que integran MCP con FHIR. MCP normaliza el acceso de la IA a las herramientas. En la actualidad, se están desarrollando entornos que integran MCP con FHIR.
Por qué es importante el MCP
Don enumera cinco razones por las que el MCP es importante para las grandes empresas:
1. Las carteras de herramientas se acumulan. Tres herramientas en tu primer proyecto no justificarán el gasto adicional. Si se amplía a 100 herramientas, la estandarización da sus frutos.
2. Independiente de la tecnología. La herramienta se puede programar en cualquier lenguaje. El cliente puede ser algo totalmente distinto. Esta relación independiente garantiza que tus herramientas duren más que tu pila tecnológica actual.
3. Las normas facilitan el cambio. Cambiar de proveedor de LLM. Marcos de trabajo para agentes del cambio. No es necesario reescribir tus herramientas MCP.
4. Los proveedores están suministrando servidores MCP. Salesforce, Jira y las plataformas empresariales de distintos sectores ya incluyen servidores MCP. En el ámbito sanitario, GenomOncology lanzó BioMCP en abril de 2025 con 12 entidades de datos biomédicos que abarcan ensayos clínicos, variantes genómicas, fármacos y bibliografía publicada.
5. Nativo de Internet. Los servidores MCP no tienen por qué ejecutarse localmente. Las API meteorológicas, los servicios de documentación, las bases de datos externas y cualquier recurso de Internet pueden integrarse como un servidor MCP.
Los servidores MCP resultan especialmente útiles para herramientas internas en las que los usuarios de confianza necesitan interactuar con datos estructurados de formas impredecibles, como actualizar registros de CRM, recuperar datos en tiempo real o activar flujos de trabajo.
Adopción de MCP
Anthropic lanzó MCP en noviembre de 2024. OpenAI lo adoptó en marzo de 2025. Google DeepMind le siguió en abril de 2025. En diciembre de 2025, Anthropi c donó MCP a la Agentic AI Foundation (AAIF) de la Fundación Linux, cofundada junto con Block y OpenAI, y comunicó que había más de 10 000 servidores MCP públicos activos en diversas plataformas, entre ellas ChatGPT, Cursor, Gemini y Microsoft Copilot.
MCP frente a la llamada a funciones
La llamada a funciones es el mecanismo interno de un LLM mediante el cual el modelo indica: «Quiero invocar una herramienta». Cada plataforma lo implementa de forma diferente. MCP se sitúa en la cúspide y estandariza la forma en que se describen y se invocan las herramientas, independientemente del modelo de lenguaje grande (LLM) que se utilice. El objetivo es llamar a una función. MCP es la infraestructura que permite que la intención sea portátil.
RAG frente a MCP: la distinción técnica
Dimensión | RAG | MCP |
El Dr. Peter Lee, presidente de Microsoft Research, describió la IA agentiva como cuatro capacidades interrelacionadas: memoria, derechos, acciones y razonamiento. RAG gestiona la memoria, que es el contexto externo que necesita el agente. El MCP regula los derechos y las acciones, como, por ejemplo, a qué puede acceder el agente y qué puede hacer. El razonamiento es el propio modelo de lenguaje grande (LLM).
Cuándo utilizar RAG, cuándo utilizar MCP y cuándo utilizar ambos
Hay tres preguntas que aclaran la decisión.
¿Tu IA necesita saber cosas para las que no ha sido entrenada?
Si el conocimiento se encuentra en datos estáticos y no estructurados, como guías clínicas, manuales de políticas o documentación de productos, RAG lo recupera en el momento de la consulta y lo incorpora a la solicitud.
Si el conocimiento se encuentra en datos activos y estructurados, como resultados de análisis de laboratorio actuales, inventario en tiempo real o estado de pedidos pendientes, MCP consulta directamente la fuente.
¿Tu IA tiene que hacer cosas o solo responder a preguntas?
Si el caso de uso es la respuesta a preguntas, la síntesis o la búsqueda de documentos, es probable que RAG por sí solo sea suficiente.
Si la IA necesita actualizar un registro, concertar una cita o activar un flujo de trabajo, necesitará MCP.
¿Estás desarrollando un caso de uso concreto o una cartera en expansión?
Un caso de uso concreto puede comenzar con RAG e incorporar llamadas a funciones si es necesario. Pero si tienes previsto implementar varios flujos de trabajo de IA en distintos departamentos, invierte ya en una infraestructura MCP. Los compuestos para herramientas.
«Imagina cómo será esto dentro de unos años: quizá tengas 25, 75 o 100 herramientas diferentes». «Y cuando tengas que crear un nuevo flujo de trabajo basado en agentes, podrás recurrir a todas estas herramientas, ya que estarán escritas todas de la misma manera».
Don Woodlock, presidente de InterSystems
Matriz de casos de uso
Escenario | Arquitectura | ¿Por qué? |
El flujo de trabajo combinado
Un flujo de trabajo de derivación de pacientes ilustra cómo ambos elementos se complementan:
- El MCP consulta el historial actual del paciente en la historia clínica electrónica (datos estructurados en tiempo real)
- RAG recupera las guías clínicas pertinentes de la base de conocimientos (recuperación de documentos)
- El MCP envía la remisión al sistema de programación (acción)
- MCP envía una notificación al médico remitente (acción)
- El LLM sintetiza toda la información en una respuesta y un registro de auditoría
Seguridad y cumplimiento normativo: los riesgos de cada arquitectura
RAG Security
RAG garantiza la seguridad mediante restricciones. El sistema integra e indexa el contenido por adelantado; cuando se realiza una consulta, solo recupera los fragmentos relevantes. No existe ninguna conexión directa con los sistemas en producción, lo que limita la superficie de ataque.
Las organizaciones de sectores regulados suelen implementar RAG en sus propias instalaciones o en una nube privada. Las bases de datos vectoriales se ejecutan dentro de la infraestructura de la organización, las representaciones se generan localmente y los datos confidenciales nunca salen de los límites de la empresa.
Riesgos de seguridad de MCP
La capacidad de MCP para realizar acciones conlleva riesgos a los que no se enfrentan las arquitecturas RAG de solo lectura. MCP permite que la IA actúe en nombre de un ser humano, lo que supone un riesgo si el servidor se ve comprometido o está mal configurado. OWASP publicó en 2025 una lista de las 10 principales amenazas específicas de MCP:
Gestión inadecuada de tokens. Las credenciales fijadas en código y los tokens de larga duración en las configuraciones de MCP pueden dejar expuestos a los sistemas conectados en caso de que se vean comprometidos. El protocolo especifica OAuth2 para la autenticación, pero su aplicación depende de la implementación.
Inyección de contexto y de mensajes de solicitud. En los ecosistemas MCP, una inyección inmediata puede desencadenar acciones automatizadas y un mensaje enviado por el usuario que contenga instrucciones incrustadas, las cuales un agente con permisos excesivos ejecuta en los sistemas de producción. Las ventanas de contexto sobrecargadas agravan el problema: el modelo puede basarse en información irrelevante o contradictoria.
Fuga de datos y descubrimiento de esquemas. Un atacante podría crear consultas para extraer datos confidenciales de las bases de datos conectadas, o trazar el esquema completo de la base de datos con el fin de planificar nuevos ataques. Los agentes con permisos excesivos aumentan ambos riesgos.
Medidas de mitigación recomendadas: lista de permitidos del servidor MCP con verificación criptográfica, controles de acceso basados en el principio del mínimo privilegio, controles de aprobación manual para operaciones de alto riesgo, entornos de pruebas aislados y registro de auditoría.
El puente de autenticación FHIR
Para las organizaciones sanitarias, el marco de autenticación existente de FHIR, como SMART on FHIR con OAuth2, proporciona una capa de seguridad natural para los agentes conectados a MCP.
Un agente de IA que accede a los datos de los pacientes a través de un servidor FHIR integrado como herramienta MCP hereda la infraestructura de autenticación, autorización y auditoría del servidor FHIR.
Las organizaciones que utilizan InterSystems HealthShare o InterSystems IRIS for Health ya cuentan con una infraestructura nativa de FHIR con certificación HITRUST r2, lo que proporciona a sus agentes de IA una base de cumplimiento normativo ya establecida.
Donde convergen RAG y MCP: la arquitectura agencial
Los sistemas de IA más avanzados combinan RAG y MCP dentro de arquitecturas multiagente. Cada llamada al modelo de lenguaje grande (LLM) se convierte en un agente con una función específica. No todos los agentes son modelos de lenguaje grande (LLM); algunos son herramientas. Un orquestador dirige el flujo de trabajo de forma dinámica.
«No hay botón de retroceso. «Estos modelos realizan su trabajo sin ningún tipo de edición, reflexión ni pulido, a diferencia de cómo escribimos nosotros».
Don Woodlock, presidente de InterSystems
El patrón «agente» proporciona a la IA el ciclo de revisión del que carecen los modelos de lenguaje grande (LLM) individuales.
Ejemplo real: el agente del comité de tumores
En la entrevista de Don con el Dr. Peter Lee, de Microsoft Research, Lee describió un agente coordinador sanitario desarrollado junto con Stanford Medicine para las reuniones del comité oncológico.
El agente recupera los historiales de los pacientes (MCP), activa modelos de IA de radiología y patología (MCP), accede a investigaciones publicadas procedentes de fuentes de datos externas (RAG) y registra las decisiones tomadas en las reuniones (MCP). RAG y MCP, cada uno desempeñando la función para la que ha sido diseñado.
El sistema MAI-DXO de Microsoft amplía este enfoque: múltiples agentes con funciones distintas; un agente de diagnóstico principal, un agente «contrario» que cuestiona todas las conclusiones y un agente «consciente de los costes» que cuestiona todas las solicitudes de pruebas.
A través de una «cadena de debate», el sistema alcanzó una precisión diagnóstica del 85,5 % en los casos publicados en el NEJM, lo que supone más de cuatro veces la tasa de los médicos experimentados evaluados en las mismas condiciones.
«Estos sistemas multiagente reducen las tasas de alucinaciones simplemente al desafiarse entre sí».
El Dr. Peter Lee, presidente de Microsoft Research
Qué hacer ahora: cuatro pilares fundamentales
1. Revisa tus datos subyacentes. RAG extrae la información contenida en tus fuentes de datos. Si tu documentación presenta incoherencias o si tus documentos normativos se contradicen entre sí, RAG pondrá de manifiesto esos problemas a gran escala. Una plataforma de datos unificada como InterSystems IRIS combina funciones transaccionales, analíticas y de búsqueda vectorial en un único motor, lo que reduce la fragmentación que merma la calidad de la recuperación de datos.
2. Evalúa si estás preparado para utilizar una API. Tus puntos finales REST actuales, incluidas las API FHIR para organizaciones sanitarias, son candidatos idóneos para los envoltorios de servidor MCP. Si ya dispones de API internas bien documentadas con autenticación OAuth2, estás más cerca de cumplir los requisitos del MCP de lo que crees.
3. Empieza con un proyecto piloto RAG. Los chatbots para clientes, la búsqueda en la documentación y las preguntas y respuestas sobre políticas son puntos de acceso de eficacia probada que cuentan con fuentes de datos delimitadas y bien mantenidas.
4. Establecer la gobernanza del MCP antes de habilitar el acceso a las herramientas. Antes de que los agentes interactúen con los sistemas de producción, deben estar implantados los mecanismos de listas de permitidos, los controles de acceso, los procesos de aprobación manual y el registro de auditoría. Joel Venco, director de sistemas de información de Hartford Health, citó a Mario Andretti: «Unos frenos realmente buenos te permiten conducir más rápido». La gobernanza no es un freno, sino lo que te permite realizar implementaciones con confianza.
