MCP para eCommerce

Model Context Protocol (MCP) es un protocolo de código abierto lanzado por Anthropic en noviembre de 2024 que estandariza cómo los modelos de lenguaje grandes se conectan con fuentes de datos y herramientas externas. Un servidor MCP expone datos propios estructurados (catálogo, inventario, lógica de tallas, consultas de políticas, reglas de negocio personalizadas) que un LLM puede consultar directamente mediante un conjunto definido de llamadas a herramientas. Adoptado por Anthropic (Claude), OpenAI (anunciado en 2025), Google (Gemini) y un amplio ecosistema de herramientas para desarrolladores durante 2025–2026.

Estructuralmente, MCP es una capa de protocolo estandarizada que se coloca sobre cualquier fuente de datos que el servidor exponga: tu catálogo de Shopify, tu ERP, tu sistema de inventario personalizado, una API de envíos de terceros. El valor está en la estandarización: el LLM no necesita saber cómo autenticarse en tu API específica, interpretar tu formato de respuesta específico ni manejar tus patrones de error específicos. MCP define una interfaz uniforme de llamadas a herramientas entre servidores, de modo que el mismo cliente (Claude, ChatGPT Agent, Gemini, Copilot) puede consultar miles de servidores MCP sin una integración personalizada por servidor. Piénsalo como un USB para fuentes de datos de LLM.

Para la mayoría del eCommerce de consumo, no: schema en todo el sitio, llms.txt en la raíz y el programa estándar de SEO con IA ya cubren la mayoría de los casos sin la inversión de ingeniería. Las categorías donde MCP vale la pena: B2B y técnicas (largos recorridos de investigación dentro de los LLM), de compatibilidad compleja (autopartes, repuestos OEM), ropa y calzado de ticket alto (la recomendación de talla es el caso de uso estrella) y superficies de investigación de marca (electrónica de consumo, colchones, bicicletas eléctricas, cocinas de alta gama) donde los compradores pasan horas investigando dentro de un LLM. Te diremos con franqueza si tu categoría lo justifica.

• lookup_product: resuelve el producto por SKU/GTIN/consulta y devuelve precio en vivo, disponibilidad, variantes e imagen.
• check_inventory: estado del inventario en vivo por ubicación/socio de cumplimiento.
• size_recommendation: lógica de ajuste según las medidas del usuario o la talla de una marca comparable.
• compatible_products: lógica de compatibilidad de accesorios o repuestos.
• shipping_estimate: costo, transportista y ventana de entrega según el carrito y el destino.
• policy_lookup: plazo de devolución, garantía y términos de cambio.

Shopify: el servidor MCP normalmente corre como un servicio Node independiente que se autentica contra la Shopify Admin API para catálogo e inventario; la lógica de tallas y políticas vive en el propio servidor MCP o en una configuración respaldada por Metafields. BigCommerce: el mismo patrón mediante las APIs Storefront y Catalog de BigCommerce, con nuestro equipo Elite Partner desde 2012 a cargo de las consideraciones de cuota de API y límites de velocidad. Adobe Commerce / Magento: el servidor MCP como servicio externo que se autentica por REST/GraphQL, o como módulo de integración dentro del marco de servicios de Adobe Commerce para quienes lo quieren incluido. El servidor MCP en sí es independiente de la plataforma; el trabajo de integración consiste en conectarlo con tus fuentes de datos.

El ejemplo ilustrativo más sencillo posible, esbozado en pseudocódigo para mayor claridad:

tool: lookup_product
description: "Resolve a product by SKU, GTIN, or natural-language query"
input_schema:
  type: object
  properties:
    query: { type: string, description: "SKU, GTIN, or natural-language query" }
  required: [query]
output_schema:
  type: object
  properties:
    name: { type: string }
    price: { type: number }
    currency: { type: string }
    availability: { type: string, enum: [in_stock, out_of_stock, preorder] }
    variants: { type: array }
    image_url: { type: string }
    canonical_url: { type: string }

La especificación real de MCP usa JSON Schema para validar entradas y salidas; el servidor devuelve respuestas estructuradas que un LLM puede interpretar de forma determinista y citar con precisión. La especificación real está en modelcontextprotocol.io.

Anthropic Claude: compatibilidad nativa; Claude.ai, Claude Code, Claude Computer Use y la Claude API consumen servidores MCP como herramientas de primer nivel. OpenAI: anunció compatibilidad con MCP en 2025; ChatGPT y el marco OpenAI Agents consumen servidores MCP. Google Gemini: compatibilidad anunciada como parte de las capacidades de agente de Gemini; la integración de calidad de producción sigue madurando durante 2026. Microsoft Copilot: Semantic Kernel y Copilot Studio de Microsoft incluyen rutas de integración con MCP. El protocolo es ampliamente portable, lo que lo hace una inversión duradera frente a integraciones específicas de cada motor.

• datos estructurados de schema.org: anotación legible por máquina incrustada en el HTML; estática; describe qué significa una página. Capa de base.
• llms.txt: un único archivo Markdown en la raíz del sitio; selecciona qué páginas debe leer un LLM. Capa de descubrimiento.
• MCP: un servidor que un LLM consulta directamente; dinámico; se salta por completo el paso de obtener la página. Capa de datos directos.
• Juntos: schema en todas partes como base, llms.txt en la raíz para el descubrimiento y MCP solo donde la categoría justifica la exposición directa de datos. Tres capas complementarias, no competidoras.

Registros del lado del servidor de las llamadas a herramientas MCP: qué herramientas se llaman, desde el cliente de qué motor y en qué consultas de etapa del comprador. Instrumentamos el servidor MCP para registrar cada llamada con contexto anonimizado (qué herramienta, qué user-agent de motor, tiempo de respuesta, éxito/fallo). La métrica adelantada: volumen de llamadas a herramientas por categoría; cuando los compradores resuelven cada vez más sus preguntas de investigación dentro del agente y no en tu sitio, MCP se convierte en la superficie dominante de primer contacto para ese segmento. Se combina con el panel estándar de prompts monitoreo de la participación de citaciones para ver cómo la exposición de MCP se correlaciona con el aumento de citas.

Capas distintas. MCP es la capa de intercambio de datos: cómo un LLM obtiene respuestas de tus sistemas. ACP y AP2 son la capa de transacción: cómo un LLM, una vez que decidió comprar, se autentica como delegado del usuario y completa el pago. Un stack completo de comercio agéntico usa ambos: MCP para responder con precisión las preguntas previas a la compra y mostrar el SKU correcto, y luego ACP o AP2 para completar la compra. La mayoría de los comercios los implementa por separado y por etapas; la profundidad de los protocolos está en /agentic-commerce.