Function calling y MCP operan en capas distintas dentro del mismo agente. Function calling describe la decisión del modelo sobre qué herramienta llamar y con qué argumentos. MCP (Model Context Protocol) define el estándar abierto para conectar esas herramientas y datos al modelo de forma reutilizable. En 2026 los agentes productivos combinan ambas piezas: decisión con tool use y conexión con MCP.
Actualizado: 31 de mayo de 2026. El ecosistema de agentes evoluciona rápido; verifica precios, versiones de protocolo y soporte de cada proveedor en las fuentes oficiales enlazadas al final.
Resumen ejecutivo
La distinción práctica cabe en dos preguntas. Function calling responde a "¿qué herramienta uso y con qué datos?" MCP responde a "¿cómo conecto esa herramienta de forma estándar para reutilizarla?" La decisión de diseño consiste en identificar cuándo basta con function calling directo y cuándo MCP ahorra trabajo de integración.
- Function calling existe desde mediados de 2023 y sostiene casi todos los agentes actuales.
- MCP llegó a finales de 2024 para resolver la fragmentación de integraciones, el conocido problema M x N.
- En proyectos pequeños, function calling directo resulta suficiente. En ecosistemas con varios modelos, clientes y servicios, MCP aporta orden.
El resto del artículo desarrolla cada capa con tabla comparativa, fechas con fuente y criterios de uso.
Qué es function calling
Function calling es la capacidad de un modelo de lenguaje (LLM) de devolver una llamada estructurada en lugar de texto libre: el nombre de una función y sus argumentos en formato JSON. Tu código ejecuta esa función, por ejemplo consultar una API, leer una base de datos o enviar un correo, y devuelve el resultado al modelo para continuar el razonamiento.
OpenAI lo introdujo en junio de 2023 para GPT-4 y GPT-3.5-turbo. Anthropic ofrece la misma idea con el nombre tool use. El flujo conceptual se mantiene estable:
- Defines un esquema de herramientas con nombre, descripción y parámetros JSON.
- El modelo decide si invoca alguna y con qué argumentos.
- Tu backend ejecuta la herramienta.
- El resultado vuelve al modelo, que responde o encadena otra llamada.
El matiz importante: function calling depende de la API de cada proveedor. El esquema escrito para OpenAI difiere en detalles del escrito para Anthropic o Google, y la integración con cada servicio externo la programas en tu código, servicio por servicio.
Qué es MCP
MCP (Model Context Protocol) es un estándar abierto publicado por Anthropic en noviembre de 2024 para conectar modelos con herramientas, datos y prompts de forma uniforme. La analogía usada por Anthropic fue la de un "USB-C para aplicaciones de IA": un conector común en lugar de un cable distinto por dispositivo.
MCP define una arquitectura cliente-servidor:
- Host y cliente: la aplicación que aloja al modelo, por ejemplo Claude Desktop, ChatGPT, tu agente propio o un IDE como Cursor o VS Code.
- Servidor MCP: un proceso que expone tools con acciones, resources con datos de contexto y prompts reutilizables.
El valor central: un mismo servidor MCP funciona con cualquier cliente compatible. Escribes una vez el servidor de tu CRM y lo consumen Claude, ChatGPT o tu agente propio sin reescribir la integración. Ese diseño ataca el problema M x N. En lugar de construir M modelos por N herramientas integraciones a medida, construyes M piezas más N piezas que hablan el mismo protocolo.
MCP extiende el uso de herramientas con transporte y descubrimiento estándar. Por debajo, el modelo sigue apoyado en function calling para elegir la tool MCP a invocar. MCP ordena la conexión, la decisión de acción sigue en la capa de razonamiento.
Tabla comparativa rápida (2026)
| Dimensión | Function calling (tool use) | MCP (Model Context Protocol) |
|---|---|---|
| Qué resuelve | El modelo decide qué herramienta usar y con qué argumentos | Cómo conectar herramientas y datos de forma estándar y reutilizable |
| Capa | Razonamiento del modelo | Protocolo de integración con transporte y descubrimiento |
| Origen | OpenAI, junio 2023, con tool use en Anthropic | Anthropic, noviembre 2024 |
| Dependencia de proveedor | Alta, el esquema varía por API | Baja, diseño agnóstico de modelo y cliente |
| Reutilización entre apps | Baja, se reescribe por proveedor | Alta, un servidor sirve a muchos clientes |
| Problema M x N | Queda sin resolver | Resuelto por diseño |
| Componentes | Esquema JSON de funciones | Tools, resources y prompts vía cliente-servidor |
| Ideal para | Una o pocas integraciones con un modelo | Muchos servicios o varios modelos y clientes |
| Madurez en 2026 | Estándar de facto, muy maduro | Adopción multiplataforma en crecimiento |
Tres fechas que explican el ecosistema
Tres hitos con fuente explican la relación entre ambas capas. En noviembre de 2024 Anthropic publicó MCP como estándar abierto y lo presentó como "USB-C para aplicaciones de IA". En marzo de 2025 OpenAI anunció soporte de MCP en su Agents SDK y en la app de ChatGPT, con confirmación de compatibilidad con Gemini por parte de Google DeepMind poco después. Antes, en junio de 2023, OpenAI había introducido function calling para GPT-4 y GPT-3.5-turbo, la base de los agentes actuales.
La lectura conjunta aclara el debate. Function calling llevaba alrededor de año y medio de maduración cuando MCP llegó para estandarizar la conexión. Por eso la comparación rinde más como suma de capas que como rivalidad.
La diferencia conceptual en una frase operativa: function calling define qué acción ejecutar, MCP define el camino estándar para alcanzar las herramientas que la ejecutan. Un agente de reservas ilustra el reparto: el modelo decide invocar buscar_vuelo con origen, destino y fecha, y esa función vive detrás de un servidor estándar reutilizable en varias apps.
Cuándo usar cada enfoque
Usa function calling directo cuando
- Tienes una o pocas funciones propias con un único modelo en producción.
- Buscas el camino más corto hacia un prototipo verificable.
- Careces de planes de reutilización en otras apps o con otros modelos.
Usa MCP cuando
- Necesitas las mismas herramientas en varios clientes, por ejemplo tu agente, ChatGPT, Claude o un IDE.
- Integras muchos servicios externos y quieres evitar un conector a medida por proveedor.
- Quieres desacoplar el modelo de las herramientas para cambiar de modelo sin reescribir integraciones.
- Planeas aprovechar servidores MCP existentes de la comunidad para GitHub, bases de datos, sistemas de archivos o navegadores.
Cómo se combinan en un agente real
El patrón dominante en 2026 une ambas capas con una tercera cuando hay conocimiento privado: RAG (Retrieval-Augmented Generation). El reparto queda así: RAG aporta contexto recuperado de tus documentos, function calling decide la acción y MCP conecta las herramientas. Para profundizar en agentes aplicados, la guía sobre agente IA y guía práctica 2026 y la comparativa sobre RAG frente a fine-tuning ayudan a ubicar cada pieza.
Un ejemplo concreto ayuda a fijar el método. Supón un asistente de soporte que consulta pedidos y crea tickets. Con function calling defines consultar_pedido(numero) y crear_ticket(cliente, motivo). Con MCP expones esas dos operaciones desde un servidor único. El chat de tu web, el agente interno y el IDE del equipo consumen el mismo servidor. El modelo elige la operación según la conversación, el servidor resuelve el acceso a datos con permisos y registro. Si mañana cambias de modelo, el servidor sigue intacto.
Checklist antes de combinar capas en producción:
- Describe cada herramienta como si la explicaras a una persona nueva: cuándo usarla, qué datos pide, qué devuelve, qué errores produce.
- Limita permisos por herramienta con autenticación y alcance mínimo.
- Registra cada llamada con argumentos, resultado y latencia para auditar decisiones.
- Fija versiones del protocolo y de cada servidor MCP en tu despliegue.
- Prueba con peticiones ambiguas y con herramientas caídas para observar la recuperación del agente.
Ventajas y límites honestos
Ventajas de MCP:
- Una integración sirve a muchos clientes y modelos.
- Ecosistema creciente de servidores reutilizables.
- Desacopla el modelo de la infraestructura de herramientas.
Límites y cautelas de MCP:
- Suma infraestructura con servidor, transporte y autenticación que en proyectos triviales queda sobrada.
- Seguridad: un servidor malicioso o mal configurado puede exponer datos o ejecutar acciones indeseadas. Valida orígenes, aplica permisos mínimos y autenticación antes de producción.
- El estándar continúa en evolución en transportes y autorización, así que conviene fijar versiones y revisar cambios.
Ventajas de function calling directo:
- Fricción mínima para empezar.
- Control total en tu backend.
Límites de function calling directo:
- Cada modelo y cada servicio implica trabajo nuevo de integración.
- Reutilización reducida entre apps.
Criterio para migrar a MCP sin reescribir de más
El criterio operativo: function calling sostiene la decisión de acción en todos los casos, MCP entra cuando la escala lo justifica. Empieza con function calling para validar el caso con usuarios reales. Cuando necesites reutilizar herramientas entre modelos o clientes, o cuando el número de servicios crezca, migra esas integraciones a servidores MCP y conserva la capa de decisión con tool use. Esa migración gradual protege lo aprendido en el prototipo y ordena la infraestructura justo cuando el costo de mantener conectores a medida supera el costo de operar servidores estándar.
Si quieres construir este stack con proyectos guiados en español, en Aprende IA en 30 días se trabaja tool use, MCP y RAG con casos reales, con pago único del curso o matrícula anual a todo el catálogo. La ruta sobre aprender ordena fundamentos y práctica antes de pasar a agentes en producción.
Ver el curso por $20 USD · Pago único · acceso de por vida.