Si quiere que Claude, ChatGPT o su propio agente consulte un sensor o accione un relé, necesita una forma de averiguar qué dispositivos existen, qué datos envían y qué se les permite hacer. Un servidor MCP para dispositivos IoT es esa puerta de entrada. Expone sus sensores y controladores mediante herramientas que el agente puede llamar, ejecuta esas llamadas contra el sistema real y controla quién puede hacer qué.
El protocolo en sí es sencillo. Lo que cambia el diseño son los dispositivos, porque no se comportan como documentos ni bases de datos: algunos pasan varios minutos seguidos en reposo, las lecturas se quedan obsoletas y una llamada equivocada puede abrir una válvula. Esta guía explica cómo encajan las piezas, cómo funciona el descubrimiento cuando cada dispositivo tiene órdenes distintas y qué hay que decidir antes de crear o conectar un servidor.
Lo esencial
- El Model Context Protocol da a los clientes de IA una única forma estándar de descubrir y llamar herramientas, de modo que un único servidor puede atender a Claude, ChatGPT, Cursor y otros.
- En los dispositivos, el descubrimiento suele hacerse en dos niveles: el agente primero lista los dispositivos y después pregunta qué lecturas y órdenes tiene un dispositivo concreto.
- Crear su propio servidor consiste sobre todo en envolver una API de dispositivos existente con nombres de herramienta claros, límites en las entradas y comprobaciones de permisos en el servidor.
- Empiece solo con lectura, añada más adelante un pequeño conjunto de órdenes predefinidas y mantenga a una persona confirmando todo lo que cambie un estado físico.
¿Cómo se usa el Model Context Protocol con dispositivos IoT?
El Model Context Protocol, normalmente abreviado como MCP, es un estándar abierto para conectar aplicaciones de IA con herramientas y datos externos. La aplicación de IA (el cliente) se comunica con un servidor MCP, que ofrece tres tipos de elementos: herramientas (tools) que el modelo puede llamar, recursos (resources) que puede leer como contexto y prompts que una persona puede elegir en un menú. En una oficina, podrían ser «buscar tickets» o «leer una hoja de cálculo». En IoT se corresponden con la instalación física.
| Concepto MCP | Qué suele significar en dispositivos |
|---|---|
| Herramienta | Una acción: leer el último valor, obtener el historial, enviar una orden predefinida |
| Recurso | Contexto que el cliente puede cargar: una lista de dispositivos, un plano de salas, una semana de lecturas |
| Prompt | Una petición reutilizable, como «resume las alarmas de la noche del edificio B» |
| Servidor | El adaptador que guarda las credenciales y se comunica con la plataforma de dispositivos |
| Cliente | Claude, ChatGPT, Cursor o un agente propio, que decide qué herramienta llamar |
Hay tres cosas que diferencian el IoT de los ejemplos habituales. Los datos envejecen: una temperatura de hace 40 minutos puede no servir de nada, así que cada lectura que devuelva el servidor debe llevar su marca de tiempo. Los dispositivos no siempre están accesibles: muchos sensores con batería solo transmiten cada pocos minutos y escuchan solo un momento después. Y las acciones tienen consecuencias más allá de la pantalla, ya que una orden equivocada puede dejar una bomba en marcha o una válvula abierta. Cada uno de estos puntos condiciona cómo debe diseñarse el servidor.
Tomemos una pregunta sencilla como «¿hace demasiado calor en la sala de servidores?». Si el sensor informa cada 15 minutos y el último mensaje llegó hace 50, la respuesta honesta es «No lo sé; el sensor ha dejado de informar». Un servidor que devuelve solo el número, sin la hora a la que se midió, invita al modelo a responder con seguridad usando datos antiguos. Si devuelve el valor, la unidad, la marca de tiempo y la última vez que se vio el dispositivo, el modelo puede decir lo que sabe y lo que no.
¿Cómo funciona el descubrimiento de herramientas para agentes de IA?
El descubrimiento de herramientas para agentes de IA es el paso en el que el cliente pregunta a un servidor qué puede hacer. En MCP, el cliente envía una petición tools/list y el servidor responde con el nombre de cada herramienta, una descripción en lenguaje llano y un esquema JSON de sus entradas. El cliente pone esas descripciones delante del modelo, y el modelo elige una herramienta leyéndolas, igual que un compañero nuevo leería las etiquetas de un panel de control.
Una herramienta de lectura de dispositivos podría describirse así:
{"name": "get_latest_reading",
"description": "Latest value of one metric on one device, with its timestamp and unit.",
"inputSchema": {"type": "object",
"properties": {"device_id": {"type": "string"}, "metric": {"type": "string"}},
"required": ["device_id", "metric"]}}
Esto funciona bien para acciones genéricas. Las órdenes son más difíciles, porque un regulador de luz acepta un brillo de 0 a 100, un controlador de válvula acepta abrir o cerrar y un termostato acepta una consigna dentro de unos límites. Si cada orden de cada dispositivo se convirtiera en una herramienta propia, una instalación con 300 dispositivos podría publicar miles de herramientas, y el modelo se ahogaría en ellas.
La solución habitual es el descubrimiento en dos pasos. El servidor expone un conjunto pequeño y estable de herramientas para agentes de IA, como list_devices, list_commands y run_command. El agente llama a list_devices para encontrar el regulador de luz de la sala de reuniones 3 y después a list_commands para ese dispositivo concreto, que devuelve sus órdenes definidas con sus parámetros y límites. Solo entonces llama a run_command con un brillo de 40. El protocolo también permite que un servidor avise a los clientes cuando cambia su lista de herramientas, lo que ayuda cuando se añaden dispositivos durante una sesión.
En casos como este es donde el esquema demuestra su valor. Supongamos que se pide al agente «baja un poco la luz de la sala 3» y la luz está a 70. Sin límites, podría enviar 7, al malinterpretar «un poco». Con un esquema que dice que el brillo es un entero de 10 a 100 y una descripción de la orden que dice «los pasos habituales son de 10», es mucho más probable que envíe 60. Aun así, el servidor debe rechazar cualquier valor fuera del rango, porque el modelo está interpretando una descripción y puede equivocarse.
Cómo crear un servidor MCP
Para crear un servidor MCP para dispositivos no se empieza por los protocolos de radio. Se empieza por lo que ya contiene los datos de los dispositivos, normalmente una plataforma IoT o una pasarela con API, y se envuelve. Un orden de trabajo práctico:
- Defina el alcance. Elija las preguntas y acciones que el agente necesita de verdad. «Leer cualquier sensor, obtener 30 días de historial y ejecutar las cinco órdenes que hemos definido» es un alcance inicial mejor que «todo lo que permita la API».
- Elija un SDK. Los kits de desarrollo de software (SDK) oficiales gestionan los mensajes del protocolo, así que su código solo define las herramientas y sus manejadores.
- Envuelva la API de la plataforma. Cada manejador de herramienta llama a la API existente con las credenciales del servidor y convierte la respuesta en resultados breves y legibles, con unidades y marcas de tiempo.
- Escriba descripciones para un lector sin contexto. Indique qué devuelve la herramienta, qué unidades usa y cuándo no debe usarse. De aquí sale la mayor parte de la calidad.
- Aplique los permisos en el servidor. Compruebe cada llamada frente a los derechos del usuario y los límites de parámetros de la orden, pida lo que pida el modelo.
- Pruebe con un inspector antes que con cualquier cliente. El MCP Inspector oficial permite llamar a cada herramienta a mano y leer las respuestas en bruto.
- Elija un transporte. Un servidor local para un solo desarrollador puede ejecutarse como un proceso en su equipo; un servidor compartido necesita alojamiento remoto y autorización por usuario.
Si los dispositivos ya están en Kilo, la capa intermedia es fina. Los manejadores se construirían sobre las API REST y gRPC de Kilo para desarrolladores, con una clave de API con permisos por área y vinculada a una sola organización, y una clave restringida a permisos de lectura es una primera credencial sensata para un servidor propio.
Antes de crear nada, compruebe si la plataforma ya habla el protocolo. Kilo expone su propio endpoint MCP y marca la herramienta de órdenes como destructiva, para que los clientes puedan pedirle confirmación antes de que salga una orden.
Cómo conectar Claude a dispositivos IoT con MCP
Conectar un cliente a un servidor existente lleva unos minutos, y los pasos son más o menos los mismos en todos los clientes:
- Añada el servidor en la configuración del cliente. Para un servidor remoto se pega su URL; en Claude se añade como conector personalizado. Un servidor local suele declararse en un archivo de configuración junto con el comando que lo inicia.
- Inicie sesión cuando el cliente abra la página de autorización. Un servidor remoto debe preguntar quién es usted, para que sus herramientas actúen con sus permisos y no con los de otra persona.
- Compruebe qué herramientas han aparecido. La mayoría de los clientes muestran la lista y permiten desactivar herramientas una a una, lo que es una forma sencilla de empezar solo con lectura.
- Haga una pregunta que pueda verificar usted mismo, como la temperatura actual de una sala donde pueda leer un termómetro, y compare la respuesta.
- Active las acciones al final y mantenga activada en el cliente la aprobación de cada llamada para todo lo que envíe una orden.
ChatGPT, Cursor, Codex y otros clientes siguen la misma idea con sus propias pantallas de configuración. Como el lado del servidor es idéntico para todos, un equipo puede usar clientes distintos sin crear integraciones separadas, y el acceso se revoca en un solo sitio.
También ayuda anotar tres o cuatro preguntas de prueba antes de poner un servidor a disposición de un equipo, cada una con una respuesta correcta conocida: una temperatura de sala que pueda comprobar, un dispositivo que sepa que está desconectado, una orden que debería rechazarse porque el valor está fuera de rango. Repítalas después de cada cambio en las descripciones de las herramientas del servidor, porque una descripción reformulada puede cambiar la herramienta que elige el modelo.
Dos hábitos facilitan el uso diario. Ponga a los dispositivos los nombres que usa la gente al hablar de ellos («puerta de la cámara frigorífica 2», no «node-4471»), porque el modelo compara las peticiones con esos nombres. Y mantenga claro el papel del agente: que consulte datos, compare lecturas y explique lo que ha encontrado, mientras que todo lo que deba ocurrir siempre, sin que nadie lo pida, corresponde a una regla en la plataforma, donde se ejecuta tanto si alguien abre un chat como si no.
Preguntas frecuentes sobre servidores MCP para dispositivos IoT
¿Puede un servidor MCP comunicarse con dispositivos IoT con MQTT?
Sí, aunque normalmente no conectándose directamente al broker. MQTT funciona por publicación y suscripción, así que un servidor tendría que suscribirse a los topics y guardar en caché los últimos valores para responder a una pregunta del tipo «cuál es la lectura ahora». Es más sencillo apuntar el servidor MCP a una plataforma que ya almacena los datos MQTT, y así el agente tiene el historial además del valor actual.
¿Qué lenguaje se usa para crear un servidor MCP?
Sirve cualquier lenguaje capaz de leer y escribir JSON, porque los mensajes siguen JSON-RPC 2.0. Hay SDK oficiales para varios lenguajes, entre ellos TypeScript, Python, Java, C# y Go, y por eso la mayoría de los servidores para dispositivos se escriben en el mismo lenguaje que el backend que ya tiene el equipo.
¿Qué aplicaciones y clientes son compatibles con el Model Context Protocol?
La compatibilidad se ha extendido rápidamente desde que Anthropic publicó el estándar en noviembre de 2024. Claude Desktop, Claude Code, ChatGPT, Cursor, Codex y Visual Studio Code con GitHub Copilot están entre los clientes que pueden conectarse a servidores MCP, aunque cada uno ofrece ajustes distintos para servidores locales y remotos.
¿Puede un servidor MCP controlar dispositivos IoT LoRaWAN?
Sí, si el dispositivo acepta órdenes, aunque no siempre al instante. La mayoría de los sensores LoRaWAN con batería funcionan como dispositivos de Clase A, que abren sus breves ventanas de recepción solo justo después de enviar un mensaje ascendente, así que un mensaje dirigido a ellos espera a la siguiente transmisión. Los dispositivos de Clase C, alimentados por red eléctrica, escuchan de forma continua y pueden recibir una orden casi de inmediato. En Kilo, las órdenes de dispositivo van a dispositivos MQTT y a controladores LoRaWAN de Clase C, así que un sensor de Clase A con batería es algo que se lee, no que se controla.
Toda la cadena se puede montar sobre una mesa. Registre un sensor de temperatura y un enchufe inteligente controlable en el plan gratuito de Kilo, conecte Claude a través del endpoint MCP con solo las herramientas de lectura activadas y pregunte por la sala hasta que las respuestas coincidan con el termómetro de la pared. Después defina las órdenes de encendido y apagado del enchufe y active la herramienta de órdenes, con la aprobación de cada llamada en Claude todavía activa.