El protocolo MCP resuelve el mayor límite de modelos como ChatGPT, Claude o Perplexity: pasar de solo entregar información a ejecutar acciones reales en tus herramientas, sin escribir código complejo ni conectar APIs manualmente. Si trabajas con datos y automatización, esto te interesa.

Antes, para que un LLM hiciera algo más que responder, necesitabas conocimientos técnicos avanzados y conectarte por API de forma personalizada. Ahora hay un estándar que cambia esa dinámica por completo [00:05].

Qué es el protocolo MCP y por qué importa

MCP es un protocolo que permite comunicar directamente los modelos de inteligencia artificial con herramientas externas usando lenguaje coloquial. Tú escribes en lenguaje natural, el modelo lo interpreta y dispara acciones reales [00:34].

¿Qué es el MCP? Es un protocolo estandarizado que conecta modelos de IA con herramientas reales. Tú pides algo en lenguaje natural, un servidor MCP traduce la petición, obtiene los datos de la fuente y devuelve el resultado al cliente que lo solicitó.

El flujo funciona así: haces un pedido, este viaja a un servidor MCP que centraliza cómo debe hacerse cada petición según la herramienta, la fuente de datos devuelve la información y el servidor la entrega de vuelta al cliente [01:05]. Esa capa intermedia es lo que hace que todo se estandarice.

Un ejemplo concreto es Gumloop, una plataforma que automatiza flujos con inteligencia artificial y cuyas integraciones fueron creadas con este protocolo [01:47]. Puedes crear un nodo personalizado con solo lenguaje natural o usar uno predefinido y rellenar las entradas para obtener un resultado.

En quién confiar antes de conectar un MCP

Aquí viene lo importante: cualquier persona puede crear un MCP, así que no conviene conectarse a cualquier servidor que encuentres [02:33]. El riesgo real es exponer tus datos y revelar información sobre herramientas y flujos internos.

¿Cómo te proteges? Evalúa dos cosas:

• Si tienes a alguien del equipo técnico, pídele que analice el MCP antes de integrarlo.
• Usa herramientas con protocolos de seguridad avanzados y modelos robustos ya probados.

Entre esas opciones seguras, el video menciona dos referencias claras. Klavis AI está respaldada por Y Combinator y Sequoia, y cumple requisitos de seguridad muy avanzados [03:20]. Composio también ofrece seguridad avanzada y suma cientos de integraciones, lo que te ahorra muchísimo tiempo de conexión manual [03:40].

¿Por qué usar un centralizador de MCP como Composio? Porque integrar una herramienta directamente exige tiempo y configuración. Un centralizador te da cientos de integraciones ya seguras y listas, y te ahorra todo ese trabajo de conexión.

Cómo conectar Claude con PostHog usando Klavis AI

El ejemplo práctico usa el plan gratuito de Klavis AI. Al entrar, encuentras varias herramientas que puedes autorizar, y cada una desbloquea funcionalidades que activas desde distintas plataformas [04:20].

La herramienta elegida es PostHog, una plataforma open source de análisis de datos que creció enormemente y que sirve para medir tu producto o tu sitio, con dashboards, gráficos personalizables y análisis de cohortes, muy en la línea de Google Analytics [05:20]. De hecho, Google Analytics 4 también tiene su propio MCP [05:10].

Todas las integraciones, sin excepción, requieren una autorización previa: si conectas Notion, te pedirá validar con Notion, y lo mismo con cualquier otra herramienta [06:00].

Cómo extraer la API key de PostHog paso a paso

PostHog necesita una clave API para funcionar, y esa clave es privada. Exponerla significaría abrir ese endpoint a cualquiera, algo peligroso [06:20]. El proceso para generarla es directo:

1. Entra a Settings dentro de PostHog.
2. Busca la sección API y luego Personal API keys.
3. Crea una nueva clave y elige su uso: selecciona MCP server.
4. Concede acceso a todos los datos de la cuenta o a un proyecto específico y guarda.

Con la clave lista, el siguiente paso ocurre dentro de Claude. Entras a settings, luego a connectors, y ahí verás conectores nativos de la plataforma o la opción de integrar tu propio MCP [07:20]. Pegas la URL que te proporciona el MCP, le asignas un nombre y guardas.

Una vez guardado, la herramienta queda disponible en Search and Tools. Y aquí hay un detalle práctico: puedes activar solo las herramientas que necesitas. Si desactivas Web Search y dejas solo PostHog, el modelo usará esa fuente exclusivamente para esa tarea [08:20].

Cómo genera un informe dinámico la IA conectada a tus datos

Con la herramienta activada, la petición del ejemplo fue simple: un análisis del tráfico web de los últimos tres meses [08:45]. El modelo consulta PostHog en vivo, razona paso a paso y obtiene los datos de forma dinámica.

Lo interesante es que muestra su proceso de razonamiento y las etapas que sigue para llegar al resultado [09:20]. Incluso sin pedírselo, asumió una buena forma de presentar la información y elaboró el informe por su cuenta.

Desde ahí puedes ir más allá:

• Pedir gráficos distintos con los datos ya extraídos.
• Publicar el informe como un artefacto y compartirlo con tu equipo.
• Revisar las sugerencias que la propia herramienta propone para decidir si las implementas.

Esto transforma un informe estático en una herramienta viva, donde accedes a datos con una sola pregunta mientras haces otras cosas [10:20]. Después te concentras en lo que de verdad importa: encontrar los insights y definir las acciones a tomar.

El desafío es concreto: conéctate a Klavis AI o Composio, que son MCP autorizados y con información protegida, enlaza una herramienta y haz una prueba para recolectar datos y generar acciones. ¿Qué resultados obtuviste? Cuéntalo en los comentarios.