El Futuro de MCP: Cómo Uber Conecta 1,500 Agentes IA con un Solo Protocolo

Metadata

Duración objetivo: 30-38 min
Tipo: Concepto + análisis (estilo Harness Engineering)
Keywords principales: futuro de MCP, claude mcp, mcp server, model context protocol, agentes IA producción
Fuentes: David Soria Parra (Anthropic), Uber keynote (AAIF), Google Cloud Tech, Google Next ‘26, ThoughtWorks Radar
Videos propios referenciados: Harness Engineering, Agent Skills, 3 Agentes A2A, IDP 7 Agentes, Cloud Run, Workspace Profiling, Agent Teams

Leyenda

[CÁMARA] → Nicolás graba directo a cámara
[CLIP: video — timestamp] → Cortar de video propio existente
[CLIP/SLIDE: fuente] → Imagen, slide o fragmento de keynote externa
[PANTALLA] → Diagrama, tabla o slide (Keynote/ChatGPT)
[NARRACIÓN SOBRE CLIP] → Nicolás habla mientras se muestra el clip

[0:00-1:30] HOOK + OPEN LOOPS

Hook — Variante B adaptada: dolor universal → revelación

[CÁMARA]

MCP. Model Context Protocol.

Si buscas MCP en YouTube, vas a encontrar miles de tutoriales
que te enseñan a conectar Blender, Figma, o tu base de datos
a Claude o a Cursor.

Pero eso es la versión local. La versión de juguete.

Uber tiene 1,500 agentes de IA ejecutándose en producción
— 60,000 tareas por semana —
y todos se conectan a 10,000 servicios internos
a través de un solo protocolo: MCP.

Y no son los únicos.
Anthropic, Google, OpenAI, Microsoft y Amazon
están manteniendo este protocolo juntos.
En la misma mesa. En la misma fundación.
En el mismo repositorio.

Eso no había pasado antes en la historia de la IA.

Open Loops (antes del min 2)

[CÁMARA]

Más adelante vas a ver exactamente cómo Uber convirtió
10,000 servicios internos en MCP servers de forma automática
— sin que cada equipo construyera el suyo.

También vas a ver qué dijo el creador de MCP
sobre por qué convertir una REST API a MCP
uno-a-uno es, en sus palabras, "cringe".

Y al final vamos a ver qué viene en junio
— porque hay 3 features nuevas que van a cambiar
cómo construimos agentes en producción.

[1:30-2:00] SUSCRIPCIÓN

[CÁMARA]

Y como siempre, todo lo que mencione en este video
— fuentes, links, artículos — va a estar en la descripción.
Los invito a suscribirse que estamos haciendo cosas
muy entretenidas y me tiene muy feliz la comunidad
que se está formando. Vamos a eso.

[2:00-5:00] CONTEXTO — QUÉ ES MCP HOY

Lo que la mayoría entiende

[CÁMARA]

Primero, nivelemos. Qué es MCP hoy para la mayoría de la gente.

MCP es un protocolo abierto que creó Anthropic a finales de 2024.
La idea es simple: en vez de que cada agente de IA
tenga que aprender a hablar con cada herramienta de forma distinta,
hay un protocolo estándar.

[PANTALLA — diagrama Client ↔ Server ↔ Tools]

Un MCP server expone herramientas — tools.
Un MCP client — que puede ser Claude Code, Cursor, ChatGPT —
se conecta al server y usa esas herramientas.

Es como USB para agentes de IA.
Antes de USB, cada dispositivo tenía su propio conector.
Después de USB, un solo estándar.

Y funciona. Hoy hay MCP servers para todo:
Slack, Notion, GitHub, bases de datos, Figma, Blender.
110 millones de descargas mensuales.
Para contexto: React, uno de los proyectos open source
más exitosos de la última década,
tardó el doble de tiempo en llegar a esa cifra.

Pero hay un problema

[CÁMARA]

El problema es que casi todo el mundo
está usando MCP en modo local.

Abres Claude Code, conectas un MCP server
que corre en tu máquina, y lo usas tú solo.
Eso está bien para un developer individual.

Pero, ¿qué pasa cuando necesitas que un agente
en producción se conecte a herramientas de verdad?
¿Con autenticación? ¿Con governance?
¿Con 5,000 engineers usándolo al mismo tiempo?

Ahí es donde la historia se pone interesante.

[5:00-10:00] LA TESIS — MCP VA DE LOCAL A PRODUCCIÓN

David Soria Parra — El creador de MCP

[CÁMARA]

En abril de este año, David Soria Parra
— el co-creador de MCP, Lead Maintainer del protocolo,
Member of Technical Staff en Anthropic —
dio una keynote que cambió la conversación.

[CLIP/SLIDE: “The Future of MCP” — AI Engineer]

[CÁMARA]

Su argumento central fue:

2024 fue el año de las demos.
2025 fue el año de los coding agents
— agentes que corren en tu terminal,
que escriben código, que llaman al compilador.
Son el caso ideal: locales, verificables, con sandbox.

Pero 2026, dice Soria Parra, es otra cosa.
2026 es el año de los agentes generales.
Agentes que hacen trabajo real de knowledge workers.
Análisis financiero. Marketing. Operaciones.

Y esos agentes necesitan una cosa
que los coding agents no necesitaban:
conectividad masiva.

Conectarse a 5 aplicaciones SaaS.
A un shared drive.
A servicios internos de la empresa.
Con autenticación.
Con permisos.
Con governance.

El stack de conectividad — 3 capas

[CÁMARA]

Y acá viene lo más importante que dijo Soria Parra.

Si alguien te dice que hay UNA solución
para todos tus problemas de conectividad
— sea MCP, sea computer use, sea CLI —
probablemente está equivocado.

La realidad es que hay 3 capas,
y los mejores agentes de 2026 van a usar las tres:

[PANTALLA — diagrama 3 capas]

1. SKILLS — Conocimiento de dominio.
   Archivos simples que le dicen al agente
   cómo hacer algo. Reutilizables.
   Es el "qué sabe hacer" del agente.

2. MCP — Conectividad a herramientas.
   Cuando necesitas rich semantics,
   cuando necesitas UI, autorización,
   independencia de plataforma,
   governance enterprise.
   Es el "a qué puede conectarse" el agente.

3. CLI / Computer Use — Ejecución local.
   Cuando tienes sandbox, cuando las herramientas
   están en pre-training (git, gh, gcloud).
   Es el "qué puede ejecutar" el agente.

Conexión con Harness Engineering

[CLIP: Harness Engineering — 0:01:02 a 0:01:10]

“Lo que construyes alrededor del modelo importa mucho más que el mismo modelo.”

[CÁMARA]

Si viste mi video de Harness Engineering,
esto te va a sonar familiar.

El harness controla al agente.
Pero el harness necesita conectividad.
Y MCP es esa capa de conectividad
que le faltaba al harness.

De hecho, el creador de MCP usa el término
"agent harness" literalmente en su keynote.
Dice: "Lo primero que necesitamos construir
está en el lado del cliente,
en el agent harness."

Control + conectividad.
Son las dos piezas que un agente necesita
para funcionar en producción.

[10:00-14:00] CUÁNDO USAR CADA COSA

El framework de Google

[CÁMARA]

Ahora, si todavía no te queda claro
cuándo usar MCP vs sub-agents vs A2A vs RAG,
Google Cloud publicó un video que lo resuelve
con un framework muy simple:

[PANTALLA — diagrama 5 casos]

¿Necesitas info de una librería de contenido?
→ RAG.

¿Necesitas acceso estandarizado a datos?
→ MCP como lookup.

¿Necesitas que el agente haga algo en el mundo real?
→ MCP como acción.

¿Necesitas trabajo en equipo dentro de tu app?
→ Sub-agents.

¿Agentes de distintas organizaciones hablando entre sí?
→ A2A.

No son competidores. Son capas distintas.
Y en un sistema real, usas varias al mismo tiempo.

Lo que ya construimos

[CÁMARA]

Y fíjense, nosotros ya implementamos
varios de estos patrones sin llamarlos así.

[CLIP: 3 Agentes A2A — 0:00:00 a 0:00:07]

“Finalmente vamos a publicar en skills como A2A…”

[CÁMARA]

Nuestros 3 agentes que se descubren
y se delegan tareas — eso es el caso 4:
sub-agents trabajando juntos dentro de un sistema.

[CLIP: IDP 7 Agentes — 0:00:00 a 0:00:07]

“Y si te digo que puedes construir un IDP con siete agentes de manera secuencial…”

[CÁMARA]

Y los 7 agentes del IDP — también sub-agents,
pero a mayor escala.

Lo que ninguno de esos videos tenía
era MCP como capa de conectividad.
Los agentes se conectaban a herramientas
porque yo escribí cada integración a mano.

MCP estandariza eso.
En vez de escribir la integración cada vez,
conectas un MCP server y listo.

[CLIP: Cloud Run — 0:00:00 a 0:00:06]

“Lo que ves ahí son siete agentes de IA corriendo en Google Cloud, no en Docker, no en local.”

[CÁMARA]

¿Y A2A? Nuestros agentes ya se comunican
por A2A en producción.

A2A es para que agentes de distintas organizaciones
hablen entre sí.
MCP es para que un agente se conecte a herramientas.
Son capas distintas del mismo sistema.

[14:00-24:00] UBER — LA PRUEBA EN PRODUCCIÓN

Los números

[CÁMARA]

Todo esto suena bien en una keynote.
Pero, ¿alguien ya lo está haciendo de verdad?

Sí. Uber.

[PANTALLA — números de Uber]

Meghana Somasundara y Rush Tehrani,
que lideran la plataforma de IA agéntica en Uber,
presentaron su caso esta semana
en el MCP Dev Summit de la Agentic AI Foundation.

Los números:
- 5,000 engineers, 90% usando agentes cada mes
- 10,000+ servicios internos
- 1,500 agentes activos mensuales
- 60,000 ejecuciones por semana

Esto no es un piloto.
Es la nueva forma de trabajar en Uber.

Los 3 problemas que tuvieron

[CÁMARA]

Pero llegar ahí no fue fácil.
Tuvieron tres problemas graves:

Primero: cada equipo construía su propia integración MCP.
Sin estándar, sin framework central.
La mayoría no era reutilizable.
Todos resolviendo los mismos problemas en silos.

Segundo: seguridad.
Con agentes, el blast radius es más alto que con humanos.
Un agente con acceso equivocado puede romper cosas
mucho más rápido que un developer.
Necesitaban visibilidad total de quién accede a qué.

Conexión: Workspace Profiling = governance

[CLIP: Workspace Profiling — 0:25:19 a 0:25:40]

(Lucía pide sueldo → rechazada)

[CÁMARA]

Y esto me recuerda exactamente
a lo que construimos en el video de Workspace.

Nuestro agente de RRHH perfila al usuario
y decide si tiene permiso.
El modelo no decide — el código decide.

Uber hace lo mismo a escala:
autorización centralizada,
redactor automático de datos sensibles,
guardrails que bloquean endpoints peligrosos.

La diferencia es que nosotros lo hicimos
con código custom para cada agente.
Uber lo hizo con un MCP Gateway centralizado
que aplica las mismas reglas a todos los agentes.

[CÁMARA]

Y el tercer problema: discovery.
¿Cómo encuentra un agente el MCP server correcto?
No cualquier MCP — uno que sea confiable,
con buen performance, y seguro.
Porque un tool malo no solo falla:
degrada al agente entero.

La solución: MCP Gateway + Registry

[CÁMARA]

Lo que Uber construyó es brutal.

[PANTALLA — diagrama arquitectura Uber]

Dos componentes:

1. Un ORCHESTRATOR que crawlea los 10,000+
   service definitions internos de Uber
   — archivos proto y thrift —
   y usa un LLM para generar descripciones
   de MCP tools automáticamente.

   Los service owners siguen en control.
   Ellos deciden qué se expone y afinan
   las descripciones para los modelos.

2. Un GATEWAY SERVICE que sirve esos MCP servers
   a todos los consumidores:
   plataforma no-code, SDKs, y coding agents.

Seguridad en cada capa:
- Autorización central integrada
- Redactor automático de datos sensibles (PII)
- Code scanning en cada commit
- Guardrails que bloquean endpoints mutables
  que podrían tirar servicios críticos
- Logging, métricas y tracing completo

Las 3 superficies de consumo

[CÁMARA]

Y lo usan desde 3 superficies distintas:

1. Uber Agent Builder — no-code.
   Miles de agentes internos para productividad.

2. Uber Agent SDK — code-first.
   Los agentes de customer support,
   grocery assistant, care coordination.

3. Coding agents — Claude Code y Cursor.
   95% de los engineers los usan.
   Y tienen "Minions", un background agent
   construido sobre el harness de Claude
   que produce 1,800 cambios de código por semana.

Fíjate: Uber mencionó "Claude harness" explícitamente.
Harness engineering no es un concepto teórico.
Uber lo está usando en producción.

Lo que hacen para que sea confiable

[CÁMARA]

Un detalle que me pareció muy inteligente
de cómo Uber usa MCP:

No dejan que el LLM elija libremente entre todos los tools.
Hacen tres cosas:

1. Scoping — acotan qué tools del MCP server
   están disponibles para cada agente.

2. Tool selection explícita — el desarrollador
   elige los tools específicos, no el LLM.

3. Parameter overrides — ciertos parámetros
   son estáticos, el LLM ni los toca.

Cada una de estas capas reduce un punto de fallo.

Conexión: Agent Skills = mismo principio

[CLIP: Agent Skills — 0:02:38 a 0:02:55]

“Un agente puede razonar sobre cualquier cosa, puede pensar, analizar y planificar, pero a la hora de ejecutar solo puede hacer lo que sus skills le permitan.”

[CÁMARA]

Esto es exactamente el mismo principio
que mostramos en el video de Agent Skills.

Uber no le da al LLM acceso a todos los tools.
Le acota cuáles puede usar, le fija parámetros.
Es la capa 2 de seguridad — la restricción
arquitectónica, no instrucciones.

El patrón tiene 40 años.
Nosotros lo mostramos en febrero.
Uber lo implementó a escala enterprise.
Mismo principio, distinta escala.

[24:00-30:00] LO QUE VIENE — EL ROADMAP

Las técnicas que mejoran el harness

[CÁMARA]

Ahora, Soria Parra no solo habló de la visión.
También presentó dos técnicas concretas
que van a mejorar cómo los harnesses
manejan MCP en producción:

Progressive Discovery

[PANTALLA — antes vs después en Claude Code]

[CÁMARA]

PROGRESSIVE DISCOVERY:

Hoy, la mayoría de los clientes MCP
meten todos los tools en el context window.
Y después se sorprenden de que sea enorme.

La solución: no cargar todos los tools de entrada.
Darle al modelo un "tool search" —
una herramienta para buscar herramientas.

El modelo dice: "Necesito algo para DNS."
Tool search le devuelve el tool específico.
Se carga on demand.
Reducción masiva de contexto.

De hecho, si usas Claude Code,
ya estás usando esto.
Los deferred tools que ves al inicio
son exactamente este patrón.

Uber también lo tiene en su roadmap.
Lo llaman "omni MCP tool".

Conexión: CLAUDE.md + deferred tools

[CLIP: Agent Teams — 0:13:44 a 0:13:56]

“El CLAUDE.md… Sin esto, el equipo literalmente no existe.”

[CÁMARA]

Cuando Claude Code carga tu CLAUDE.md
al inicio de la sesión,
eso es un guide — una pieza del harness.

Cuando defer tools y los carga on demand,
eso es progressive discovery.

Ya está pasando en tu terminal.
Ahora imagina eso en producción,
con cientos de MCP servers.

Programmatic Tool Calling

[CÁMARA]

PROGRAMMATIC TOOL CALLING:

En vez de que el modelo haga:
tool call → resultado → pensar → otro tool call → resultado...

Le das un REPL — un ambiente de ejecución —
y el modelo escribe código que compone
múltiples tools en una sola llamada.

En vez de 5 roundtrips con latencia,
un script que ejecuta todo junto.

Soria Parra fue muy directo acá:
"We're just not doing this enough yet."

Lo que viene en junio

[CÁMARA]

Y para junio, hay 3 cosas grandes
que van a aterrizar en la especificación de MCP:

[PANTALLA — timeline roadmap]

1. STATELESS TRANSPORT
   Una propuesta de Google que hace que
   los MCP servers se puedan tratar
   como cualquier servidor stateless.
   Desplegarlo en Cloud Run, en Kubernetes,
   como ya sabemos hacer.
   Eso resuelve el problema de escalar MCP.

2. SERVER DISCOVERY
   URLs well-known para que agentes
   descubran MCP servers automáticamente.
   Como robots.txt pero para agentes.
   Vas a un sitio web y tu agente pregunta:
   "¿Tienes un MCP server?" — y lo encuentra solo.

Skills over MCP + conexión con Agent Teams

3. SKILLS OVER MCP
   El MCP server no solo te da tools.
   También te manda el conocimiento de dominio
   de cómo usarlos.
   El server author puede actualizar las skills
   sin depender de registries externos.

[CLIP: Agent Teams — 0:00:00 a 0:00:07]

“Hoy no te voy a mostrar cómo crear una skill, te voy a mostrar cómo construir una fábrica que crea skills por ti.”

[CÁMARA]

Y esto conecta directamente con nuestra fábrica de skills.

En ese video, la fábrica produce skills
que Claude lee como archivos locales.
Con skills over MCP, el server envía las skills
junto con los tools.

Es el mismo concepto — documentación que viaja
con la capacidad — pero distribuido.
El server author actualiza la skill
y todos los clientes la reciben sin hacer nada.

Quién gobierna todo esto

[CÁMARA]

Y algo que creo que poca gente sabe:

MCP ya no es "de Anthropic".

Desde diciembre de 2025, MCP está bajo la
Agentic AI Foundation, dentro de la Linux Foundation.

Co-fundadores: Anthropic, Block y OpenAI.
Miembros platinum: Google, Microsoft, Amazon, Cloudflare, GitHub.

[PANTALLA — logos + Core Maintainers]

Los Core Maintainers del protocolo son:
- David Soria Parra — Anthropic
- Den Delimarsky — Anthropic
- Clare Liguori — AWS
- Caitie McCaffrey — Microsoft
- Nick Cooper — OpenAI
- Kurtis Van Gent — Google Cloud

Anthropic, Google, OpenAI, Microsoft y Amazon
sentados en la misma mesa
definiendo cómo los agentes se conectan al mundo.

ThoughtWorks ya lo puso en su Technology Radar
en la categoría "Trial" — recomendado para probar
en proyectos reales.

Pero con una advertencia:
pusieron "Naive API-to-MCP conversion" en "Hold".
No lo hagas.
Es exactamente lo que Soria Parra llamó "cringe".
No tomes tu REST API y la conviertas 1:1 en MCP.
Diseña para agentes.

[30:00-35:00] CIERRE — Insight conceptual fuerte

El protocolo de cada era

[CÁMARA]

Antes de cerrar, quiero que pienses en algo.

Cada era de la computación tuvo un protocolo
que definió cómo se conectaban las cosas.

[PANTALLA — timeline: HTTP → REST → gRPC → MCP]

HTTP conectó páginas web.
REST conectó aplicaciones.
gRPC conectó microservicios.

MCP está posicionándose para ser
el protocolo que conecte agentes de IA
con el mundo real.

Y lo interesante no es el protocolo en sí.
Es quién está detrás.

Porque cuando Anthropic, Google, OpenAI,
Microsoft y Amazon se sientan juntos
a mantener el mismo estándar,
no es porque les guste colaborar.
Es porque todos entendieron
que sin un estándar de conectividad,
los agentes no llegan a producción.

Uber ya lo demostró.
1,500 agentes. 60,000 tareas por semana.
Un solo protocolo.

Y esto recién empieza.

El diagrama de serie — cada video fue una capa

[CÁMARA]

Si llevas siguiendo este canal,
cada video fue una pieza de este puzzle:

[PANTALLA — diagrama de serie]

Agent Skills          → la capa de restricciones (qué puede hacer)
Protocolo A2A         → la capa de coordinación (quién habla con quién)
Agent Teams           → la fábrica de skills (cómo se producen)
7 Agentes + Cloud Run → la infraestructura (dónde corren)
Workspace Profiling   → governance en acción (quién tiene permiso)
Harness Engineering   → el framework que une todo (control)

Y MCP es la pieza que faltaba:
la capa de conectividad.

Cada video construyó una capa.
Ahora todas tienen nombre
y la industria entera las está adoptando.

Gratitud + teaser

[CÁMARA]

Gracias por quedarse hasta el final.

Todo lo que mencioné en este video
— las fuentes, los links a las keynotes,
los artículos — está en la descripción.

Si te gustó este tipo de análisis,
suscríbete porque vienen cosas entretenidas.

Y si quieres ver estas capas funcionando juntas
en un sistema real — MCP + A2A + Skills
en agentes corriendo en Cloud Run —
eso es exactamente lo que viene
en el próximo video.

Nos vemos.

RESUMEN DE PRODUCCIÓN

Clips de videos propios (8 clips, ~85s total)

#	Video fuente	Timestamp	Dur	Qué muestra	Sección
1	Harness Engineering	0:01:02 - 0:01:10	8s	”Lo que construyes alrededor importa más”	3 capas
2	3 Agentes A2A	0:00:00 - 0:00:07	7s	”Publicar en skills como A2A”	Cuándo usar qué
3	IDP 7 Agentes	0:00:00 - 0:00:07	7s	”Construir un IDP con 7 agentes”	Cuándo usar qué
4	Cloud Run	0:00:00 - 0:00:06	6s	”7 agentes en Google Cloud, producción real”	Cuándo usar qué
5	Workspace Profiling	0:25:19 - 0:25:40	21s	Lucía rechazada (seguridad)	Uber - governance
6	Agent Skills	0:02:38 - 0:02:55	17s	”Solo puede ejecutar lo que sus skills permitan”	Uber - confiabilidad
7	Agent Teams	0:13:44 - 0:13:56	12s	”CLAUDE.md, sin esto no existe”	Progressive discovery
8	Agent Teams	0:00:00 - 0:00:07	7s	”Fábrica que crea skills por ti”	Skills over MCP

Recursos visuales / slides (12 slides)

#	Momento	Recurso
1	Hook	Número 1,500 agentes + 60,000 tasks en pantalla
2	MCP hoy	Diagrama simple: Client ↔ Server ↔ Tools
3	3 capas	Diagrama: Skills / MCP / CLI-ComputerUse
4	Framework Google	Tabla: RAG vs MCP vs Sub-agents vs A2A
5	Uber números	Slide con 4 cifras
6	Uber arquitectura	Diagrama: Orchestrator + Gateway + 3 superficies
7	Uber confiabilidad	Diagrama: scoping → tool selection → parameter overrides
8	Progressive discovery	Antes vs después (context window)
9	Roadmap	Timeline: stateless transport, server discovery, skills over MCP
10	Governance	Logos: Anthropic, Google, OpenAI, Microsoft, AWS + Linux Foundation + nombres Core Maintainers
11	Cierre	Timeline: HTTP → REST → gRPC → MCP
12	Serie	Diagrama: 7 videos anteriores + MCP como pieza que faltaba

Duración estimada

Sección	Duración
Hook + open loops	1:30
Suscripción	0:30
Contexto MCP hoy	3:00
Tesis + 3 capas + harness	5:00
Cuándo usar qué + conexión videos	4:00
Uber completo + conexiones	10:00
Roadmap + conexiones	6:00
Cierre + diagrama de serie	5:00
Total estimado	~35 min

TAGS PROPUESTOS

mcp, model context protocol, mcp server, claude mcp, mcp tutorial,
futuro de mcp, future of mcp, mcp produccion, uber mcp, uber ai agents,
david soria parra, anthropic mcp, google adk, a2a protocol,
agent skills, harness engineering, agentes ia, agentes ia produccion,
ai agents, mcp explained, progressive discovery, programmatic tool calling,
agentic ai, mcp gateway, agent connectivity, claude code,
linux foundation mcp, openai mcp, mcp 2026

DESCRIPCIÓN PROPUESTA (ES)

El Futuro de MCP (Model Context Protocol): cómo Uber conecta 1,500 agentes IA
a 10,000 servicios internos con un solo protocolo — 60,000 tareas por semana
en producción real.

David Soria Parra (co-creador de MCP, Anthropic) presentó la visión:
2026 es el año de los agentes generales en producción.
No más demos, no más coding agents locales.
Agentes que se conectan a SaaS, bases de datos y servicios enterprise.

En este video analizo:
- Qué es MCP hoy y por qué la versión "local" no alcanza
- Las 3 capas de conectividad: Skills, MCP, CLI/Computer Use
- Cuándo usar RAG vs MCP vs Sub-agents vs A2A
- Cómo Uber construyó su MCP Gateway + Registry
- Progressive Discovery y Programmatic Tool Calling
- El roadmap: stateless transport, server discovery, skills over MCP
- Quién gobierna MCP: Anthropic, Google, OpenAI, Microsoft y AWS en la misma mesa

Fuentes:
- David Soria Parra keynote (AI Engineer): https://youtube.com/watch?v=v3Fr2JR47KA
- Uber keynote (AAIF): https://youtube.com/watch?v=yVqMxBahjfA
- Google Cloud Tech — RAG vs MCP vs A2A: https://youtube.com/watch?v=ks4M8b9Ul6E
- Google Cloud Next '26: https://blog.google/intl/es-419/actualizaciones-de-producto/en-la-nube/bienvenidos-a-google-cloud-next-26/
- ThoughtWorks Technology Radar — MCP: https://www.thoughtworks.com/radar/platforms/model-context-protocol-mcp
- Martin Fowler — Context Engineering: https://martinfowler.com/articles/exploring-gen-ai/context-engineering-coding-agents.html

Mis videos relacionados:
- Harness Engineering: https://youtu.be/LFEKd-Y3QX8
- Agent Skills: [LINK]
- 7 Agentes ADK + A2A: [LINK]
- Cloud Run Producción: https://youtu.be/kvJaC9utngs
- Workspace Profiling: https://youtu.be/8PseQrSflmM
- Agent Teams: https://youtu.be/58TdFe67pHY

🔔 Suscríbete: https://www.youtube.com/@NicolasNeiraGarcia?sub_confirmation=1