GUION v3

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

Metadata

Duración objetivo: 28-33 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
Clips propios: solo 1 (Harness Engineering, 8s). Resto = menciones verbales.

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)

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

[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 esa no es la historia completa.

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 donó MCP a la Agentic AI Foundation,
bajo la Linux Foundation.
Y en esa fundación están sentados competidores directos:
Anthropic, OpenAI, Google, Microsoft, AWS, Cloudflare, Bloomberg y Block.

Y eso es raro en IA.
Porque estamos hablando de empresas que compiten entre sí,
pero que están empujando un estándar común
para resolver el mismo problema:
cómo conectan los agentes con el mundo real.

[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 funcionalidades 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
va a estar en la descripción.
Los invito a suscribirse que estamos haciendo cosas
muy entretenidas.

Y les cuento algo nuevo: estamos armando
una comunidad para ingenieros que construyen
sistemas con agentes de IA en producción.
Se llama ei-YÉN-tic en-ji-NÍRS Agentic Engineers, va a estar en Skool
y el link se los dejo en los comentarios
y en la descripción.

Por ahora el acceso va a tener un precio
muy accesible para los que entren primero,
después va a subir. Así que si les interesa,
entren ahora. Vamos a eso.

[2:00-5:00] CONTEXTO — QUÉ ES MCP HOY

[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, o sea, tools.
Un MCP client (que puede ser Claude Code, Cursor, ChatGPT)
se conecta al server y usa esas herramientas.

Y funciona. Hoy hay MCP servers para todo:
Slack, GitHub, bases de datos, Google Drive, Figma, Blender.

¿Qué tan rápido creció esto?
Las librerías oficiales para construir MCP servers
ya superan los 110 millones de descargas mensuales.
Para dimensionar: llegó a esa cifra
en aproximadamente la mitad del tiempo que le tomó a React.

[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 — Co-creador de MCP

[CÁMARA]

En abril de este año, David Soria Parra
— el co-creador de MCP, mantenedor principal del protocolo
y miembro del equipo técnico de Anthropic —
dio una presentación que cambió la conversación.

[CLIP/SLIDE: Captura de pantalla de la presentación de Soria Parra — https://www.youtube.com/watch?v=v3Fr2JR47KA]

[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.
Corren en tu máquina, los puedes verificar
y tienen un sandbox controlado.

Pero 2026, dice Soria Parra, es otra cosa.
2026 es el año de los agentes generales.
Agentes que hacen trabajo real de oficina.
Análisis financiero. Marketing. Operaciones.
Recursos humanos. Soporte al cliente.

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

Necesitan conectarse a 5, 10, 20 aplicaciones distintas, por ejemplo
al drive compartido de la empresa,
a servicios internos.
Y todo eso con autenticación, permisos y governance.

El stack de conectividad — 3 opciones

[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 opciones de conectividad.
No son obligatorias.
Son herramientas en un toolbox.
Cada agente elige las que necesita:

[PANTALLA — diagrama 3 opciones]

1. SKILLS — Conocimiento de dominio.
   Archivos simples que le dicen al agente
   cómo hacer algo. Reutilizables.
   Esta la usan todos. Siempre.

2. MCP — Conectividad remota a herramientas.
   Cuando necesitas autorización, governance,
   independencia de plataforma,
   o conectarte a servicios enterprise.
   Es para cuando NO tienes sandbox
   — o sea, producción.

3. CLI / Computer Use — Ejecución local.
   Cuando tienes un sandbox, una terminal,
   herramientas que están en pre-training
   como git, gh, gcloud.
   Es para agentes que corren en tu máquina.

[CÁMARA]

Y acá hay un punto que genera mucha confusión.

Soria Parra presenta estas 3 opciones
y usa Claude Code como ejemplo
porque es el cliente más visible de Anthropic.
Pero él no está hablando solo de Claude Code.

De hecho, él lo dice textualmente:

**[PANTALLA — cita de Soria Parra]**
"be it a Claude Code, be it an API,
be it whatever application you're going to build."

**[CÁMARA]**
Ya sea Claude Code, una API,
o cualquier aplicación que vayas a construir.
Su framework aplica a cualquier agente,
no solo a coding agents.

La diferencia es qué opciones usa cada uno.
Veamos ejemplos concretos:

[PANTALLA — tabla comparativa]

Agente	Skills	MCP	CLI
Coding agent (Claude Code, Cursor, Codex)	✅	✅	✅
Agente con API Anthropic en producción	✅	✅	Depende
Agente ADK en Cloud Run (los nuestros)	✅	✅	Generalmente no
Uber (1,500 agentes)	✅	✅	Solo coding agents

[CÁMARA — narrando sobre la tabla]

Fíjense: todos usan Skills y MCP.
La diferencia está en CLI.

Un coding agent como Claude Code o Cursor
tiene terminal, tiene sandbox, usa las tres.

Pero un agente en producción, como los nuestros en Cloud Run,
ejecuta funciones Python directamente.
No necesita bash. Se conecta a herramientas externas vía MCP.

Y Uber es interesante: sus agentes de negocio
usan Skills y MCP, pero CLI solo lo usan
sus coding agents internos.

[CÁMARA]

Fíjense: MCP no es de Claude Code.
Es un protocolo abierto que cualquier agente puede usar.
ADK, LangChain, la API de Anthropic, lo que sea.

Y lo que Soria Parra presentó sobre progressive discovery
tampoco es exclusivo de Claude Code.
Está disponible en la API de Anthropic
y en APIs de la competencia.

Si piensas que MCP es solo para conectar
herramientas a tu editor de código,
te estás perdiendo la mayor parte de la historia.

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.

[10:00-13:00] CUÁNDO USAR CADA COSA

[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 herramientas distintas para problemas distintos.
Y en un sistema real, usas varias al mismo tiempo.

De hecho, en este canal ya implementamos
sub-agents con nuestros 7 agentes ADK,
y A2A para que se deleguen tareas en producción.

Lo que nos faltaba era MCP
como capa de conectividad estandarizada.
Cada integración la escribimos a mano.
MCP resuelve eso.

[13:00-22:00] 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.

Si viste mi video de Perfilamiento,
ahí construimos exactamente eso
— agentes que perfilan al usuario
y deciden si tiene permiso.
El modelo no decide, el código decide.
Uber hace lo mismo pero a escala,
con un MCP Gateway centralizado.

Tercero: 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 probablemente el patrón más claro
de cómo se ve MCP en producción enterprise.

[PANTALLA — diagrama arquitectura Uber]

Dos componentes:

Primer componente: un ORCHESTRATOR.

Cada servicio interno de Uber ya tiene un archivo
que describe qué hace y cómo se llama.
El orchestrator lee esos 10,000 archivos
y usa un LLM para generar automáticamente
las descripciones de los MCP tools
en un lenguaje que los agentes entienden.

Los dueños de cada servicio siguen en control.
Ellos deciden qué se expone
y afinan las descripciones para los modelos.

Y esto es clave: imagínate obligar a 5,000 ingenieros
a escribir MCP servers a mano para cada uno de sus servicios.
La iniciativa muere.
Automatizar esa generación leyendo
las definiciones que ya existen
es lo que hizo que la adopción funcionara a escala.

Segundo componente: un GATEWAY.

Este gateway es el punto de entrada único.
Todos los agentes pasan por acá para acceder
a los MCP servers: la plataforma no-code,
los SDKs y los coding agents.

Y en cada capa hay seguridad:
autorización centralizada,
redacción automática de datos sensibles,
escaneo de código en cada commit,
guardrails que bloquean operaciones peligrosas
y logging, métricas y tracing completo.

Las 3 superficies de consumo

[CÁMARA]

Y lo consumen desde 3 superficies distintas:

La primera: una plataforma no-code llamada Uber Agent Builder.
Con esta, miles de equipos internos crean agentes
de productividad sin escribir código.

La segunda: un SDK para developers, el Uber Agent SDK.
Acá es donde construyen los agentes más complejos:
soporte al cliente, asistente de compras,
coordinación de servicios.

Y la tercera: coding agents.
Claude Code y Cursor.
El 95% de sus ingenieros los usan.
Y tienen un agente interno llamado "Minions"
que corre en segundo plano
y produce 1,800 cambios de código por semana.

Y acá viene algo importante:
Uber mencionó "Claude harness" explícitamente.
Harness engineering no es un concepto teórico.
Uber lo está usando en producción real.

Lo que hacen para que sea confiable

[CÁMARA]

[PANTALLA — diagrama de 3 capas]

Capa	Qué hace	Quién decide
Scoping	Qué tools están disponibles para cada agente	El sistema
Tool selection	Qué tools específicos usa este agente	El developer
Parameter overrides	Qué parámetros son fijos y no se tocan	El developer

[CÁMARA — narrando sobre el diagrama]

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

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

Primero, acotan. No todos los tools del MCP server
están disponibles para todos los agentes.
Cada agente solo ve los que necesita.

Segundo, el developer elige los tools específicos,
no el modelo. El modelo no decide qué herramientas usar,
el developer se las asigna.

Y tercero, ciertos parámetros vienen fijos.
El modelo ni los toca. Son valores estáticos
que el developer define de antemano.

Cada una de estas capas reduce un punto de fallo.
Es el mismo principio que mostramos
en el video de Agent Skills:
no le das acceso a todo,
le das acceso a exactamente lo que necesita.

Nosotros lo mostramos en febrero.
Uber lo implementó a escala enterprise.
Mismo principio, distinta escala.

[22:00-25:00] TÉCNICAS QUE SORIA PARRA PRESENTÓ

[CÁMARA]

Ahora, Soria Parra no solo habló de la visión.
También presentó dos técnicas concretas
que ya se están usando:

Progressive Discovery

[CÁMARA]

La primera: progressive discovery.

Hoy, la mayoría de los clientes MCP
cargan todos los tools en la ventana de contexto.
Y después se sorprenden de que sea enorme.

[PANTALLA — antes vs después en Claude Code]

La solución: no cargar todos los tools de entrada.
Darle al modelo una herramienta para buscar herramientas.

El modelo dice: "Necesito algo para DNS."
La búsqueda le devuelve el tool específico.
Se carga cuando lo necesita.
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".

Programmatic Tool Calling

[CÁMARA]

La segunda: programmatic tool calling.

Hoy, cuando un agente necesita usar 5 herramientas,
hace esto: llama a la primera, espera el resultado,
piensa, llama a la segunda, espera, piensa,
y así sucesivamente.
5 idas y vueltas, cada una con latencia.

[PANTALLA — diagrama antes vs después]

Antes (5 roundtrips)	Después (1 script)
Modelo → tool 1 → resultado → pensar	El modelo escribe un script
Modelo → tool 2 → resultado → pensar	que compone los 5 tools
Modelo → tool 3 → resultado → pensar	y los ejecuta todos juntos
Modelo → tool 4 → resultado → pensar	en una sola llamada.
Modelo → tool 5 → resultado → pensar

[CÁMARA]

La solución: darle al modelo un ambiente de ejecución
donde pueda escribir código que componga
múltiples tools en una sola llamada.

En vez de 5 idas y vueltas,
un script que ejecuta todo junto.

Soria Parra fue muy directo acá:
"We're just not doing this enough yet."
(Todavía no estamos haciendo esto lo suficiente.)

[25:00-27:00] 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 (transporte sin estado)

   El transporte original de MCP usaba conexiones persistentes.
   Eso era un problema para plataformas serverless
   como Cloud Run o Lambda, que necesitan escalar a cero.

   Desde marzo 2025 ya existe una solución llamada Streamable HTTP:
   un solo endpoint, sin estado.
   Lo que viene en junio es la formalización completa.
   Eso significa MCP servers nativos en Cloud Run,
   en Kubernetes, escalando a cero.
   Sin conexiones inactivas.

2. SERVER DISCOVERY (descubrimiento de servidores)

   URLs estandarizadas para que los agentes
   descubran MCP servers automáticamente.
   Algo así como el robots.txt pero para agentes.
   Tu agente va a un sitio web y pregunta:
   "¿Tienes un MCP server?" y lo encuentra solo.

3. SKILLS OVER MCP (skills distribuidas por MCP)

   El MCP server no solo te da herramientas.
   También te manda el conocimiento de dominio
   de cómo usarlas.
   El autor del server puede actualizar las skills
   sin depender de nada externo.

   Si viste nuestro video de Agent Teams,
   ahí la fábrica producía skills
   que Claude leía como archivos locales.
   Con skills over MCP, el server envía las skills
   junto con las herramientas. Todo distribuido.

[27:00-30:00] 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: Amazon Web Services, Bloomberg,
Cloudflare, Google, Microsoft,
además de los 3 co-fundadores.

[PANTALLA — logos + Core Maintainers]

Los mantenedores principales del protocolo son:
- David Soria Parra — Anthropic (co-creador de MCP)
- Den Delimarsky — Anthropic

Y los mantenedores del núcleo incluyen gente de:
- Clare Liguori — AWS
- Caitie McCaffrey — Microsoft
- Nick Cooper — OpenAI
- Kurtis Van Gent — Google Cloud
- y otros más.

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

[CÁMARA]

ThoughtWorks, una de las consultoras de tecnología
más respetadas de la industria,
publica cada 6 meses un reporte llamado Technology Radar
donde evalúan tecnologías y las clasifican
en 4 categorías: adoptar, probar, evaluar o evitar.

MCP lo pusieron en "probar",
o sea, recomendado para usar en proyectos reales.

Pero con una advertencia importante:
la conversión directa de API a MCP la pusieron en "evitar".
Es exactamente lo que Soria Parra llamó "cringe".
No tomes tu REST API y la conviertas tal cual a MCP.

REST está diseñado para humanos.
MCP requiere diseño pensado para agentes:
menos herramientas, con descripciones claras.
Diseña para agentes, no conviertas para agentes.

[28:00-32:00] CIERRE — Insight conceptual fuerte

[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.

Y yo creo que MCP se está posicionando 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

[CÁMARA]

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

[PANTALLA — diagrama de serie]

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

Y MCP es la pieza que faltaba:
conectividad.

Cada video construyó una pieza.
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 piezas 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

Clip propio (1 clip, 8s)

Video fuente	Timestamp	Dur	Qué muestra	Sección
Harness Engineering	0:01:02 - 0:01:10	8s	”Lo que construyes alrededor importa más”	3 opciones de conectividad

Menciones verbales a videos propios (sin clips)

Video mencionado	Texto	Sección
Agent Skills	”Es el mismo principio que mostramos en el video de Agent Skills”	Uber - confiabilidad
Workspace Profiling	”Si viste mi video de Workspace Profiling, ahí construimos exactamente eso”	Uber - seguridad
Agent Teams	”Si viste nuestro video de Agent Teams, ahí la fábrica producía skills…”	Skills over MCP
7 Agentes + Cloud Run	”Ya implementamos sub-agents con nuestros 7 agentes ADK, y A2A en producción”	Cuándo usar qué
Todos	Diagrama de serie: 6 videos = 6 piezas, MCP = la que faltaba	Cierre

Recursos visuales / slides (11 slides)

#	Momento	Recurso
1	Hook	Número 1,500 agentes + 60,000 tasks en pantalla
2	MCP hoy	Diagrama simple: Client ↔ Server ↔ Tools
3	3 opciones	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 + nombres Core Maintainers
11	Cierre	Timeline: HTTP → REST → gRPC → MCP + Diagrama de serie del canal

Duración estimada

Sección	Duración
Hook + open loops	1:30
Suscripción	0:30
Contexto MCP hoy	3:00
Tesis + 3 opciones + harness	5:00
Cuándo usar qué	3:00
Uber completo	9:00
Roadmap	6:00
Cierre + diagrama de serie	4:00
Total estimado	~32 min

PRONUNCIACIONES (referencia para grabar)

Término	Pronunciación
MCP	em-si-pi
Model Context Protocol	módel cóntext prótoCol
Lead Maintainer	líd meinTéiner
Core Maintainers	cor meinTéiners
coding agents	códing éiyents
Streamable HTTP	strímabol eich-ti-ti-pi
SaaS	sas (una sola sílaba)
shared drive	sherd dráiv
governance	góvernans
skills	eskils
CLI	si-el-ái
sandbox	sándboks
pre-training	pri-tréining
progressive discovery	progresiv discóveri
programmatic tool calling	programátic tul cóling
tool search	tul serch
context window	cóntext uíndou
on demand	on dimánd
REPL	répl
stateless transport	stéitles tránsport
server discovery	sérver discóveri
well-known	uel-nóun
skills over MCP	eskils óver em-si-pi
cringe	crinch
Agentic AI Foundation	eiYéntic éi-ái faundéishon
Linux Foundation	línuks faundéishon
Technology Radar	tecnólodyi réidar
Trial	tráial
Hold	jóuld
blast radius	blast réidius
gateway	guéitwey
registry	réyistri
orchestrator	orkestréitor
IDLs	ái-di-éls
proto and thrift	próto and zrift
PII Redactor	pi-ái-ái ridáctor
scoping	scóuping
parameter overrides	parámetr overráids
harness	járnes
roundtrips	ráundtrips
gRPC	yi-ar-pi-sí
Delimarsky	delimárski
Liguori	liguóri
McCaffrey	macáfri
ThoughtWorks	zót-uerks
Spahr-Summers	spar-sámers

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 opciones 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
🌐 Sitio web: https://nicolasneira.com
🚀 Comunidad Agentic Engineers: https://www.skool.com/agentic-engineers