Los servidores MCP (Multi-Channel Protocol) suelen limitarse a cumplir una función básica: responder solicitudes de datos de los agentes con la información requerida. Sin embargo, James Ward, principal defensor de desarrolladores en AWS y miembro del comité técnico de la Agentic AI Foundation, sostiene que este enfoque deja mucho por aprovechar. Según Ward, estos servidores brillan más cuando actúan como un interlocutor más en la conversación, no simplemente como una base de datos que entrega información.
La visión de Ward toma forma en su papel en la Agentic AI Foundation, un grupo dependiente de la Linux Foundation que supervisa MCP. En la conferencia AGNTCon + MCPCon 2026, celebrada en San José, Ward y Alexander Ioffe presentaron una sesión centrada en transformar MCP de una API básica hacia una interfaz avanzada de integración para agentes.
“Frecuentemente, los servidores MCP son APIs simples, cuyo propósito es obtener datos específicos, por ejemplo, ‘dame los clientes’, y ese es un buen punto de partida,” explicó Ward. “Pero yo imagino MCP como una voz adicional en la conversación, ya sea la tercera, la cuarta o la quinta, dependiendo del número de servidores MCP implicados.” 
Este planteamiento implica que la respuesta de la herramienta no debe limitarse a datos sino que debe incluir recomendaciones claras: qué acaba de hacer el agente, qué podría hacer a continuación y dónde puede encontrar información complementaria. De esta forma, el servidor no solo responde, sino que guía y comunica con claridad el estado y próximos pasos.
Un aspecto crucial para mejorar la eficacia es la visibilidad completa de las interacciones. Mientras que un desarrollador web puede rastrear el camino de un clic desde la interfaz de usuario hasta la base de datos, MCP no incorpora nativamente mecanismos para identificar trazas o rutas de llamada. Para solucionar esto, AWS utiliza un método sencillo pero efectivo: incorporar un identificador de sesión que viaje junto con cada petición y permita vincular múltiples llamadas en un recorrido único y coherente.
Además, añaden un segundo parámetro con el mensaje o resumen de la intención del usuario. Así, los equipos de desarrollo pueden contrastar qué deseaba el usuario con las decisiones tomadas por el agente, evaluando y ajustando descripciones de herramientas o parámetros para mejorar el rendimiento y la tasa de tareas completadas. Estas técnicas ya forman parte del conjunto de herramientas en los servidores MCP de AWS.
Desde mayo de 2026, AWS ha hecho público su servidor MCP y ha incorporado diagnósticos para Lambda que facilitan el análisis del comportamiento y rendimiento. En una entrevista previa al congreso, Ward relataba cómo en un escenario el agente recuperaba registros de clientes uno a uno porque el servidor solo disponía de una herramienta que devolvía un registro por solicitud. Al observar el flujo completo, el equipo pudo detectar este cuello de botella y crear un método por lotes que optimizó el proceso.
Ward no señala MCP como única solución, ya que AWS también ofrece un CLI y habilidades específicas. Esto se debe a que el modelo OAuth de MCP presenta limitaciones como la imposibilidad de cambiar entre perfiles de usuario de AWS con la misma comodidad que permite la CLI. El rendimiento óptimo depende del tipo de modelo de agente, las descripciones de herramientas y el modo en que el agente descubre dichas herramientas. Por ello, AWS somete estas alternativas a evaluaciones comparativas.
El planteamiento de Ward, aunque sencillo, da en la clave: observar, reproducir, medir y mejorar. La auténtica novedad reside en que las organizaciones necesitan comprender y analizar detalladamente el camino compartido entre humanos y agentes inteligentes, comprobando que las modificaciones en sus herramientas realmente faciliten la finalización eficaz de las tareas.
