El 28 de julio de 2026, el Model Context Protocol publicó su mayor revisión desde que Anthropic lo abrió al ecosistema a finales de 2024. No es un parche de seguridad ni una feature menor: es una reescritura del núcleo del protocolo. Si construyes agentes con LangGraph, CrewAI o cualquier stack que use MCP como capa de herramientas, lo que salió hoy te afecta directamente.
Por qué esta spec es distinta a las anteriores
Las versiones previas de MCP funcionaban bien para llamadas síncronas entre herramientas en un mismo proceso. El problema apareció cuando los equipos empezaron a desplegar agentes a escala real: cada servidor MCP mantenía estado de sesión en memoria, lo que hacía imposible el escalado horizontal sin infraestructura adicional. La spec de junio 2026 intentó parchear la seguridad; la de hoy cambia el modelo desde la base.
El release candidate se cerró el 21 de mayo de 2026, con diez semanas de ventana de validación para que los maintainers de SDKs probaran los cambios en cargas reales. Ya hay implementaciones de referencia en Python y TypeScript disponibles en los repositorios oficiales. La fecha de publicación final de la spec es hoy, 28 de julio.
Los 4 cambios que importan en la spec 2026-07-28
1. Núcleo stateless: escalado real sin sticky sessions
El cambio más estructural: el servidor ya no guarda estado entre llamadas. Cada herramienta recibe el contexto completo en la request y devuelve la respuesta completa. Eso permite desplegar servidores MCP detrás de cualquier HTTP load balancer sin sticky sessions. En la práctica puedes correr tus herramientas en contenedores efímeros en AWS ECS, Cloud Run o Azure Container Apps sin modificar ningún archivo de configuración de sesión. Si escalas de dos a veinte réplicas, el agente simplemente funciona.
2. Extension de Tasks: el agente ya no espera bloqueado
La extensión io.modelcontextprotocol/tasks introduce un patrón asíncrono estandarizado: el servidor puede responder a tools/call con un task handle en lugar de la respuesta final. El cliente conduce el ciclo con tasks/get, tasks/update y tasks/cancel. Esto resuelve el problema clásico de las herramientas lentas: en vez de que el agente quede bloqueado esperando 90 segundos, recibe un handle y puede seguir ejecutando otras herramientas en paralelo. Es muy útil para llamadas a modelos de generación de imágenes, consultas analíticas pesadas o scripts de transformación de datos que tardan.
3. MCP Apps: UI renderizada desde el servidor
MCP Apps llega como extensión oficial y permite al servidor enviar componentes de interfaz que el cliente puede mostrar directamente. Todavía es experimental, pero abre la puerta a agentes que no solo responden texto, sino que entregan formularios, tablas o gráficas desde la herramienta. Si estás construyendo copilots internos para analytics o dashboards conversacionales, esto va a cambiar cómo diseñas tus interfaces en los próximos seis meses.
4. Auth fortalecida con OAuth 2.1 y OpenID Connect
La spec alinea el modelo de autenticación con OAuth 2.1 y OpenID Connect. Antes muchos equipos usaban tokens custom o directamente no autenticaban sus servidores en desarrollo. Ahora hay un estándar claro con tokens de corta duración, scopes definidos y refresh flows. Para quienes despliegan en contextos de compliance estricto —HIPAA, SOC 2, ISO 27001— esto reduce sustancialmente el trabajo de revisión de seguridad.
Qué rompe y qué tienes que revisar en tu stack
- ▸Cualquier servidor MCP que use session state en memoria tiene que refactorizarse para pasar contexto en la request o externalizarlo a Redis o DynamoDB.
- ▸Los clientes que asumen respuesta síncrona inmediata deben implementar polling de tasks/get si el servidor adopta la extensión Tasks.
- ▸Los tokens de autenticación custom que no siguen OAuth 2.1 tienen 90 días de deprecation window según el roadmap oficial de la spec.
- ▸Si usas LangGraph 1.1.3 o superior, no cambia tu grafo: el cambio está en el servidor MCP que consumes, no en el orquestador.
- ▸Actualiza los SDKs: pip install mcp --upgrade o npm update @modelcontextprotocol/sdk para recibir la implementación de la spec final.
Cómo afecta esto a LangGraph y CrewAI hoy
El ecosistema reaccionó rápido. LangGraph 1.1.3, que cubrimos hace diez días, ya declaraba compatibilidad con el release candidate. En la práctica puedes seguir usando McpTool() como siempre; el cambio está en el servidor, no en el grafo. Los agentes de LangGraph que consumen herramientas externas se benefician inmediatamente del núcleo stateless: si escalas tu servidor a más réplicas, el agente funciona sin pisar el estado de otro worker.
Con CrewAI 1.15.x el panorama es similar: el AgentTools wrapper ya soporta el handshake de tasks/get para herramientas que devuelven task handles. Lo que sí tienes que revisar son tus funciones @tool con tiempos de respuesta variables; si las hay, la extensión Tasks les da un upgrade de confiabilidad inmediato sin cambiar la lógica de tu crew.
Lo que nadie te dice de esta transición
La migración al núcleo stateless parece sencilla en papel, pero en la práctica el 60% del estado que los servidores guardan en memoria está ahí por comodidad de quien los escribió, no por diseño real. He visto servidores MCP de análisis de datos que mantienen 40 MB de DataFrames en sesión cuando podrían regenerarlos en 200 ms desde el contexto. La nueva spec los obliga a hacer la arquitectura correctamente desde el principio, lo cual es buena noticia a largo plazo pero implica trabajo real ahora mismo.
La extensión Tasks tampoco es automática: el servidor decide cuándo responde con un task handle en vez de la respuesta final. Si el equipo que escribe el servidor no conoce la extensión, los clientes nunca la van a activar. La adopción real va a ser gradual; no esperes que todos tus proveedores de herramientas MCP lo soporten antes de finales de 2026.
Cómo aprender a construir agentes con MCP en DataPath
Si quieres construir agentes que usen herramientas MCP en producción, el lugar más directo es el curso de Creación de Agentes con LangGraph, donde construyes grafos con estado controlado y herramientas externas desde cero. Tiene módulos dedicados a la integración con herramientas vía MCP y a la gestión de memory stores, exactamente lo que necesitas para trabajar con la spec stateless. Si ya manejas LangGraph y quieres escalar a sistemas multi-agente completos, el siguiente paso natural es el curso de CrewAI, donde conectas crews con proveedores de herramientas MCP y memory backends propios.
Para el cuadro completo —desde fundamentos de LLM hasta MCP, despliegue y monitoreo de agentes reales— la ruta AI Agentic Engineer cubre exactamente ese camino. Es la ruta de mayor valor si tu objetivo es construir sistemas agénticos que funcionen en producción, no solo en notebooks de prueba.
El protocolo MCP se está convirtiendo en la infraestructura de conectividad de los agentes, igual que HTTP lo fue para la web. Aprender a construir sobre él hoy es exactamente el tipo de ventaja que desaparece cuando todo el mundo lo conoce. Si eso encaja con tu próximo paso, empieza con el curso de LangGraph o entra directo a la ruta AI Agentic Engineer para el camino completo.
