MCP vs RAG vs Agent Skills vs Custom GPTs: un árbol de decisión para empresas

Estos cuatro no son cuatro respuestas a la misma pregunta. Viven en capas distintas de un sistema de IA. RAG es un patrón de recuperación para fundamentar respuestas en sus documentos. MCP es un protocolo abierto que permite a un modelo llamar a sus herramientas y datos. Agent Skills son conocimiento procedimental empaquetado que un agente carga bajo demanda. Custom GPTs son un asistente sin código que se ejecuta dentro de ChatGPT. El mercado los plantea como "elija uno". Para la mayoría de las empresas, el enfoque correcto es componerlos: un mismo agente puede seguir un Skill (el procedimiento), llegar a sus sistemas vía MCP (las herramientas) y traer contexto mediante RAG (el conocimiento), todo a la vez. El único verdadero dilema son los Custom GPTs, porque elegirlos es una decisión de plataforma y dependencia, no una decisión de bloques de construcción.

Esta es una visión de ingeniería, no un argumentario de venta. El terreno se mueve rápido, así que las fechas importan; todo lo que sigue está vigente a mediados de 2026 y conviene contrastarlo con la documentación primaria antes de comprometerse.

La distinción de un vistazo

La forma más rápida de dejar de confundirlos es ver qué es realmente cada uno.

Los tres primeros son capas de un mismo agente y se combinan con libertad. Los Custom GPTs son una superficie de entrega, e incluso ellos ya se apoyan en MCP por debajo.

RAG: responder desde su conocimiento

La Generación Aumentada por Recuperación recupera documentos relevantes de su fuente de conocimiento y los inyecta en el contexto del modelo antes de que responda. Existe para fundamentar respuestas en sus datos propietarios o actuales, reducir alucinaciones y mantener las respuestas frescas sin reentrenar. Lo que hay que recordar: el RAG clásico es un patrón de lectura. No llama a APIs ni cambia el estado. En el momento en que su sistema necesita actuar, está en territorio de herramientas, no de RAG. Si está sopesando RAG frente al fine-tuning o simplemente una ventana de contexto mayor, lo desarrollamos en RAG vs fine-tuning vs long context.

MCP: conectar el modelo a sus sistemas

El Model Context Protocol es un estándar abierto, presentado por Anthropic a finales de 2024, para conectar aplicaciones de IA con herramientas y datos externos. La analogía oficial es un puerto USB-C para la IA: una forma estándar de enchufar un modelo a cualquier cosa, de modo que construye un conector una vez y cualquier host compatible puede usarlo, en lugar de escribir una integración a medida por cada herramienta. Es un protocolo cliente-servidor, y un servidor puede exponer herramientas (acciones), recursos (datos) y prompts. Necesita MCP cuando quiere que un modelo o agente llame a sus sistemas de forma reutilizable y neutral respecto al proveedor. Lo que no es: una técnica de recuperación, un modelo ni instrucciones procedimentales. Es la fontanería bajo el agente. Hoy es genuinamente multiproveedor, con OpenAI, Google y Microsoft adoptándolo, y en diciembre de 2025 fue donado a la Agentic AI Foundation de la Linux Foundation.

Agent Skills: empaquetar el procedimiento

Los Agent Skills, presentados por Anthropic en octubre de 2025 y publicados como estándar abierto más adelante ese mismo año, son carpetas organizadas de instrucciones, scripts y recursos que un agente descubre y carga solo cuando una tarea coincide. La unidad es un archivo SKILL.md: una descripción breve más un cuerpo de conocimiento procedimental, opcionalmente con scripts. La parte ingeniosa es la divulgación progresiva, donde solo el nombre y la descripción están en el contexto hasta que el skill realmente se necesita, de modo que una biblioteca de skills no cuesta casi nada hasta que se usa. El punto que más se confunde: los Skills complementan a MCP, no compiten con él. MCP es conectividad, los sistemas que un agente puede alcanzar. Los Skills son el procedimiento, el cómo hacerlo que el agente sigue, y un skill puede orquestar herramientas MCP. Trate un skill como software instalado y use solo los de fuentes de confianza.

Para nosotros esto no es teoría. Publicamos un registro público de Agent Skills: seis skills SKILL.md firmados y de un solo archivo, listados en un manifiesto legible por máquina en /.well-known/agent-skills/index.json, cada uno reflejado por una página legible por humanos. Nuestro skill qa-advisor, por ejemplo, codifica el procedimiento de un ingeniero de QA senior, las comprobaciones y la calificación, como conocimiento portable y versionado. No se conecta a un sistema ni recupera documentos. Le dice al agente cómo pensar. Eso es exactamente lo que es un skill, y lo que ni MCP ni RAG son.

Custom GPTs: el asistente empaquetado y rápido

Un Custom GPT es una versión sin código de ChatGPT, construida en el GPT Builder, que combina instrucciones, unos pocos archivos de conocimiento y acciones opcionales, ejecutándose dentro de ChatGPT. Es la forma más rápida de dar a una persona no desarrolladora un asistente útil, y está bien para un bot interno de preguntas y respuestas rápido. Los compromisos son reales: construirlo requiere un plan de pago, el conocimiento está limitado y hay una dependencia dura, porque un Custom GPT no se puede exportar, autoalojar ni ejecutar sobre otro modelo. El propio impulso de desarrolladores de OpenAI se ha movido hacia agentes portables, basados en API y MCP, y los Custom GPTs, aunque siguen soportados, ya no son la frontera. Prototipe en un GPT; construya lo real como un agente.

El árbol de decisión

Parta de lo que realmente necesita que el modelo haga.

1. ¿Responder desde sus documentos o conocimiento? RAG. Fundamente las respuestas en sus datos, sin reentrenar.
2. ¿Llamar a sus sistemas, APIs, bases de datos, herramientas internas, de forma reutilizable y neutral respecto al proveedor? MCP. Construya un servidor una vez; cualquier host puede usarlo.
3. ¿Seguir de forma fiable un procedimiento repetible o un flujo de trabajo de la empresa? Agent Skills. Empaquete el conocimiento, cárguelo bajo demanda.
4. ¿Quiere un asistente rápido sin código para no desarrolladores dentro de ChatGPT, y acepta la dependencia? Custom GPT.
5. ¿Necesita más de uno de estos (la mayoría de los sistemas reales)? Combínelos. Un agente de soporte responde desde documentos (RAG), busca un pedido y emite un reembolso (MCP) y sigue sus reglas de escalado y tono (Skill). RAG incluso puede exponerse como una herramienta MCP, así que "RAG vs MCP" suele ser una falsa elección.

"RAG es conocimiento, MCP es conectividad, los Skills son procedimiento, y un Custom GPT es un asistente empaquetado. Una vez que los ve como capas distintas en lugar de productos que compiten, la pregunta deja de ser cuál y pasa a ser qué combinación."