Este artículo explica de forma sencilla qué son los agentes de VS Code y qué papel juegan los conectores MCP. Por qué: entenderlo bien permite detectar oportunidades de automatización, formación y mejora operativa dentro de una empresa. Cómo: primero aclaramos conceptos, después vemos ejemplos de uso reales y cerramos con una propuesta práctica para implantarlo con criterio.

Hace poco, muchos profesionales empezaron a ver en Visual Studio Code palabras como Agent, Plan, Ask y MCP. Para quien lo observa desde fuera, todo esto puede parecer una nueva capa de marketing alrededor de la inteligencia artificial. Pero no lo es. Lo que está ocurriendo es un cambio bastante más profundo: estamos pasando de una IA que responde a una IA que ejecuta tareas con contexto y herramientas.

La idea clave es muy simple. Un chat clásico te contesta una duda. Un agente, en cambio, recibe un objetivo, lo divide en pasos, consulta archivos, usa herramientas, propone cambios, los aplica y valida el resultado. En la documentación actual de VS Code, los agentes pueden trabajar en local, en segundo plano o en la nube, con distintos niveles de autonomía y con herramientas integradas o externas.

Qué es exactamente un agente en VS Code

En el VS Code actual conviven tres agentes integrados que conviene recordar porque cada uno sirve para un momento distinto del trabajo:

Ask sirve para preguntar y entender. Plan sirve para diseñar un plan antes de tocar código. Agent sirve para actuar con más autonomía, editar archivos y utilizar herramientas.

Esto es importante porque muchas empresas se equivocan aquí. No todo problema necesita un agente “a máxima potencia”. A veces, la mejor decisión es usar Ask para aclarar arquitectura, Plan para ordenar el cambio, y solo después pasar a Agent para implementar. Ese enfoque reduce errores, baja la improvisación y hace que la IA trabaje a favor del proceso, no en contra.

Qué son los agentes personalizados

Aquí aparece la siguiente pieza: los agentes personalizados. Son configuraciones reutilizables que combinan instrucciones, herramientas y una función concreta. En la documentación actual de VS Code se definen en archivos .agent.md, y además la plataforma renombró lo que antes se conocía como “chat modes” para alinearlo con la idea de agentes personalizados.

Traducido a negocio: puedes tener un agente interno para revisar seguridad, otro para documentar APIs, otro para onboarding técnico y otro para preparar un plan de migración. Ya no hablamos solo de “usar IA”, sino de crear perfiles de trabajo especializados.

Qué es MCP y por qué importa tanto

MCP significa Model Context Protocol. Es un estándar abierto para conectar aplicaciones de IA con sistemas externos, de forma que el agente no se quede encerrado solo dentro del editor. Según la documentación oficial de MCP, este protocolo permite conectar datos, herramientas y flujos de trabajo; por eso suele compararse con un “USB-C para aplicaciones de IA”.

En VS Code, eso significa que un agente puede trabajar no solo con archivos del proyecto, sino también con herramientas aportadas por servidores MCP. A día de hoy, VS Code distingue herramientas integradas, herramientas MCP y herramientas aportadas por extensiones. Además, los servidores MCP se configuran mediante mcp.json, tanto a nivel de usuario como dentro del workspace.

Dicho de forma práctica: el agente pone la lógica; MCP le da acceso al mundo exterior.

Cómo encajan ambas piezas

Cuando juntas agentes y MCP, aparece el verdadero valor. El agente ya no solo entiende tu intención, sino que puede actuar sobre varios sistemas de forma orquestada. Puede leer el proyecto, lanzar una comprobación, abrir una herramienta externa, recoger resultados y volver al código con una hipótesis más precisa. Esa es la razón por la que esta tecnología interesa tanto en empresas con procesos dispersos y equipos que pierden tiempo saltando entre herramientas.

12 ejemplos de uso reales

1. Arreglar tests rotos sin perseguir archivos a mano

En lugar de pedir una explicación genérica, el agente puede buscar la causa del fallo, localizar dependencias relacionadas, proponer cambios y volver a ejecutar la validación. Para un equipo técnico, eso ahorra tiempo de diagnóstico y reduce el coste de cambios pequeños pero repetitivos.

2. Crear un agente revisor de seguridad

Puedes definir un agente que priorice secretos expuestos, validación de entradas, permisos o librerías conflictivas. Es una forma útil de convertir buenas prácticas en un flujo repetible, especialmente en equipos junior o con rotación.

3. Preparar un plan de refactorización antes de tocar el proyecto

El agente Plan encaja muy bien cuando una empresa quiere modernizar un módulo antiguo, pero no quiere que nadie empiece a cambiar código sin mapa previo. Primero se decide el camino; luego se ejecuta.

4. Probar un login en navegador con herramientas conectadas

Con un servidor MCP orientado a navegador, el agente puede recorrer una interfaz, detectar un error visual o funcional y volver al código con evidencia más clara. Este punto es especialmente potente en testing funcional y QA.

5. Consultar GitHub sin salir del flujo de trabajo

Conectando herramientas adecuadas, el agente puede relacionar código, incidencias, PRs y contexto de equipo. Para una empresa, esto significa menos fricción entre desarrollo y gestión.

6. Hablar con una base de datos de forma controlada

Un servidor MCP puede exponer esquemas, tablas o consultas seguras. Eso permite al agente entender mejor qué hay detrás del código y acelerar tareas de documentación, revisión o integración.

7. Convertir onboarding técnico en un proceso guiado

Un agente personalizado puede actuar como “mentor de proyecto”: explicar estructura, rutas importantes, convenciones y dependencias. Esto reduce el tiempo que un perfil nuevo tarda en ser productivo.

8. Generar documentación útil en lugar de documentación decorativa

Muchos equipos documentan tarde y mal. Un agente puede recorrer el código, estructurar una base inicial y dejar la revisión humana para lo importante. El resultado no es magia, pero sí un punto de partida mucho mejor.

9. Revisar una API antes de publicarla

Antes de entregar una integración a cliente o partner, el agente puede comprobar endpoints, consistencia, errores frecuentes y huecos en la documentación. Esto mejora calidad y reduce tickets posteriores.

10. Preparar demos técnicas y pruebas de concepto

Cuando una empresa quiere evaluar una idea sin bloquear a un perfil senior durante días, un agente puede acelerar esa primera fase: estructura, pruebas iniciales y propuesta técnica.

11. Crear agentes especializados por departamento

No todo tiene que quedarse en desarrollo. También puedes pensar en agentes orientados a operaciones, soporte, documentación interna o automatización de tareas repetitivas entre equipos.

12. Diseñar formación in-company con casos reales

Este es uno de los usos con más retorno. En lugar de dar una formación abstracta sobre IA, se trabaja con el repositorio, las herramientas y los procesos reales de la empresa. El aprendizaje es más rápido y la adopción mucho más alta.

Un detalle clave: la autonomía no debe confundirse con barra libre

VS Code permite distintos niveles de permisos para los agentes, desde aprobaciones por defecto hasta modos más automáticos como Bypass Approvals o Autopilot en vista previa. También avisa del riesgo de aprobar acciones potencialmente destructivas, como ediciones, comandos de terminal o llamadas a herramientas externas sin supervisión manual.

Este punto es esencial para cualquier empresa. La pregunta no es solo “qué puede hacer la IA”, sino “qué permisos le conviene tener en cada fase”. Una implantación seria necesita criterios, límites y casos de uso bien definidos.

Por qué esto interesa a una empresa de verdad

Aquí está el ángulo que muchas organizaciones todavía no han entendido: los agentes no son solo una novedad para desarrolladores curiosos. Son una puerta de entrada a una forma de trabajar más estructurada con IA.

Una empresa puede obtener valor en cuatro niveles:

Productividad: menos tiempo perdido en tareas de diagnóstico, búsqueda y documentación. Calidad: más consistencia en revisiones, planes y procesos repetibles. Capacitación: equipos que aprenden a trabajar con IA aplicada y no solo a “probar prompts”. Escalabilidad: creación de agentes especializados que encapsulan buenas prácticas internas.

Y eso conecta directamente con dos líneas de demanda muy claras: la empresa que quiere implantar IA con criterio, y el profesional o equipo que necesita formación práctica para no quedarse atrás.

Qué debería aprender un equipo en una formación útil sobre esto

Una formación buena sobre agentes y MCP no debería quedarse en la teoría. Debería cubrir, como mínimo:

cómo elegir entre Ask, Plan y Agent; cómo diseñar buenos objetivos para un agente; cómo crear agentes personalizados que reflejen procesos reales; cómo conectar herramientas externas con MCP sin generar caos; cómo fijar permisos y límites; cómo convertir todo eso en mejoras medibles dentro de un flujo de trabajo.

Esa es la diferencia entre una sesión inspiracional y una formación que realmente cambia la operativa de una empresa.

La oportunidad comercial que hay detrás

Ahora mismo muchas empresas están en un punto incómodo: saben que la IA puede ayudarles, pero no tienen claro por dónde empezar, qué automatizar primero y cómo formar a su equipo sin perder meses en pruebas desordenadas.

Ahí es donde una propuesta clara gana valor: un diagnóstico breve para detectar oportunidades reales, y una formación aplicada para que el equipo salga con criterio, método y casos de uso listos para trabajar.

En mi caso, esa combinación encaja especialmente bien con pymes, departamentos técnicos y empresas que quieren aterrizar la IA en procesos concretos. En tu propia web ya presentas precisamente tres líneas alineadas con este enfoque: automatización IA para pymes, modernización de sistemas y formación in-company; además, destacas más de 1400 horas de formación impartida a empresas y entidades como Repsol, Port Tarragona, Grupo Meliá o BASF.

Conclusión

Los agentes de VS Code y los conectores MCP no son humo. Son una señal bastante clara de hacia dónde va el trabajo con IA: menos respuestas aisladas y más ejecución asistida con contexto, herramientas y límites bien definidos. Quien entienda esto antes tendrá ventaja no solo técnica, sino también operativa y formativa.

La oportunidad no está en decir que una empresa “usa IA”. La oportunidad está en conseguir que esa IA sirva para revisar mejor, documentar mejor, formar mejor y avanzar más rápido con menos fricción.

¿Quieres aplicar este enfoque en tu empresa o convertirlo en una formación útil para tu equipo? El siguiente paso lógico es un diagnóstico breve para detectar casos de uso reales y priorizar qué merece la pena implantar primero.

— Toni Domenech