Gobernanza de agentes de IA: Uber controla 5.000 herramientas en 800 servidores con un solo gateway MCP

Cuando cientos de equipos empiezan a conectar agentes de IA a sistemas internos por su cuenta, el problema deja de ser el modelo y pasa a ser el orden. Uber lo vivió y su respuesta fue un gateway MCP que hoy aloja más de 800 servidores y más de 5.000 herramientas para agentes. Es uno de los casos más concretos de gobernanza de agentes de IA que se han publicado hasta ahora.

Según el blog de ingeniería de Uber, las primeras integraciones con el Model Context Protocol (MCP) demostraron valor: los agentes eran mucho más capaces al acceder a contexto de negocio en vivo y ejecutar acciones. Pero cada equipo construyó lo suyo. El resultado fue fragmentación, infraestructura duplicada, herramientas difíciles de encontrar y prácticas de seguridad desiguales. La compañía optó por una capa común, un microservicio dividido en dos piezas. El MCP Registry es el plano de control: guarda definiciones, esquemas, propietarios y estado de habilitación de cada herramienta. El Proxy Gateway es el plano de ejecución: traduce las llamadas MCP a HTTP, gRPC o TChannel y devuelve las respuestas en formato MCP. Lo más relevante para un directivo es que las APIs existentes se exponen como herramientas sin modificar los servicios subyacentes.

La automatización es la otra clave. AutoCrawler, apoyado en el motor de flujos Cadence, rastrea los registros internos de definiciones de interfaz, extrae las APIs de esquemas Protocol Buffers y Thrift, genera los esquemas compatibles con MCP y usa un modelo de lenguaje para redactar las descripciones de cada herramienta. Las herramientas nuevas nacen deshabilitadas hasta que el equipo propietario las revisa y las activa. Los cambios de configuración llegan al plano de datos sin reinicios ni redeploys. La autorización se aplica a nivel de servidor y de herramienta mediante el sistema de control de acceso interno, se pueden ocultar datos personales (PII) en las respuestas y un servicio aparte intercambia tokens internos por credenciales de terceros como Jira y Google.

Hay un detalle de escala que muchos pasan por alto. Cargar miles de definiciones en el contexto de un agente es ineficiente, así que Uber creó Omni MCP, que permite descubrimiento incremental: el agente busca servidores, localiza herramientas relevantes, pide solo el esquema que necesita y la invoca. Response Projection permite pedir únicamente ciertos campos de la respuesta, y la CLI aifx deja que los agentes de código descubran herramientas y escriban resultados en archivos para inspeccionarlos de forma selectiva.

Qué enseña el caso de Uber sobre gobernanza de agentes de IA

La reacción del sector fue reveladora. Ajay Sharma, de Microsoft CoreAI, recordó que Azure API Gateway lleva tiempo haciendo algo parecido, y Kelly Goetsch, de Pipe17, dijo que el gateway de Uber «se ve idéntico» a los construidos durante décadas para APIs y GraphQL. Tamir Dresher subrayó que seguridad, descubrimiento, observabilidad y gobernanza siguen siendo los problemas centrales. La lectura es que los agentes no eliminan los desafíos clásicos de los sistemas distribuidos: los trasladan a una nueva frontera de protocolo. Esa es una buena noticia, porque tu equipo ya sabe resolverlos.

Conviene ser honestos con lo que el caso no dice: Uber no publica cifras de ahorro, ROI ni tiempos de adopción. Lo que ofrece es una arquitectura probada a gran escala, no un caso de negocio cuantificado.

Cómo aplicar un gateway MCP en tu organización

No hace falta ser Uber para sacar partido de esto. Algunas acciones concretas:

Detecta la fragmentación temprano. Si dos equipos ya construyeron conectores propios para el mismo sistema, es la señal de que necesitas una capa común, antes de llegar a cientos de integraciones.

Separa control de ejecución. Un catálogo central (quién es dueño de qué, qué está activo) y un proxy de ejecución se pueden evolucionar por separado.

Reutiliza tus APIs, no las reescribas. Exponer servicios existentes como herramientas MCP reduce el tiempo de adopción y evita tocar sistemas críticos. MoEngage siguió una lógica similar al convertir 400 APIs privadas en herramientas para agentes y ahorrarse meses de ingeniería.

Apaga por defecto. Que las herramientas autogeneradas requieran aprobación explícita del propietario es una barrera barata contra exposiciones accidentales.

Autoriza por herramienta, no solo por servidor, y define desde el inicio qué datos sensibles se enmascaran.

Diseña para el contexto limitado. Descubrimiento incremental y respuestas filtradas reducen costo y ruido cuando el catálogo crece.

Si tu empresa está en fase piloto, el momento de pensar en esto es ahora, no cuando haya 50 servidores MCP sueltos. Eon pasó de dos días a dos minutos en el onboarding de sus ingenieros con un gateway MCP, una muestra de que el patrón funciona también en organizaciones más pequeñas. Y la apuesta de Uber no se limita a ingeniería: la compañía también puso ChatGPT Work en manos de 30.000 empleados, lo que explica por qué necesita una capa de control a gran escala.

La pregunta que debería hacerse tu comité de tecnología

La lección de fondo es que la gobernanza de agentes de IA no se improvisa después del éxito: es lo que permite que el éxito escale. Antes de aprobar el próximo agente, pregunta cuántas herramientas internas pueden invocar hoy tus agentes, quién las aprobó y qué datos devuelven. Si nadie lo sabe con certeza, tu gateway ya llega tarde.