MCP ha dejado de ser un acrónimo experimental. Claude, ChatGPT y Cursor se pueden conectar a un mismo servidor y hacerle preguntas reales sobre tus datos, en lugar de cambiar de pestaña. La pregunta interesante ya no es «¿debo exponer mis datos mediante MCP?» sino «¿cuál de los tres servidores encaja de verdad?»: Enginy, Amplemarket y aquel sobre el que trabajamos, ClawStud MCP. Cada uno está construido para una forma de trabajo distinta y cada uno cubre una parte del panorama que los otros dos no cubren.
Qué se supone que debe hacer un servidor MCP de datos de ventas
En el caso más simple, le das un token a Claude, le indicas un endpoint y, a partir de ahí, «¿cómo fue el tráfico de la semana pasada?» se convierte en una respuesta real con cifras de tu propia tienda, en lugar de una suposición educada. Para que eso funcione tienen que cumplirse tres cosas: el servidor debe guardar tus datos reales detrás de una capa de autenticación, debe exponer esos datos como herramientas concretas que un LLM pueda llamar, y las herramientas deben describir lo que devuelven con la suficiente claridad como para que el modelo elija la correcta. La mayoría de los textos de marketing se saltan la segunda y la tercera, y por eso la mayoría de las conexiones MCP parecen pantallas de demostración en lugar de trabajo real.
La comparación honesta
«Honesta» es la palabra clave. Cada uno de los tres está construido alrededor de un producto distinto. Enginy es una plataforma de sales engagement con su propia autogeneración de OpenAPI. Amplemarket es una plataforma de sales engagement orientada a la prospección a gran escala. ClawStud es un cuadro de mando compartido para agencias, construido sobre GA4, Search Console y Stripe. Las diferencias que importan para el LLM no son estéticas — deciden qué preguntas puede responder realmente el modelo.
| Capacidad | ClawStud MCP | Enginy MCP | Amplemarket MCP |
|---|---|---|---|
| Autenticación | Token bearer (csk_…) con scopes por herramienta, u OAuth 2.0 + PKCE para ChatGPT y los conectores de Claude | OAuth 2.0 + PKCE | OAuth (según su documentación); el endpoint de documentación también está abierto sin token |
| Origen de la definición de las herramientas | Curadas a mano, una herramienta por pregunta habitual de ventas | Autogeneradas a partir de la especificación OpenAPI | Autogeneradas a partir de la API de Amplemarket |
| Herramientas expuestas | 28: 27 de solo lectura y una que solo guarda borradores de posts para redes (GA4, Search Console, Stripe, Resend, PostHog, Vercel / Netlify, Supabase, más P&L por espacio de trabajo). Las herramientas cubren diferencias entre dos periodos (compare_periods), el estado de las conexiones (list_integrations), un watchdog de alertas (list_alerts + get_alert), el resultado del espacio de trabajo tras comisiones de Stripe y gastos operativos (get_workspace_pnl), y un diccionario de métricas (explain_metric) para que el LLM no invente definiciones. | Replica la superficie OpenAPI de Enginy | 3 herramientas contra la base de conocimiento pública de documentación (search_amplemarket_api, query_docs_filesystem_amplemarket_api, submit_feedback); la API del producto está detrás de OAuth y no está en el endpoint público |
| Escrituras permitidas | Una: create_social_draft guarda un borrador; solo una persona puede aprobarlo y nada se publica solo | Ambas, según la herramienta | Ambas, según la herramienta |
| Multicliente / multiespacio de trabajo | Nativo. Un token, muchos espacios de trabajo, scopes por herramienta | Una empresa por mapeo de OpenAPI | Orientado a representante comercial / secuencias |
| Plan de precio en el que se sitúa | Disponible en todos los planes, incluido el gratuito | Requiere un puesto de Enginy de pago (plan Smart: ~799 €/mes, precio de lista en Capterra) | Requiere un puesto de Amplemarket de pago |
| Onboarding incluido | No hace falta ninguna sesión específica; «Conéctalo con un solo comando» | 5 sesiones de onboarding por plan | Variable; normalmente lo lleva el equipo comercial |
| Riesgo de que un LLM actúe por error | Bajo: el modelo solo puede añadir un borrador a una cola de revisión; aprobarlo exige una persona con sesión iniciada | Medio: se puede llegar a herramientas de escritura | Medio: se puede llegar a herramientas de escritura |
Dónde encaja ClawStud
Diriges una agencia con varios clientes que tienen tienda online. Cada uno ya tiene GA4, Search Console, Stripe y una cuenta de Resend. Quieres que el equipo le haga preguntas a Claude o a ChatGPT sobre cualquier cliente sin compartir contraseñas maestras y sin que el modelo actúe por accidente. ClawStud MCP se diseñó para eso. El token nunca concede acceso de escritura; los scopes por herramienta deciden lo que ve un LLM, y «lista mis clientes» o «describe este espacio de trabajo» permiten que la misma conexión abarque muchas tiendas. También encaja quien lleva una sola tienda por su cuenta, porque viene incluido en todos los planes.
Dónde encaja Enginy
Diriges un equipo comercial de entre cinco y diez SDR cuyo trabajo es el outbound. Quieres que el modelo busque un contacto, compruebe si la respuesta indicó interés o cargue una secuencia en un borrador. Enginy se construyó para eso y su MCP se apoya en el mismo OpenAPI que usa su aplicación web, que es la decisión correcta para un producto con cientos de endpoints. Para una operación comercial de ese tamaño, el puesto mensual de 1.500–3.000 € (Smart / Business) es el coste de operar, no un problema de margen.
Dónde encaja Amplemarket
Haces prospección en volumen y quieres que el LLM enriquezca listas, valore las respuestas, redacte el primer contacto y encamine los leads más calientes a una persona. Amplemarket tiene la forma adecuada para eso. Su endpoint MCP, al que hoy puede llamar cualquiera, expone en cambio la base de conocimiento de la documentación de la API de Amplemarket y no el producto en sí: tres herramientas de solo lectura (buscar en la base de conocimiento de la API, consultar un sistema de archivos virtual de solo lectura con la documentación, enviar comentarios). Su API de producto se alcanza por OAuth, pero no figura en el conjunto de herramientas publicado, y la diferencia importa cuando lo que quieres es que el modelo extraiga un prospecto real y no que consulte cómo se usa la API. Tampoco encaja bien con «qué ha cambiado en la web esta semana y si es coherente con lo que se pagó por publicidad»: eso es analítica de ingresos del lado de la lectura, no acciones del lado de la prospección.
Lo que ClawStud no hace (a propósito, sin extenderse)
Dos cosas que Enginy y Amplemarket pueden hacer y ClawStud no: enviar correos en nombre de un remitente y enriquecer un contacto con correos y teléfonos. Las dos se apoyan en un producto de sales engagement; ClawStud es un cuadro de mando, no un motor de outbound. Si esos son tus requisitos de MCP, quédate con Enginy o con Amplemarket. Si lo que necesitas es «hablar con los datos y los ingresos de mis clientes», ClawStud MCP es el único de los tres cuyas herramientas describen realmente las respuestas.
Cómo decidirse en cinco minutos
Si tu equipo hace outbound a gran escala, con personas que incorporar y secuencias que generar, mira primero Enginy o Amplemarket. Si tu equipo es una agencia o una persona que trabaja por su cuenta y necesita un cuadro de mando que un LLM pueda interrogar sobre GA4, Search Console y Stripe, conecta ClawStud MCP con un comando y un token que creas en Settings → API keys. La instalación completa lleva dos minutos y es gratis. Si no encaja, lo sabrás antes de comer.
Referencia técnica: modelcontextprotocol.io — el protocolo abierto que implementa cada uno de estos tres servidores.
Lee después: Cómo llegó a existir ClawStud MCP.
Explora el cuadro de mando de ClawStud con datos de ejemplo.
