Infraestructura de búsqueda de imágenes para agentes de IA: lo que el mercado realmente ofrece

Todos los frameworks de agentes lanzados este año pueden escribir, planificar, invocar herramientas y abrir un pull request. Pídele a uno una fotografía y todo el sistema se degrada a un encogimiento de hombros: una URL de stock inventada de memoria, un enlace roto, o una imagen generada porque buscar una real era más difícil que inventarse una. Los modelos no son el eslabón débil. La capa de imágenes que hay debajo sí lo es — y falta de una manera muy concreta y medible.

Esto es un estudio de mercado, no un manifiesto. Todo lo que sigue fue medido o leído de una fuente primaria el 18 de agosto de 2026: un censo del registro oficial de MCP, los términos publicados de las cuatro grandes APIs gratuitas de fotografía, las condiciones de acceso de los dos actores de pago consolidados que lanzaron conectores de agentes este mes, y un pequeño benchmark reproducible que puedes volver a ejecutar en un minuto sin clave de API.

Un límite, para que puedas dejar de leer pronto si esta no es tu pregunta: este artículo trata sobre la capa de acceso — recuperación, accesibilidad, términos, cuotas. No es sobre la canalización de publicación. Si lo que necesitas es cómo convertir un borrador en páginas ilustradas, con créditos y marcado — el prompt de enrutamiento, los briefs visuales, el ensamblaje, el marcado ImageObject — eso está desarrollado por separado en la canalización que ilustra artículos escritos por IA.

Qué cambia cuando quien llama es una máquina

Un humano que busca una foto escribe dos o tres palabras, escanea una cuadrícula, y sabe reconocer una buena imagen cuando la ve. Todo motor de búsqueda de stock jamás construido asume ese bucle. Un agente rompe las tres suposiciones a la vez:

1. Escribe frases, no palabras clave. Un modelo que acaba de redactar una sección sobre documentación hipotecaria no emite hipoteca; emite "una mujer firmando un documento hipotecario en la mesa de la cocina mientras un asesor bancario explica los términos". Ese es el resultado natural de un modelo de lenguaje, y es exactamente lo que un índice de coincidencia de tokens no puede servir.
2. No puede escanear una cuadrícula. Lo que sea que devuelva la herramienta es lo que el agente sabe. Si la respuesta es una lista de URLs sin descripción, dimensiones ni crédito, el agente tiene que descargar y mirar cada imagen — o, mucho más a menudo, adivinar.
3. No tiene manos. No puede subir capturas de pantalla a una cola de revisión, aceptar términos, rotar una clave, ni esperar tres días hábiles para la aprobación de producción. Cada paso humano en el proceso de incorporación de una API es un muro donde el agente se detiene.

Así que "infraestructura de búsqueda de imágenes para agentes de IA" no es una frase de marketing. Es una lista de comprobación: recuperación en lenguaje natural, resultados legibles por máquina lo bastante ricos para razonar sobre ellos, y un modelo de autenticación y cuota que un programa pueda completar por sí solo.

La prueba: una frase contra un índice por palabra clave

La forma más barata de ver el problema es enviar las propias palabras de un agente a un motor por palabra clave. La prueba siguiente usa Openverse, el buscador de medios con licencia abierta que gestiona WordPress.org, porque su API es pública, no necesita clave, y cualquiera que lea esto puede volver a ejecutarla en menos de un minuto. Cuatro briefs, del tipo que escribe un modelo cuando está ilustrando lo que acaba de redactar:

import json, urllib.request, urllib.parse

BRIEFS = [
  "a woman signing a mortgage document at a kitchen table while a bank"
  " adviser explains the terms, warm morning light",
  "An elderly couple enjoying a peaceful retirement together",
  "a child discovering snow for the first time in a suburban garden",
  "a delivery cyclist waiting at a red light in heavy rain",
]

def count(q):
    u = "https://api.openverse.org/v1/images/?" + urllib.parse.urlencode({"q": q})
    r = urllib.request.Request(u, headers={"User-Agent": "benchmark/1.0"})
    return json.load(urllib.request.urlopen(r))["result_count"]

for b in BRIEFS:
    print(count(b), "|", b[:48])
# 0 | a woman signing a mortgage document at a kitchen
# 0 | An elderly couple enjoying a peaceful retirement
# 0 | a child discovering snow for the first time in a
# 0 | a delivery cyclist waiting at a red light in hea

Cuatro briefs, cuatro conjuntos de resultados vacíos. Ahora reduce cada brief a las dos palabras clave que un humano habría escrito — signing document, elderly couple, child snow, cyclist rain — y cada uno de ellos devuelve una página completa de fotografías (la API informa 240, que es el tope que aplica al conteo para llamadas anónimas). El catálogo contiene las imágenes. La frase es lo que no puede analizar.

Desliza la tabla lateralmente para ver todas las columnas →

La columna de Pexafy son las mismas cuatro frases enviadas sin modificar a search_photos en el servidor MCP alojado, con la latencia que el propio servidor informó. Esto es una comparación de formas de consulta, no de calidad de catálogo — y el catálogo definitivamente no es el problema. El propio endpoint de estadísticas de Openverse informa 915 millones de imágenes de 52 fuentes el día de la prueba, y es excelente en aquello para lo que fue construido: búsqueda por palabra clave, para personas. No hay nada roto en él. Simplemente nunca fue diseñado para quien piensa en frases. Por qué la coincidencia de etiquetas falla al describir una escena — y qué hace en su lugar la recuperación semántica — se argumenta desde el lado del lector en buscar con una frase en lugar de palabras clave; lo nuevo aquí es la medición, y lo que significa cuando quien llama es un programa en lugar de una persona.

"Una pareja mayor disfrutando de una jubilación tranquila juntos" · 16 resultados en 135 ms · tres de ellos

Puesto 1Pexels Pixabay Unsplash

El mercado, a fecha de 18 de agosto de 2026

La recuperación es la mitad. La otra mitad es la accesibilidad: ¿puede un agente llegar al catálogo siquiera, y en qué condiciones? Desde que el Model Context Protocol se convirtió en la forma en que los asistentes se conectan a sistemas externos — su especificación actual, con fecha de 28 de julio de 2026, trasladó el protocolo a un núcleo de solicitud/respuesta sin estado para que los servidores funcionen tras balanceadores de carga ordinarios1 — la forma honesta de estudiar este mercado es mirar lo que realmente se publica, no lo que se anuncia.

Los actores de pago consolidados llegaron este mes

Getty Images lanzó su servidor MCP el 12 de agosto de 2026, seis días antes de este artículo, exponiendo búsqueda y descarga creativa, editorial y de archivo a flujos de trabajo de IA.2 Está dirigido a equipos empresariales y creadores de plataformas, y su propia página de acceso es inequívoca sobre el precio de entrada: necesitas un acuerdo activo con Getty Images, como Premium Access, además de aceptar los términos del Web Service. No hay plan gratuito. El contenido de Shutterstock también es accesible a través de un servidor MCP — 24 herramientas que cubren búsqueda, colecciones y licenciamiento — con las descargas restringidas tras una cuenta con una suscripción activa.3

Ambos movimientos son racionales y ambos están pensados para un comprador específico. Getty registró 981,3 millones de dólares de ingresos en 20254 en un mercado de fotografía de stock valorado en aproximadamente 5400 millones de dólares para 20265; los conectores que requieren un contrato protegen ese ingreso en lugar de abrirlo. Si eres un banco o una cadena de televisión, esto es exactamente lo que quieres. Si eres un desarrollador montando un proyecto paralelo — o un agente que no puede detenerse y pedirle a un humano que firme algo — es una puerta cerrada.

Las librerías gratuitas no han lanzado ninguno en absoluto

Unsplash, Pexels y Pixabay son los tres catálogos a los que recurre la mayoría de creadores, y ninguno de ellos publica un servidor MCP oficial. Lo que existe en su lugar es un estante de wrappers de la comunidad. Rastreamos el registro oficial de MCP en su totalidad — 22 607 servidores, 75 487 versiones publicadas — y conservamos cada entrada cuyo nombre o descripción trate sobre búsqueda de fotografías o imágenes de stock. El patrón es uniforme:

Desliza la tabla lateralmente para ver todas las columnas →

import json, urllib.request, urllib.parse

def crawl(term):                      # el registro pagina con `nextCursor`
    out, cursor = {}, None
    while True:
        p = {"limit": "100", "search": term} | ({"cursor": cursor} if cursor else {})
        d = json.load(urllib.request.urlopen(
            "https://registry.modelcontextprotocol.io/v0/servers?" + urllib.parse.urlencode(p)))
        for e in d["servers"]: out[e["server"]["name"]] = e["server"]
        cursor = (d.get("metadata") or {}).get("nextCursor")
        if not cursor or not d["servers"]: return out

servers = {}
for t in ["photo", "image", "stock", "picture", "unsplash",
          "pexels", "pixabay", "getty", "shutterstock", "openverse"]:
    servers |= crawl(t)

# 137 servidores únicos · remoto vs. local está en `server["remotes"]`
# las claves de terceros requeridas están en packages[].environmentVariables

Cada uno de esos wrappers es un cliente ligero de las mismas tres APIs por palabra clave, lo que significa que el benchmark de arriba se aplica a todos ellos: el transporte cambió, la recuperación no. Un wrapper no puede hacer que un índice de etiquetas entienda una frase.

La cláusula que detiene a una máquina no es la cuota

Las cuotas y términos de las librerías gratuitas se comparan lado a lado, en una unidad común, en la comparación de APIs gratuitas de fotografía de stock — las colas de aprobación, la llamada de descarga obligatoria, la obligación de caché de 24 horas, las reglas de atribución. Ese artículo las lee como un desarrollador eligiendo un proveedor. Léelas de nuevo como el programa que tiene que obedecerlas y una línea destaca que no tiene nada que ver con el volumen:

La misma lectura se aplica a la incorporación. Un nivel de demostración que se convierte en producción solo después de que un humano revise capturas de pantalla de tu aplicación no es un límite de tasa del que un agente pueda retroceder; es un paso que no puede realizar en absoluto. Pixabay declara la intención explícitamente — la API es para uso humano legítimo, y la descarga masiva automatizada está prohibida. Nada de esto es irrazonable: los fotógrafos regalan el trabajo y alguien paga el ancho de banda. Simplemente describe una API cuyo emisor de llamadas se asumió que tendría una pantalla y un par de manos.

Cuatro requisitos, y quién los cumple

Al juntar ambas mitades, la especificación de una capa de imágenes que un agente realmente pueda usar resulta corta y comprobable. Deliberadamente no es una comparación de proveedores — el tamaño del catálogo, el precio y las condiciones de licencia están alineados en el artículo de comparación. Estos cuatro puntos tratan únicamente de si un programa puede llegar a las imágenes en absoluto:

1. Recuperación semántica — una frase completa devuelve una página clasificada, no un conjunto vacío.
2. Licencias gratuitas, varias fuentes — nada que licenciar por imagen, y ninguna librería individual definiendo con su gusto propio todas las páginas que publicas.
3. Un servidor alojado con su propio inicio de sesión — remoto, OAuth, sin proceso local que instalar ni clave de API de terceros que pegar en un archivo de configuración.
4. Un plan gratuito que una máquina pueda completar por sí sola — sin revisión de capturas de pantalla, sin contrato, con una cuota mensual y un límite de tasa por minuto contra el que un trabajador pueda regular su ritmo.

Desliza la tabla lateralmente para ver todas las columnas →

Nosotros construimos Pexafy, así que lee esa última fila con el escepticismo que merece — y luego compruébalo: el censo del registro es reproducible en un solo script, las condiciones de acceso de Getty y Shutterstock están en sus propias páginas, y los límites de las tres APIs de fotografía están en su propia documentación, todo enlazado al final. La afirmación es concreta y refutable: el 18 de agosto de 2026 no pudimos encontrar un segundo servicio que cumpla los cuatro puntos. Si conoces uno, lo añadiremos a esta tabla — el sentido de escribir los requisitos es que cualquiera pueda comprobarlos contra cualquier producto, incluido el nuestro.

Lo que hace un buen servidor de imágenes sobre MCP

Un conector no es un endpoint REST con una nueva capa de pintura. Dos usos de esta capa están desarrollados en otro lugar y no se repiten aquí — ilustrar un borrador, en el artículo de la canalización, y mantener una serie larga visualmente coherente, en el de volumen. Lo que pertenece a la infraestructura es aquello de lo que ambos dependen y que ninguno puede añadir después: tres decisiones del lado del servidor, tomadas una vez, para cada agente que se conecte alguna vez.

1. Devolver objetos sobre los que un agente pueda razonar. Lo que sea que devuelva la herramienta es todo lo que sabe el modelo — no puede escanear una cuadrícula. La diferencia entre las dos formas de abajo es la diferencia entre un asistente que razona sobre fotografías y otro que retransmite enlaces:

# Wrapper típico por palabra clave: el agente tiene que descargar y mirar, o adivinar
[{ "url": "https://…/photo-8795398.jpeg" }, { "url": "https://…/366611.jpg" }]

# Un resultado, tal como se devuelve — recortado aquí, nada añadido
{
  "rank": 1,                       // el identificador que usa un humano: "más como #1"
  "photo_id": "019e14d9-e821-…",   // lo que toma get_similar_photos
  "width": 6424, "height": 4283, "orientation": "landscape",
  "color_hex": "#918872", "blur_hash": "LPI#Px?aDikCGwW?M{kD-VR*s.fl",
  "source": "Pexels", "license_type": "free",
  "alt_description": "Older couple sits together on wooden bench in a park",
  "attribution": { "plain": "Photo by Anastasia Shuraeva on Pexels", "html": "…" },
  "urls": { "thumb": "…", "small": "…", "regular": "…", "large": "…" }
}

Con la segunda forma un agente puede decir "el #3 es vertical, va a romper tu franja principal", descartar un fotógrafo duplicado, emitir la línea de crédito, y pasarle a tu plantilla un par width/height que elimina el salto de diseño — sin descargar una sola imagen. Con la primera, cada una de esas decisiones es una suposición o un viaje de ida y vuelta.

2. Numerar los resultados, para que una persona pueda señalar. Los resultados vuelven clasificados #1, #2, #3…, que es como cualquiera se refiere a una foto en una conversación — "más como el #3" — sin identificadores copiados a mano. En clientes que admiten MCP Apps las miniaturas se renderizan en línea, y al abrir una se muestran los metadatos que ya estaban en el resultado de la herramienta, sin llamada adicional.

3. Mantenerse de solo lectura, y ser explícito al respecto. Tres herramientas, ningún permiso de escritura, ninguna mutación de cuenta. Una de ellas no tiene equivalente por palabra clave en ninguna parte: search_photos_by_image toma una imagen de referencia — la imagen principal existente de un cliente, una captura de pantalla pegada en el chat — más una frase opcional para modificarla ("como esta, pero de noche"). No hay ningún campo en una API de coincidencia de etiquetas donde esa solicitud pueda siquiera escribirse. Y un agente que no puede cambiar nada es un agente cuyo peor resultado es un conjunto de resultados vacío en lugar de un ticket de soporte.

Las dos superficies, y cuál quieres

Hay exactamente dos formas de entrar, y la elección tiene que ver con quién está en el ciclo, no con la capacidad — las herramientas y el catálogo son idénticos en ambas.

El conector, cuando hay una persona. Una URL, https://mcp.pexafy.com/mcp, añadida una vez en la configuración de conectores de un asistente; el inicio de sesión ocurre en una ventana del navegador y el cliente recibe sus propias credenciales, así que no hay clave que pegar en un archivo de configuración ni que rotar después. Los clientes que no implementan OAuth envían una clave de API de Pexafy como token bearer contra el mismo endpoint — lo que hace que el conector sea utilizable desde una tarea cron en un servidor de compilación, donde nadie está presente para hacer clic en "Permitir". La configuración paso a paso para Claude, ChatGPT y un archivo de configuración de flota está en el artículo de la canalización; no ha cambiado.

La API HTTP, cuando no hay nadie. Un trabajo por lotes que llena un fondo de imágenes para 800 grupos temáticos no debería fingir ser un cliente de chat: la misma cuenta, la misma clave, HTTP simple, 100 resultados por llamada. Las reglas de ritmo que lo acompañan — las cabeceras de límite de tasa, por qué merece la pena reintentar un 429 por minuto y no uno de cuota mensual, lo que cuesta un trabajador a volumen — pertenecen a el artículo sobre ilustrar a escala, que es donde ese trabajador está escrito por completo.

El punto que vale la pena retener aquí es más concreto, y es en el que gira el estudio de mercado: ambas superficies son accesibles para un programa el mismo día en que se escribe, sin cola ni contrato.

Lo que esto no resuelve

Una lista honesta, porque cada uno de estos puntos le ha costado a alguien un rollback.

• La licencia sigue rigiendo la imagen. La atribución no la exigen los términos de la API de Pexafy y cada resultado incluye una cadena de atribución lista para renderizar — pero la licencia adjunta por la librería de origen se aplica a tu uso de esa foto. Renderiza el crédito automáticamente; es más barato que auditar después.
• Los catálogos de licencia gratuita no son archivos editoriales. Sin noticias, sin deporte, sin marcas reconocibles ni personajes públicos a demanda. Si tu página necesita una fotografía de un evento o persona específicos, para eso están los actores consolidados con licencia, y sus conectores ya existen.
• Es recuperación, y solo recuperación. Los diagramas, gráficos y capturas de pantalla se renderizan desde código, no se buscan; la deduplicación entre tus páginas es una columna de tu base de datos, no un parámetro del endpoint; y ninguna fotografía hace posicionar una página débil — las políticas de spam de Google tratan el abuso de contenido escalado igual, tanto si las páginas están ilustradas como si no.6 Esos tres son problemas de canalización con soluciones de canalización, desarrollados en el artículo de la canalización y el de volumen.

Por dónde empezar

1. Vuelve a ejecutar el benchmark. Veinte líneas, sin clave. Sea cual sea la API de imágenes que uses hoy, envíale tres briefs de tu propio agente tal cual y cuenta los conjuntos de resultados vacíos.
2. Conecta un conector al asistente que ya usas y pídele, en una frase, una foto que realmente necesites esta semana. Esa es toda la evaluación.
3. Traslada los briefs al agente — una escena por franja, escrita a partir del borrador, nunca del título.
4. Añade la columna photo_id antes de publicar nada a volumen.
5. Ejecútalo en el plan gratuito — 5,000 búsquedas al mes a 20 por minuto hasta que una ventana de compilación, no una factura, te obligue a subir de nivel.

Referencias y notas al pie