Definito l’USB-C dell’AI, il protocollo MCP non rappresenta solo un progresso tecnico, ma è il sintomo di una svolta ben più profonda: proprio come USB-C è nata per fornire un modo standardizzato per collegare vari dispositivi a diverse periferiche e accessori, allo stesso modo il protocollo MCP permette alle applicazioni AI basate su LLM di comunicare in modo uniforme con strumenti, API e database esterni.
Grazie a questo protocollo, infatti, le applicazioni AI possono interagire con dati e strumenti esterni al proprio contesto senza necessità di modifiche al modello o costose personalizzazioni. In questo senso MCP, pur non incorporando funzionalità in modo esplicito, fornisce un framework standardizzato che facilita l’inserimento di policy di sicurezza, audit e controlli nei flussi AI.
L’obiettivo finale è quello di aiutare le applicazioni AI a produrre risposte migliori e più pertinenti aumentando così il valore finale per gli utenti.
Cos’è e come funziona il Model Context Protocol
MCP è uno standard di comunicazione aperto, fondato su JSON-RPC, che consente agli sviluppatori di creare connessioni bidirezionali tra applicazioni AI, fonti dati e tool implementabili in modo sicuro attraverso i layer di trasporto. Un’idea ambiziosa basata su un’architettura semplice: gli sviluppatori espongono i propri dataset, API o strumenti tramite un server MCP e, dall’altra parte, i client MCP dedicati si connettono a questi server, ad esempio per scambiare informazioni in modo sicuro e controllato con applicazioni AI e flussi analitici.
MCP segue un’architettura di tipo client-server in cui un MCP host (ad esempio un’applicazione AI) si connette come client MCP a uno o più server MCP, scambiando messaggi strutturati tramite JSON-RPC.
La modularità è il vero punto di forza di MCP e il motivo per cui è tanto amato dagli sviluppatori che adesso non devono più creare integrazioni ad hoc per ogni singolo servizio. È sufficiente scegliere e collegare i giusti server MCP per permettere all’applicazione AI di rendere disponibili i tool al modello e gestirne le invocazioni interpretando i suggerimenti generati dal modello.
Come nasce il Model Context Protocol
La problematica originale che ha portato alla definizione di MCP risiede nella difficoltà (in termini tecnici, ma anche di tempi e costi) di interfacciare le applicazioni AI con il mondo esterno, oltre i dati del training o il contesto immediato della conversazione. Questa difficoltà provoca a cascata effetti come:
– Frammentazione: senza MCP, ogni modello e servizio richiederebbe integrazioni dedicate,
– Duplicazione degli sforzi: implementazioni ridondanti in ambienti diversi,
– Mancanza di interoperabilità: l’integrazione che nasce per un modello non funziona sugli altri (vendor lock-in),
– Difficoltà di manutenzione: API custom e plugin diversi per ogni tool, spesso evoluti in modo disallineato.
Il protocollo MCP nasce per offrire uno standard di comunicazione tra applicazioni AI, dati, API e strumenti. La sua adozione aiuta a superare queste difficoltà riducendo la complessità di integrazione, favorendo la standardizzazione e rendendo scalabile l’interoperabilità tra applicazioni AI e strumenti. In questo modo abilita una comunicazione tra i vari elementi più semplice, efficace e scalabile.
La storia di MCP
Per comprendere le ragioni dello sviluppo di MCP, è utile osservare come si sia evoluto il rapporto tra applicazioni AI e i loro ambienti esterni.
Fino a poco tempo fa, i modelli linguistici avevano un vincolo importante: non potevano utilizzare dati esterni a quelli esplicitamente presenti nel contesto. Una risposta a questo problema arriva nel 2023 da OpenAI: parliamo delle function calling (o “tool call”), che consentono alle applicazioni AI di orchestrare l’uso di dati e strumenti esterni, basandosi sulle richieste del modello. Le tool call sono endpoint lato server che espongono funzioni specifiche ai client. Descritte tramite metadati, queste funzioni possono essere scoperte e invocate in modo sicuro. Il modello, includendo nel proprio contesto le descrizioni fornite dall’host, può generare un output che suggerisce la chiamata, l’applicazione la esegue e ne gestisce il risultato, estendendo così la propria capacità di interazione con dati e strumenti esterni.
Come funzionano? L’applicazione riceve una domanda dall’utente (ad esempio “Che tempo fa a Parigi?”). Basandosi sulle descrizioni delle tool call (nome, parametri, scopo) valuta se una chiamata di funzione può fornire una risposta più accurata o eseguire un’azione specifica. Nel nostro esempio seleziona la funzione dedicata al servizio meteo, inviando tipicamente un JSON contenente le informazioni necessarie (ad esempio {“city”: “Paris”}). L’endpoint meteo restituisce i dati richiesti, l’applicazione li trasforma in linguaggio naturale e restituisce all’utente: “A Parigi ci sono 14 gradi”.
Grazie alle tool call, le applicazioni AI possono superare i limiti del contesto immediato e svolgere operazioni più complesse, come la ricerca di informazioni online, l’interrogazione di database o il controllo di dispositivi esterni.
Sviluppatori e vendor iniziano a creare le proprie tool call, ma questo porta alla nascita di una molteplicità di estensioni ed integrazioni su misura. Si delinea in poco tempo un panorama sempre più frammentato che divide invece di unificare e rende la flessibilità tanto ricercata sempre più difficile da realizzare.
Emerge la necessità di uno standard, un modo elegante e condiviso per poter accedere in modo equo a servizi pubblicamente esposti senza doverli implementare ogni volta, riducendo così sforzi, costi e i vincoli legati al vendor lock-in. In questo scenario Anthropic interviene proponendo MCP, un protocollo ideato per diventare una lingua franca che standardizza la comunicazione tra host AI (che orchestrano i modelli) e server MCP che espongono dati e strumenti. Un protocollo aperto, basato su standard affidabili, progettato per essere interoperabile e completamente sganciato dai problemi di vendor lock-in.
Un tempismo perfetto quello del team di Anthropic che si è trovato nel momento giusto con il giusto prodotto. Non sorprende, infatti, che il protocollo abbia trovato rapidamente ampia adesione: in pochi mesi i principali vendor (OpenAI, Google, Microsoft) hanno annunciato iniziative per supportare MCP nei propri ecosistemi, in molti casi attraverso SDK, estensioni o funzionalità sperimentali. Si tratta ancora di supporto parziale e in evoluzione, principalmente tramite SDK e tooling per sviluppatori, ma il fatto che i grandi player si muovano tutti in questa direzione è già un segnale forte del valore attribuito al protocollo. Un evento più unico che raro nel mondo tecnologico, a dimostrazione di quanto fosse sentita la necessità di un cambiamento e quanto sia forte il valore da tutti attribuito a MCP.
MCP è oggi utilizzato principalmente in applicazioni basate su LLM, ma l’architettura è neutrale e potrebbe estendersi anche ad altri scenari AI.
I vantaggi dell’uso di MCP
MCP è un protocollo di comunicazione e non propone di per sé funzionalità specifiche. La sua rilevanza risiede nei benefici concreti per gli sviluppatori: i tempi di sviluppo sono ridotti, di conseguenza anche i costi in generale ne beneficiano. Essendo uno standard condiviso tra gli AI vendor, l’adesione a MCP aumenta l’interoperabilità tra applicazioni e strumenti diversi andando ad unificare un ecosistema finora frammentato di sviluppi ad hoc.
La sua forza si basa sul fatto che il modello alla base dell’applicazione AI non cambia ma MCP consente all’applicazione di ampliarne l’accesso a dati e strumenti esterni e, in modo indiretto, questo influisce sulla qualità e le caratteristiche delle applicazioni AI: grazie a MCP, le applicazioni AI possono estendere le proprie capacità oltre il contesto immediato, accedendo a dati aggiornati o specifici che aumentano la pertinenza e l’utilità delle risposte per l’utente.
Perché MCP può cambiare il modo in cui utilizziamo l’AI?
MCP fornisce uno standard che permette alle applicazioni di collegarsi a strumenti e dati esterni in modo uniforme. Questo significa che un assistente AI aziendale può interrogare direttamente i database interni senza plugin custom, che un’applicazione AI può sfruttare la stessa interfaccia MCP per accedere sia a un’API meteo pubblica, sia a un CRM privato, o che un tool di analisi può integrare policy di auditing e logging senza dover riscrivere codice per ogni servizio. In tutti questi casi, il modello non cambia, ma grazie a MCP diventa parte di un’infrastruttura connessa e interoperabile, riducendo lock-in e semplificando la gestione. È questa la ragione per cui MCP può davvero modificare il nostro modo di utilizzare l’AI: non rende i modelli più “intelligenti” in sé, ma li inserisce in un ecosistema capace di dare risposte più pertinenti e utili.
Categoria: INTELLIGENZA ARTIFICIALE
Vendor lock-in AI: il conto arriva quando vuoi cambiare modello
Quando un'azienda decide di cambiare il modello AI su cui ha costruito una soluzione, scopre che la domanda centrale non… Leggi tutto
Come fidarsi dell’AI: audit, tracciabilità e decisioni comprensibili
L’AI entra sempre più spesso nei processi aziendali: classifica richieste, segnala anomalie, supporta gli operatori, sintetizza informazioni e propone azioni.… Leggi tutto
Dataiku Cobuild: l’agente che trasforma il linguaggio naturale in progetti AI
Negli ultimi tempi abbiamo iniziato a parlare con l’AI in linguaggio naturale: chiediamo a un assistente di “riassumere una mail”… Leggi tutto
