Cos'è
Il Model Context Protocol (MCP) è un protocollo aperto progettato per connettere applicazioni basate su modelli di intelligenza artificiale con sistemi, dati e strumenti esterni in modo standardizzato. È stato introdotto da Anthropic nel novembre 2024 e rilasciato come standard aperto, con repository e SDK pubblici. Nel dicembre 2025 Anthropic ha donato MCP alla Agentic AI Foundation (AAIF), un fondo diretto della Linux Foundation, con l'obiettivo di garantirne una governance neutrale e indipendente da un singolo vendor. I membri fondatori dell'AAIF includono Anthropic, Block e OpenAI, con il supporto di Google, Microsoft, AWS, Cloudflare e Bloomberg.
MCP definisce un'interfaccia comune che consente a un'applicazione AI (l'host) di scoprire e utilizzare capacità esposte da server specializzati, senza che sviluppatori e integratori debbano realizzare connettori ad hoc per ogni combinazione di modello e strumento. L'analogia più usata è quella di una "porta USB-C per l'AI": un'interfaccia unificata che riduce la frammentazione tra le molteplici piattaforme esistenti.
Il problema che risolve
Prima di MCP, ogni applicazione AI doveva integrare strumenti e fonti dati in modo personalizzato. Questo generava un problema di scalabilità di tipo M×N: M applicazioni dovevano collegarsi a N strumenti, producendo un numero crescente di integrazioni specifiche da mantenere. Ogni connessione richiedeva la propria logica di autenticazione, gestione degli errori, rappresentazione dei dati e politiche di sicurezza.
Di conseguenza, i modelli linguistici restavano spesso isolati dal contesto operativo reale: non potevano accedere in modo affidabile a documenti aziendali, database, repository di codice o servizi web aggiornati. Anche dove esistevano integrazioni, la mancanza di un formato comune rendeva difficile riutilizzare uno stesso connettore tra piattaforme diverse, limitando la portabilità e aumentando la complessità.
Come funziona
MCP si basa su un'architettura client-server con tre ruoli principali:
- Host: l'applicazione AI che coordina le connessioni e utilizza le capacità offerte dai server (per esempio un IDE, un assistente conversazionale o un agente autonomo).
- Client: un componente gestito dall'host che stabilisce una connessione uno-a-uno con un server MCP, negozia le capacità e invoca le primitive disponibili.
- Server: un processo o servizio che espone dati, strumenti o prompt a un client, mantenendo il controllo sulle proprie risorse.
La comunicazione avviene tramite JSON-RPC 2.0 su diversi trasporti. I principali sono:
- stdio: il server viene avviato come sottoprocesso dell'host e comunica attraverso standard input/output; adatto a strumenti locali e a bassa latenza.
- SSE (Server-Sent Events) su HTTP: permette connessioni remote e aggiornamenti in tempo reale dal server al client.
- Streamable HTTP: variante HTTP più recente, orientata a scenari serverless e distribuiti.
Alla connessione, il server dichiara le proprie primitive, raggruppate in quattro categorie:
- Resources: dati e contenuti che l'AI può leggere (file, documenti, record di database, pagine web).
- Tools: funzioni eseguibili che il modello può invocare (ricerche, query, azioni su API, automazioni).
- Prompts: template di istruzioni predefiniti che il server mette a disposizione per guidare l'interazione.
- Sampling: meccanismo con cui il server può richiedere all'host di generare testo tramite il modello, mantenendo l'utente nel controllo del flusso.
Caratteristiche principali
- Scoperta automatica delle capacità: l'host può interrogare il server per ottenere l'elenco di strumenti, risorse e prompt disponibili, senza configurazioni manuali per ogni integrazione.
- Interoperabilità tra piattaforme: un server MCP può essere utilizzato da qualsiasi host compatibile, indipendentemente dal modello linguistico sottostante.
- Model-agnostic: il protocollo non è legato a un unico fornitore di modelli AI; funziona con Claude, ChatGPT, Gemini, Copilot e altri sistemi che implementano il client MCP.
- Aggiornamenti dinamici: i server possono notificare l'host quando le loro capacità cambiano, ad esempio aggiungendo nuovi strumenti durante l'esecuzione.
- Sicurezza integrata: il protocollo prevede autenticazione, autorizzazione, TLS per i trasporti di rete e, nelle versioni più recenti, supporto a OAuth 2.0 per l'accesso alle risorse. Ogni server mantiene il controllo sui propri dati.
- SDK multi-linguaggio: esistono SDK ufficiali per TypeScript, Python, Java, Kotlin, C# e altri linguaggi, che semplificano l'implementazione di client e server.
Casi d'uso concreti
- Assistenti di sviluppo: un IDE può collegarsi a server MCP per leggere repository Git, interrogare database, eseguire test o consultare documentazione interna, offrendo risposte e azioni contestualizzate sul codice.
- Agenti aziendali: un chatbot interno può accedere a documenti su Google Drive, cercare in Slack, aprire ticket su Jira o interrogare data warehouse aziendali, utilizzando connettori MCP dedicati.
- Automazione del browser: server come quello basato su Playwright o Puppeteer permettono a un agente di navigare pagine web, eseguire screenshot, compilare moduli e verificare comportamenti.
- Analisi dati: un modello può connettersi a server PostgreSQL, SQLite o strumenti di business intelligence per eseguire query, generare report e analizzare dataset in linguaggio naturale.
- Assistenti personali: integrazioni con calendari, email e servizi di ricerca consentono a un assistente AI di gestire appuntamenti, recuperare informazioni aggiornate e svolgere compandi quotidiani.
Punti di forza e limiti
Punti di forza
- Riduce la duplicazione di codice e il debito tecnico legato alle integrazioni, trasformando un problema M×N in un problema M+N.
- Crea un ecosistema riutilizzabile: uno stesso server MCP serve più applicazioni e modelli.
- Gode di un ampio sostegno industriale ed è passato sotto una governance neutrale, fattore che favorisce l'adozione enterprise.
- Offre un modello di sicurezza esplicito, con separazione delle responsabilità tra host, client e server.
Limiti
- Introduce una superficie di attacco standardizzata: se il protocollo è universale, anche le vulnerabilità possono propagarsi più facilmente se non si configurano correttamente autenticazione, autorizzazione e sandboxing.
- La qualità dei server MCP varia notevolmente: molti sono progetti della comunità, con documentazione, manutenzione e controlli di sicurezza eterogenei.
- Richiede che l'host supporti MCP; finché un'applicazione non implementa il client, il connettore non è utilizzabile.
- La gestione dei permessi e il consenso dell'utente restano responsabilità di chi configura e ospita i server.
Alternative e contesto
MCP non è l'unico approccio per collegare modelli AI a strumenti esterni. Prima della sua diffusione, molte piattaforme utilizzavano function calling proprietario, come quello di OpenAI, dove il modello restituisce chiamate di funzione in un formato specifico deciso dal provider. Questo approccio funziona bene all'interno di un ecosistema chiuso, ma non offre portabilità tra piattaforme.
Altre alternative includono plugin framework proprietari, API REST dirette con descrizioni OpenAPI, e protocolli complementari come A2A (Agent-to-Agent) proposto da Google, che si concentra sulla comunicazione tra agenti piuttosto che tra un agente e i suoi strumenti. MCP si distingue proprio per l'ambizione di diventare uno strato universale di integrazione tra applicazioni AI e risorse esterne, piuttosto che un formato vincolato a un singolo modello o scenario.
In sintesi
Il Model Context Protocol è uno standard aperto nato per collegare modelli di intelligenza artificiale a dati, strumenti e servizi esterni attraverso un'interfaccia comune. La sua architettura client-server, le primitive di resources, tools, prompts e sampling, e il supporto a diversi trasporti lo rendono flessibile e adatto a molti scenari, dagli assistenti di sviluppo agli agenti aziendali. Grazie all'adozione da parte di diversi importanti attori del settore e al trasferimento sotto la Linux Foundation, MCP si configura come un'infrastruttura di riferimento per l'integrazione di sistemi AI, anche se la sua efficacia dipende da una corretta gestione della sicurezza e dalla qualità dei server disponibili.
Risorse
- Sito ufficiale e documentazione: https://modelcontextprotocol.io
- Repository GitHub ufficiale: https://github.com/modelcontextprotocol
- Annuncio di lancio di Anthropic (novembre 2024): https://www.anthropic.com/news/model-context-protocol
- Donazione all'Agentic AI Foundation (dicembre 2025): https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation
- Agentic AI Foundation (Linux Foundation): https://aaif.io