Guida
Cos'è il Model Context Protocol e perché conta per la tua azienda
di Enrico Libutti · Aggiornato il 21 luglio 2026 · 10 min di lettura
-
In sintesi
- → MCP (Model Context Protocol) è uno standard aperto che collega un'AI a strumenti e dati aziendali con un unico linguaggio, invece di un'integrazione diversa per ognuno.
- → Conviene soprattutto quando ci sono più strumenti da collegare, o quando l'azienda vuole restare libera di cambiare modello AI nel tempo senza rifare tutto da capo.
- → Non sostituisce la supervisione umana: regola come l'AI accede ai dati, non se un'azione debba prima passare da una persona.
Cos'è il Model Context Protocol (MCP)
Il Model Context Protocol (MCP) è uno standard aperto, introdotto da Anthropic, che definisce un unico linguaggio con cui un modello di intelligenza artificiale (AI) può collegarsi a strumenti e fonti di dati esterne, come email, CRM (Customer Relationship Management), database o file, invece di richiedere un'integrazione scritta su misura per ogni singola combinazione di modello e strumento.
Un modo utile per capirlo è pensare a una presa elettrica universale. Prima che esistesse uno standard condiviso, ogni apparecchio aveva una spina diversa e serviva un adattatore su misura per collegarlo alla rete elettrica di un altro paese. MCP risolve lo stesso problema per l'AI: una volta che uno strumento aziendale (un CRM, una casella di posta, un archivio documenti) espone i propri dati secondo lo standard MCP, qualsiasi modello AI compatibile può interrogarlo, senza che qualcuno debba scrivere un collegamento diverso per ogni coppia modello-strumento.
Prima di un protocollo condiviso come questo, collegare un assistente AI a un sistema aziendale significava scrivere codice pensato apposta per quella singola combinazione: quel modello, quello strumento, quella versione. Cambiare modello AI, o aggiungere un nuovo strumento da collegare, voleva dire ripetere gran parte del lavoro da capo. MCP separa i due problemi (il modello da un lato, gli strumenti a cui accede dall'altro) con un linguaggio comune tra i due, pensato per essere implementato da chiunque costruisca un modello o uno strumento, indipendentemente dal fornitore.
Un modo diverso di guardare allo stesso problema è contare il lavoro necessario. Senza uno standard condiviso, collegare N modelli AI a M strumenti aziendali richiede, nella peggiore delle ipotesi, un'integrazione diversa per ogni combinazione possibile: N moltiplicato per M collegamenti su misura. Con un protocollo comune come MCP, ogni strumento costruisce un solo server e ogni modello costruisce un solo client: il numero di collegamenti da scrivere scende da un prodotto a una somma. È questa apertura, più che una singola funzionalità, il motivo per cui MCP viene citato sempre più spesso quando si parla di collegare l'AI ai sistemi aziendali esistenti.
Come funziona, in pratica
In pratica, MCP funziona attraverso due ruoli distinti: un server MCP, che espone uno strumento o una fonte di dati specifica (per esempio il database clienti o la casella email), descrivendo quali informazioni contiene e quali azioni consente, e un client MCP, integrato nell'assistente AI, che interroga i server disponibili e decide quale usare per rispondere a una richiesta.
Un esempio illustrativo, non tratto da un progetto specifico: immagina un assistente AI a cui viene chiesto quali contratti sono in scadenza nel mese in corso. Con un server MCP collegato al CRM aziendale, l'assistente può interrogare direttamente i dati strutturati (non un'esportazione preparata a mano), capire quali record rispondono al criterio richiesto e restituire una risposta verificabile, con i nomi e le date effettive. Senza quel collegamento, la stessa domanda richiederebbe che qualcuno apra il CRM, filtri manualmente le scadenze e le trascriva altrove.
Lo standard distingue le informazioni consultabili (per esempio l'elenco dei clienti) dalle azioni che il modello può richiamare (per esempio l'invio di un promemoria), cosicché lo stesso server possa esporre sia dati in sola lettura sia funzioni operative, con permessi distinti per ognuno dei due.
Ogni server MCP dichiara in modo esplicito quali azioni consente: sola lettura di un archivio, scrittura su un campo specifico, esecuzione di una funzione predefinita. Questo è un punto importante per il controllo: chi progetta l'integrazione decide cosa l'AI può vedere e cosa può fare all'interno di quel sistema, non il contrario. Un server collegato alla casella email, per esempio, può essere configurato per leggere i messaggi in arrivo ma non per inviarli automaticamente, lasciando l'invio a una persona.
Perché il collegamento funzioni, non basta che lo strumento aziendale "parli" MCP: serve anche che qualcuno definisca quali dati esporre, con quale livello di dettaglio e con quali permessi. È la parte di progettazione che richiede competenza tecnica e conoscenza del processo aziendale, non solo l'implementazione dello standard in sé.
Perché conta per la tua azienda
Per un'azienda, MCP conta perché riduce il tempo e il costo di collegare un assistente AI ai sistemi che già usa (CRM, casella email, fogli di calcolo, gestionali), invece di dover ripartire da zero ogni volta che cambia il modello AI adottato o si aggiunge un nuovo strumento da collegare.
Senza uno standard condiviso, ogni progetto di integrazione AI porta con sé una dipendenza: se in futuro si vuole cambiare fornitore di modelli, o affiancare un secondo assistente per un altro reparto, gran parte del lavoro di collegamento va ripetuto. Con MCP, il server che espone i dati aziendali resta lo stesso; cambia solo il modello che lo interroga. Per chi commissiona un progetto AI, questo si traduce in una scelta più libera nel tempo e in una minore dipendenza da un singolo fornitore.
C'è anche un vantaggio meno visibile ma altrettanto concreto: quando più strumenti aziendali espongono i dati secondo lo stesso standard, aggiungere un nuovo assistente AI (per esempio uno dedicato al supporto clienti, in affiancamento a uno già usato per la reportistica interna) richiede molto meno lavoro di collegamento, perché i server MCP già costruiti possono essere riutilizzati.
Il beneficio pratico si vede soprattutto nella fase di manutenzione, non solo in quella iniziale: quando un fornitore di modelli aggiorna la propria offerta, o quando l'azienda valuta un cambio di provider, il lavoro di collegamento ai sistemi interni non deve ricominciare da capo, perché il server MCP che espone i dati resta indipendente dal modello che lo usa.
Chi realizza il progetto di integrazione deve conoscere lo standard nel dettaglio: come si progettano i permessi, come si strutturano i dati esposti, quali errori evitare. Enrico Libutti, AI Engineer di Sentira, ha ottenuto da Anthropic la certificazione Introduction to Model Context Protocol (MCP), verificabile pubblicamente: una base diretta per i progetti di integrazione realizzati in Sentira Labs, dove MCP è spesso lo strato che collega l'AI ai sistemi già in uso in azienda.
Quando conviene adottarlo (e quando no)
MCP conviene quando un'azienda ha più strumenti o fonti di dati da collegare a uno o più assistenti AI e vuole evitare di scrivere un'integrazione diversa per ogni combinazione; ha meno senso quando serve un collegamento singolo e stabile nel tempo tra un solo modello e un solo strumento, dove un'integrazione diretta può essere più semplice da realizzare e mantenere.
Alcuni fattori aiutano a capire se conviene: quanti strumenti aziendali devono essere collegati all'AI (uno o molti), quanto è probabile cambiare modello o fornitore nei prossimi anni, se più assistenti AI diversi devono accedere agli stessi dati e quanto è importante poter definire permessi granulari, per esempio sola lettura per un reparto e scrittura per un altro. Più questi fattori pesano, più lo standard condiviso ripaga l'investimento iniziale di progettazione.
Un esempio illustrativo: un'azienda che ha già collegato un assistente AI al proprio CRM tramite un server MCP, e valuta di aggiungere un secondo assistente per il supporto clienti che deve leggere lo storico ordini. Se lo storico ordini è già esposto secondo lo stesso standard, il nuovo assistente può accedervi senza una nuova integrazione da zero; se invece ogni collegamento precedente è stato scritto su misura, il secondo progetto ripete buona parte del lavoro del primo.
Vale anche il contrario: se l'esigenza è collegare un solo strumento, in modo stabile, senza previsione di aggiungerne altri o di cambiare modello, un'integrazione diretta può richiedere meno tempo di progettazione rispetto a costruire un server MCP dedicato. La scelta dipende dal contesto, non da una regola valida sempre: è uno dei motivi per cui, in Sentira, la prima analisi di un progetto serve proprio a capire quale approccio conviene davvero, prima di scrivere un preventivo.
Un punto vale indipendentemente dalla scelta tecnica: MCP regola come l'AI accede ai dati e agli strumenti, non se un'azione debba prima passare da una persona. Percepisce, prepara, tu approvi. Nei sistemi in produzione, le azioni critiche (inviare un'email, confermare un rinnovo, modificare un contratto) restano soggette a supervisione umana, indipendentemente dal protocollo di integrazione usato.
Domande frequenti
MCP è un modello di intelligenza artificiale?
No. Il Model Context Protocol (MCP) non è un modello, ma un protocollo di integrazione: definisce come un modello già esistente si collega a strumenti e dati esterni. Il modello che genera le risposte resta un sistema separato, collegato tramite lo standard.
MCP funziona solo con i modelli di Anthropic?
MCP è stato introdotto da Anthropic, ma è uno standard aperto: la specifica è pubblica e può essere implementata da chiunque costruisca un modello o uno strumento, non solo da un singolo fornitore.
Cosa serve in azienda per adottare MCP?
Serve competenza tecnica per progettare e costruire i server MCP che espongono i sistemi aziendali (CRM, email, archivi) e per definire quali dati e quali permessi rendere disponibili. Per l'azienda che commissiona il progetto, il vantaggio è pratico: meno tempo e meno manutenzione nel collegare l'AI ai propri strumenti.
MCP elimina la necessità di supervisione umana sulle azioni dell'AI?
No. MCP regola come l'AI accede ai dati e agli strumenti, non se un'azione debba essere approvata da una persona prima di diventare effettiva. Nei sistemi in produzione, le azioni critiche restano soggette a supervisione umana indipendentemente dal protocollo di integrazione usato.
Qual è la differenza tra MCP e la RAG (Retrieval-Augmented Generation)?
La RAG (Retrieval-Augmented Generation) è una tecnica che recupera informazioni pertinenti da una base di conoscenza per arricchire la risposta di un modello; MCP è il protocollo che può collegare quel modello alla fonte da cui recuperare le informazioni, insieme ad altri strumenti operativi. Le due cose spesso convivono nello stesso sistema, ma rispondono a problemi diversi.
Come si verifica che un fornitore sappia lavorare davvero con MCP?
Chiedendo prove concrete: certificazioni verificabili pubblicamente, come quelle rilasciate da Anthropic, oppure esempi di progetti reali in cui lo standard è stato usato per collegare un'AI a strumenti aziendali esistenti, non solo l'affermazione generica di saperlo fare.
Vuoi capire se ti serve nella tua azienda?
Se hai più strumenti aziendali che vorresti collegare a un assistente AI (o già ne usi uno e valuti di aggiungerne un secondo), la domanda giusta non è se adottare MCP, ma quali dati e quali permessi ha senso esporre nel tuo caso specifico. È esattamente il tipo di analisi che facciamo nella prima chiamata conoscitiva di Sentira Labs, il servizio Sentira per progetti AI su misura e consulenza. La prima chiamata è gratuita e senza impegno.