Il Model Context Protocol (MCP) è uno standard aperto lanciato da Anthropic nel novembre 2024 che permette ai modelli di intelligenza artificiale di connettersi a strumenti, dati e sistemi esterni in modo standardizzato. È la "porta USB-C" dell'AI aziendale: un unico protocollo per integrare qualsiasi fonte dati, eliminando la necessità di integrazioni custom per ogni servizio.
Cos'è MCP: il Model Context Protocol spiegato semplice
Se pensiamo all'AI tradizionale come a un brillante consulente che lavora in una stanza senza finestre, MCP è la porta che gli permette di accedere all'intero edificio aziendale. Prima di MCP, ogni connessione tra un modello AI e un sistema esterno richiedeva un'integrazione personalizzata: codice dedicato per ogni CRM, ogni database, ogni API aziendale.
MCP standardizza questa connessione. Un modello AI compatibile con MCP può scoprire dinamicamente le capacità di qualsiasi MCP Server e usarle, esattamente come un browser web può visualizzare qualsiasi sito senza che il sito debba essere progettato per quel browser specifico.
Perché è nato MCP
Il problema che MCP risolve è noto come il problema M×N delle integrazioni: se hai M modelli AI e N sistemi aziendali, senza uno standard comune hai bisogno di M×N integrazioni distinte. Con MCP, ogni sistema espone una sola interfaccia MCP e ogni modello AI parla un solo protocollo: le integrazioni diventano M+N invece di M×N.
Anthropic ha pubblicato MCP come standard aperto (non proprietario) proprio per favorire l'adozione dell'intero ecosistema. I principali vendor AI — OpenAI, Google, Microsoft — stanno convergendo su MCP come standard de facto.
Come funziona l'architettura MCP
L'architettura MCP si basa su tre componenti fondamentali che lavorano in sequenza:
MCP Host (dove vive l'AI)
L'MCP Host è l'applicazione AI che ospita il modello di linguaggio: può essere Claude Desktop, un'applicazione custom, o un sistema enterprise. L'Host gestisce più client MCP contemporaneamente e coordina le interazioni tra l'AI e i sistemi esterni. È il "cervello" del sistema.
MCP Client (il mediatore)
L'MCP Client vive all'interno dell'Host e agisce da mediatore. Traduce le richieste del modello AI in messaggi strutturati compatibili con il protocollo MCP (basato su JSON-RPC), e restituisce le risposte al modello in un formato che può elaborare. Ogni Client mantiene una connessione dedicata con un singolo Server.
MCP Server (l'accesso ai dati)
L'MCP Server è il servizio esterno che espone capacità specifiche: può essere un connettore per GitHub, un accesso a un database PostgreSQL, un'integrazione con Slack, o un connettore ERP custom. Ogni Server espone tre tipi di capacità: Tools, Resources e Prompts.
Per un approfondimento tecnico su come funziona un MCP Server, come crearne uno e quali server esistono oggi, vedi la guida completa agli MCP Server →
I tre pilastri MCP: Tools, Resources, Prompts
Tools: quando l'AI prende l'iniziativa
I Tools rappresentano funzioni che il modello AI può invocare autonomamente. Sono operazioni con effetti: aggiornare un record nel CRM, inviare un'email, creare un ordine nell'ERP, lanciare una query SQL. L'AI decide quando e come usarli in base al contesto della conversazione o del workflow.
Esempio pratico: durante l'elaborazione di un ordine cliente, l'AI usa un Tool per verificare la disponibilità del prodotto nel magazzino, un secondo Tool per creare l'ordine nell'ERP e un terzo per notificare il team commerciale via email — tutto in sequenza automatica.
Resources: l'accesso controllato ai dati
Le Resources sono fonti di dati in sola lettura. Simili agli endpoint GET di un'API REST ma ottimizzate per il consumo AI: forniscono contesto senza effetti collaterali. Quando un utente chiede informazioni su un cliente, l'AI accede in automatico alle Resource appropriate — storico ordini, contratti attivi, ticket aperti — e le include nel contesto prima di rispondere.
Prompts: template riutilizzabili
I Prompts sono template predefiniti che ottimizzano l'uso di strumenti e risorse per scenari specifici. Rappresentano l'evoluzione del prompt engineering: pattern testati e ottimizzati per casi d'uso ricorrenti (es. "elabora questo DDT", "riconcilia questa fattura con l'ordine").
MCP vs API tradizionali: 5 differenze chiave
| Aspetto | API Tradizionale | MCP |
|---|---|---|
| Costo di integrazione | Alto (codice custom per ogni servizio) | Basso (un solo protocollo) |
| Manutenzione | Alta (ogni API cambia) | Bassa (standard stabile) |
| Flessibilità | Fissa (schema predefinito) | Dinamica (discoverability) |
| Discoverability | Assente (documentazione manuale) | Automatica (il modello scopre le capacità) |
| Standard | Proprietario per ogni servizio | Aperto e universale |
Casi d'uso di MCP in azienda
Integrazione con CRM/ERP
Con MCP, un agente AI aziendale può accedere in tempo reale all'ERP per verificare prezzi e disponibilità, al CRM per recuperare lo storico cliente, e al sistema documentale per consultare contratti attivi — tutto nell'arco di una singola conversazione o transazione automatizzata.
Gestione documentale automatizzata
MCP abilita flussi documentali completamente automatizzati: un'email con allegato DDT arriva in casella, un agente AI la riceve via MCP Server Email, estrae i dati con OCR intelligente, li valida tramite Resource ERP, e crea il movimento di magazzino tramite un Tool ERP. Senza intervento umano per i casi standard.
Agenti AI multi-strumento
La potenza di MCP emerge negli agenti che orchestrano più strumenti in sequenza. Un agente di procurement può ricevere una richiesta di ordine, verificare il fornitore nel CRM, controllare il budget nel sistema ERP, generare l'ordine e inviare conferma via email — il tutto con una singola istruzione dell'utente.
MCP e TypeLens: un esempio concreto
Workflow Builder: automazione no-code, logica da pro
Il Workflow Builder di TypeLens permette di costruire flussi documentali trascinando blocchi intelligenti: ricezione → estrazione → validazione → inserimento ERP, tutto senza scrivere codice. MCP è l'infrastruttura che permette ai blocchi di comunicare con i sistemi aziendali in modo standardizzato.
I blocchi disponibili includono Agent AI (modelli specializzati per ogni step), Router (smistamento automatico basato sul contenuto del documento) e HITL — Human in the Loop — per la validazione manuale su casi ambigui.
Contesto = dati più puliti
Ogni blocco nel workflow riceve il contesto completo: documento originale, cronologia cliente, inventario prodotti aggiornato. Questo elimina ambiguità e migliora la precisione dell'estrazione fin dal primo ciclo, riducendo i falsi positivi e la necessità di revisione manuale.
Come iniziare con MCP
Server MCP esistenti
Esistono già decine di MCP Server pronti all'uso per i sistemi più comuni: GitHub, PostgreSQL, Slack, Filesystem, Brave Search e altri. Per la lista completa con guide all'installazione vedi la pagina dedicata agli MCP Server →
Creare il proprio MCP Server
Per integrare un sistema proprietario o un ERP aziendale non coperto dai server esistenti, è possibile creare un MCP Server custom usando l'SDK ufficiale in Python o TypeScript. Il processo richiede la definizione dei Tool, Resource e Prompt da esporre, e la configurazione del trasporto (stdio per uso locale, SSE o WebSocket per uso remoto).
Considerazioni di sicurezza
Prima di esporre sistemi aziendali tramite MCP, è importante definire: quali Tool possono avere effetti distruttivi (e richiedono conferma esplicita), quali Resource espongono dati sensibili (e richiedono autenticazione), e come vengono loggati gli accessi per l'audit trail.
Domande frequenti su MCP
Chi ha creato MCP?
MCP è stato creato da Anthropic e annunciato come standard aperto nel novembre 2024. È progettato per essere adottato dall'intero ecosistema AI, non solo dai modelli Claude.
MCP è compatibile con OpenAI e Gemini?
Sì. MCP è uno standard aperto e indipendente dal modello. OpenAI, Google e altri provider AI stanno adottando o pianificano di adottare MCP nei loro sistemi. L'obiettivo è creare un ecosistema di integrazione universale.
Serve essere sviluppatori per usare MCP?
Non necessariamente. Per usare server MCP esistenti in applicazioni come Claude Desktop bastano competenze di configurazione base. Per creare un MCP Server custom o integrarlo in un ERP aziendale è richiesta competenza tecnica.
Qual è la differenza tra MCP e un'API tradizionale?
Con un'API tradizionale ogni integrazione richiede codice custom: autenticazione, gestione errori, parsing delle risposte. MCP standardizza tutto questo: un modello AI scopre dinamicamente le capacità del server e le usa senza codice di integrazione specifico.
MCP: il futuro dell'AI aziendale
MCP rappresenta il fondamento infrastrutturale su cui si costruiscono gli agenti AI aziendali di nuova generazione. Proprio come HTTP ha reso possibile il web standardizzando la comunicazione tra browser e server, MCP sta standardizzando la comunicazione tra AI e sistemi aziendali.
Le organizzazioni che implementano MCP oggi non stanno solo adottando una tecnologia: stanno costruendo un'infrastruttura che supporterà l'intera evoluzione futura degli agenti AI nel loro stack tecnologico.
Per approfondire il lato tecnico, vedi la guida agli MCP Server. Per capire come l'automazione documentale basata su MCP funziona in pratica, esplora come Typelens automatizza i DDT con questa architettura.