Cos’è il Model Context Protocol e perché è importante

Il Model Context Protocol (MCP) fornisce all’intelligenza artificiale un modo uniforme per connettersi a software aziendale, accedere a dati e avviare azioni. Vrushali Paunikar, Chief Product Officer di Carta, sostiene che la sfida più grande non sia la connessione in sé, ma la definizione di cosa accade dopo e di quanto lavoro affidare al modello linguistico.

Nel corso dell’ultimo anno, MCP è passato da standard tecnico quasi sconosciuto a tema centrale nell’ambito dell’AI aziendale. Prima, ogni azienda doveva creare interfacce su misura per ogni modello di IA; ora MCP offre un linguaggio comune, riducendo la complessità e accelerando l’adozione.

Una buona metafora è la presa elettrica a muro: è uno standard aperto, presente ovunque, ma da sola non è utile senza un dispositivo collegato. Analogamente, MCP è la “presa” e il prodotto o l’agente AI è il “dispositivo” che la utilizza.

Il parallelo con l’ascesa delle API

Si prevede che, tra qualche anno, l’entusiasmo attuale per MCP sarà ricordato come quello per le API: una infrastruttura di base che ha rivoluzionato lo sviluppo software, ma che è diventata una componente “invisibile” rispetto al prodotto finale.

Molte aziende SaaS trattano già l’integrazione AI come un prodotto finito: si costruisce un server MCP, si espongono tool e dati, e si lascia il modello a “fare il resto”. Per alcuni casi d’uso questo è sufficiente, ma per workflow aziendali complessi – in particolare nel settore finanziario – questo approccio è inadeguato.

MCP risolve il problema di accesso, non quello di esecuzione

La standardizzazione di MCP sta cambiando il modo in cui le applicazioni AI interagiscono con il software. Sempre più grandi piattaforme AI supportano MCP, rendendo possibile per gli utenti operare con lo stesso back‑end indipendentemente dall’interfaccia AI preferita.

Tuttavia, l’interoperabilità risolve solo il “come accedere”, non il “come risolvere”. Quando un modello ottiene, ad esempio, i dati di performance di un fondo privato, può:

    • eseguire il calcolo corretto;
    • prendere una scorciatoia imprecisa;
    • o fraintendere la richiesta dell’utente.

Di conseguenza, l’utente deve ricoprire tre ruoli contemporaneamente: analista, “prompt‑engineer” e controllore di qualità, contraddicendo la promessa di un’esperienza fluida.

Il livello successivo: plugin, skill e workflow

Se MCP è lo strato di connessione, sopra di esso si trovano plugin e skill che indicano al modello come utilizzare quella connessione per compiti specifici. Invece di fornire semplicemente dati e funzioni, è possibile raggruppare:

    • istruzioni operative;
    • workflow deterministici;
    • calcoli predefiniti;
    • interfacce utente dedicate.

Ciò può tradursi in:

    • una sequenza fissa di azioni;
    • l’esecuzione di uno script deterministico anziché lasciare che il LLM “indovini”;
    • la generazione di tabelle, report o piccole applicazioni personalizzate.

In questo modo, la competenza risiede nel prodotto, non è delegata interamente al modello.

Evidenze di successo: il test di Google

Google ha sperimentato un agente AI capace di programmare accedendo alla documentazione tecnica tramite MCP. Dopo aver ottenuto i dati, l’agente ha ricevuto istruzioni contestualizzate su come sfruttarli al meglio. I risultati:

    • tasso di successo del 96,3 %;
    • riduzione del 63 % dei token consumati per risposta rispetto al prompting tradizionale.

Questi numeri dimostrano che la combinazione di connessione standardizzata e istruzioni specifiche può migliorare drasticamente efficacia ed efficienza.

Implicazioni per le aziende SaaS

Quando tutte le applicazioni possono esporre dati tramite lo stesso standard aperto, l’accesso diventa un fattore di differenziazione minore. La vera competitività sarà determinata da:

    • la capacità di tradurre l’accesso in risultati affidabili;
    • la progettazione di workflow robusti;
    • i meccanismi di controllo e verifica.

In pratica, le SaaS dovranno investire in “intelligenza di prodotto” piuttosto che limitarsi a fornire endpoint.

Quando non delegare tutto al modello

I grandi modelli linguistici sono sistemi probabilistici. La loro flessibilità è un vantaggio per scrittura, esplorazione e ragionamento, ma è meno adatta a workflow dove precisione e ripetibilità sono fondamentali, come nella finanza.

Nel settore finanziario, le stesse operazioni devono produrre risultati identici ogni volta. In questo contesto, gli errori probabilistici possono trasformarsi in costi elevati.

Fintech e software di gestione patrimoniale hanno tradizionalmente puntato su:

    • tracciabilità dei processi;
    • controlli di autorizzazione;
    • calcoli standardizzati;
    • processi ripetibili.

Le soluzioni AI più efficaci sapranno:

    • quando lasciare che il modello deduca conclusioni (situazioni di giudizio e interpretazione);
    • quando intervenire con strumenti deterministici (calcoli, report, verifiche).

Questo principio si applica ovunque le risposte errate comportano costi significativi.

Verso la nuova frontiera della differenziazione SaaS

Il livello sopra MCP – plugin, skill e workflow – è ancora in evoluzione e non è ancora definito con chiarezza come lo è lo standard di connessione.

Già sono emersi approcci diversi per realizzare plugin e skill, e si stanno avviando iniziative per renderli più portabili tra piattaforme AI, evitando il lock‑in a un singolo ecosistema.

Le aziende SaaS devono prendere decisioni strategiche prima che gli standard si consolidino completamente, proprio come hanno sempre fatto. Le opzioni sono:

    • fornire solo l’interfaccia MCP e lasciare al cliente la costruzione dell’esperienza;
    • sviluppare internamente plugin/skill che guidino l’uso del modello verso risultati affidabili.

Con il tempo, collegare un agente AI a software aziendale diventerà sempre più semplice. Il vantaggio competitivo risiederà sempre più nella capacità di definire workflow, meccanismi di controllo e conoscenza di dominio che trasformano l’accesso in risultati consistenti.

Profilo di Vrushali Paunikar

Vrushali Paunikar è Product Officer presso Carta, dove dirige il team responsabile dello sviluppo di nuovi prodotti, dell’espansione di soluzioni esistenti e dell’implementazione della strategia AI di Carta. Il suo gruppo crea strumenti basati su IA per gestori di fondi, General Partners e società partecipate, rendendo la piattaforma più intelligente e automatizzata lungo l’intero ciclo di vita degli investimenti privati.

Prima di diventare CPO, Vrushali ha:

    • scalato il business di valutazione di Carta fino a raggiungere margini tipici del software;
    • portato il fatturato ricorrente annuale (ARR) del venture‑capital da zero a oltre 80 milioni di dollari;
    • ideato la piattaforma di amministrazione fondi “Event Based Accounting”, che oggi gestisce asset per oltre 250 miliardi di dollari.

Il suo lavoro contribuisce al valore per più di 55 000 clienti nell’ecosistema di venture capital e startup, rafforzando la crescita complessiva di Carta.