Che cos’è il Model Context Protocol e perché è importante

Il Model Context Protocol (MCP) offre all’intelligenza artificiale un linguaggio comune per connettersi ai software d’impresa, accedere a dati e compiere azioni. In passato era una norma tecnica poco conosciuta; nell’ultimo anno è diventata una delle idee più promettenti nel panorama dell’IA aziendale.

In pratica, MCP funge da “presa elettrica” nel muro: una norma aperta che permette a qualsiasi dispositivo – in questo caso a un modello di IA – di collegarsi e ricevere energia, cioè dati e funzioni. La presa da sola non produce nulla; è necessario un apparecchio che la utilizzi. Allo stesso modo, MCP fornisce la connettività, ma non definisce come l’IA debba svolgere il lavoro.

Vrushali Paunikar, direttrice di prodotto di Carta, osserva che la vera sfida è decidere cosa succede dopo la connessione e quanta parte del lavoro affidare al modello di linguaggio.

Da norma di connettività a infrastruttura attesa

Con il tempo, l’entusiasmo attuale per MCP sarà probabilmente paragonato a quello delle API nella prima fase della loro diffusione. Le API hanno posto le basi per la modernizzazione del software, ma oggi sono considerate un’infrastruttura di base, non più il prodotto di per sé. Analogamente, MCP sta passando da “prodotto finito” a “infrastruttura di base” per le soluzioni IA.

Molti vendor SaaS trattano ancora la connettività IA come un prodotto completo: bastano server MCP, dati e strumenti, e il modello si occupa di tutto. Per alcuni casi d’uso questa formula è sufficiente, ma per la maggior parte dei processi aziendali – specialmente in ambito finanziario – è inadeguata.

La standardizzazione di MCP ha già cambiato il modo in cui le applicazioni IA interagiscono con i software: sempre più piattaforme IA lo supportano, rendendo realistico per gli utenti lavorare con gli stessi sistemi indipendentemente dall’interfaccia IA scelta.

Interoperabilità vs. capacità operativa

L’interoperabilità risolve il problema dell’accesso, ma non indica al modello come eseguire il lavoro. Prendiamo l’esempio di un agente IA che accede ai dati di performance e portafoglio di un fondo privato. Il modello può rispondere in diversi modi:

    • Calcolando correttamente tutti i parametri richiesti.
    • Prendendo una scorciatoia basata su euristiche.
    • Interpretando erroneamente la domanda dell’utente.

L’utente si trova così a dover indossare più cappelli: analista, scrittore di prompt e revisore di qualità, contrariamente all’esperienza “senza attriti” promessa dal mercato.

Il livello successivo della pila: estensioni e competenze

Se MCP è la “strato di connessione”, le estensioni e le competenze si posizionano sopra, indicando all’agente IA come utilizzare quella connessione per una task specifica. Invece di esporre semplicemente dati e funzioni, queste componenti possono includere:

    • Istruzioni operative dettagliate.
    • Processi di workflow definiti.
    • Calcoli deterministici o script.
    • Output strutturati come fogli di calcolo, report o piccole applicazioni.

L’expertise risiede quindi nel prodotto, non interamente nel modello di linguaggio.

Un caso di successo reale

Google ha testato un agente di programmazione basato su IA capace di consultare la propria documentazione tecnica tramite MCP. All’agente sono state fornite istruzioni aggiuntive specifiche per il compito, spiegando come sfruttare al meglio le informazioni recuperate. Con questa combinazione, l’agente ha raggiunto un tasso di successo del 96,3 % nella valutazione interna di Google, consumando il 63 % in meno di token per risposta corretta rispetto alle richieste standard.

Perché non affidare tutto al modello

I grandi modelli di linguaggio sono sistemi probabilistici: la loro flessibilità li rende eccellenti per scrittura, esplorazione e ragionamento, ma li rende meno adatti a processi dove precisione e riproducibilità sono fondamentali. La finanza è l’esempio più lampante: un calcolo deve produrre lo stesso risultato ogni volta; le variazioni probabilistiche diventano inaccettabili.

Da decenni i software finanziari puntano su audit trail, autorizzazioni, calcoli standardizzati e processi replicabili, perché la coerenza ha valore. L’IA non deve scavalcare questi principi. I migliori prodotti IA aziendali sapranno quando lasciare che il modello ragioni e quando imporre vincoli deterministici.

In sintesi:

    • Usare modelli probabilistici per giudizio e interpretazione.
    • Usare strumenti deterministici per precisione e riproducibilità.

Lo stesso principio si applica a qualsiasi settore dove il costo di una risposta errata è elevato.

Dove si giocherà la differenziazione nel SaaS

La strato costruito sopra MCP è ancora meno stabilizzato della stessa norma. Sono emerse diverse strategie di plug‑in e skill, ma già si lavora per renderle più portabili tra piattaforme IA, evitando il lock‑in a un unico ecosistema.

Le aziende SaaS dovranno comunque prendere decisioni prima che emergano standard definitivi, come hanno sempre fatto. Una possibile via è esporre un’interfaccia generica e lasciare ai clienti il compito di assemblare l’esperienza.

L’IA seguirà probabilmente la stessa traiettoria: connettere un agente a un software d’impresa diventerà sempre più semplice, ma il vero vantaggio risiederà nei flussi di lavoro, nei controlli e nell’expertise di dominio che trasformano l’accesso in risultati affidabili.

Il contributo di Vrushali Paunikar

Vrushali Paunikar è direttrice di prodotto presso Carta, dove guida il team responsabile dello sviluppo di nuovi prodotti IA, del miglioramento delle soluzioni esistenti e della strategia IA dell’azienda. Il suo team crea strumenti IA per gestori di fondi, GP e società di portafoglio, rendendo la piattaforma Carta più intelligente e automatizzata in ogni fase del ciclo di vita del capitale privato.

Grazie al suo lavoro, Carta serve oltre 55 000 clienti nell’ecosistema venture‑capital e startup, contribuendo in modo significativo alla crescita complessiva dell’impresa.

Prima di ricoprire il ruolo attuale, Vrushali ha sviluppato l’attività di valutazione di Carta, portandola a margini comparabili a quelli dei tradizionali editori di software, ha fatto crescere la divisione venture‑capital da zero fino a superare gli 80 milioni di dollari di ARR, e ha immaginato la piattaforma di amministrazione che oggi è alla base del suo successo.