Due protocolli definiscono come gli agenti IA si collegano alle risorse interne e collaborano tra loro: il Model Context Protocol (MCP) e l’Agent2Agent (A2A). Il MCP è spesso citato come protocollo “generico” per connettere agenti IA a risorse, ma in realtà è l’A2A a rendere possibile l’orchestrazione tra più agenti.

Diffusione rapida e confusione di mercato

La confusione nasce dal fatto che le piattaforme hanno adottato rapidamente questi protocolli, promuovendoli come feature chiave. Chi sviluppa agenti IA con Claude, OpenAI, Microsoft Copilot e altri modelli si imbatte già nella personalizzazione di skill, connettori e plug‑in che sfruttano MCP e A2A.

Strumenti di vibe coding e di costruzione di app IA, come Bolt.new, Lovable, Pave, Replit e v0, si collegano a server MCP includendo connettori predefiniti. Anche editor di coding IA – Claude Code, Cursor, Devin Desktop, Gemini CLI, GitHub Copilot e Kiro – includono client MCP.

Impatto sul futuro delle imprese

Questi protocolli modelleranno il modo in cui le aziende scaleranno e gestiranno gli agenti IA. Gartner prevede che un’impresa Fortune 500 media gestirà più di 150 000 agenti IA nei prossimi due anni. Tuttavia, il Collibra 2026 Hallucination Tax Report indica che il 76 % delle organizzazioni ha incontrato ostacoli critici nel passaggio da progetti pilota a produzione completa negli ultimi 12 mesi.

Comprendere le differenze tra MCP e A2A

Scott Gerlach, co‑fondatore e chief security officer di StackHawk, utilizza una metafora domestica: “Se devi ristrutturare il bagno e chiami un idraulico per spostare il lavandino, lui userà gli strumenti del suo toolbox MCP. Quando arriva il momento di sistemare il cartongesso, dipingere e rimontare il mobile, lo stesso idraulico userà A2A per chiamare altri contractor specializzati.”

John Pettit, CTO di Promevo, aggiunge che MCP e A2A risolvono due sfide di integrazione totalmente diverse. “MCP è la porta USB sicura per un agente IA, un adattatore universale di energia per le imprese, che consente al modello di collegarsi in modo sicuro a file locali, database aziendali o SaaS senza dover scrivere middleware API personalizzato per ogni connessione. A2A è il protocollo di negoziazione, come un general contractor che gestisce una squadra di sub‑contractor agents.”

Le prospettive di Arpita Soni (IEEE)

Secondo Arpita Soni, membro senior dell’IEEE, i due protocolli operano su livelli diversi dello stack agentico. “MCP è la connessione verticale e standardizza come un singolo agente accede a strumenti, dati e API esterne, sostituendo il vecchio modello di integrazione ad hoc. A2A è la connessione orizzontale, standardizzando la scoperta, la negoziazione di capacità e il passaggio di compiti tra agenti indipendenti, a prescindere dal framework o dal fornitore.”

Strati necessari oltre i protocolli

Pur essendo protocolli fondamentali, MCP e A2A non bastano da soli per scalare gli agenti IA. È necessario aggiungere quattro livelli di capacità:

    • Identità e autorizzazione: definire identità, credenziali e limiti di accesso per ciascun agente.
    • Connessione al layer di contesto aziendale: integrazione con repository di conoscenza, grafi semantici e governance dei dati.
    • Riprogettazione dei processi aziendali: riallineare flussi di lavoro tradizionali per sfruttare agenti collaborativi.
    • Operazioni agentiche (agenticops): monitoraggio, logging, auditing e miglioramento continuo delle performance degli agenti.

Gestione di identità e autorizzazioni

MCP e A2A definiscono come gli agenti presentano credenziali, ma non stabiliscono chi sia autorizzato a usarle. Come afferma Kevin Paige, CISO di C1.ai, “MCP lega ogni token a un’audience singola, mentre A2A si ferma a AUTH_REQUIRED, lasciando al client il compito di ottenere la credenziale.”

Le organizzazioni devono definire politiche di governance per dati non strutturati, soprattutto per informazioni riservate, determinando quali agenti possono accedere a quali risorse, con quale granularità e in quali circostanze.

Andrew Hartnett, CTO di Bitwarden, sottolinea che entrambi i protocolli trasformano i workflow automatizzati in “identità non‑umane” (NHI) che richiedono una gestione dei segreti programmatica, privilegi minima e controlli umano‑in‑loop per azioni ad alto rischio.

Collegare gli agenti al layer di contesto

Un caso d’uso primario di MCP è la connessione al layer di contesto aziendale, che comprende repository di conoscenza (semantic layer) e grafi di entità aziendali. Per scalare, le imprese devono costruire un layer basato su fonti dati di alta qualità, governance non negoziabile e governance runtime dell’IA.

Durante il “Coffee With Digital Trailblazers”, evento LinkedIn Live, Felix Van de Maele, CEO di Collibra, ha evidenziato i costi nascosti dell’IA sicura: “La governance dell’IA ha due facce: input (contesto e semantica) e output (cosa l’agente fa e cosa può fare). Senza un accordo sul lessico aziendale, non si può fidare delle risposte dell’agente.”

Le prime esperienze con piattaforme di business intelligence mostrano che connessioni ODBC/JDBC sparse creano silos e debito tecnico. Gli agenti IA rischiano di accumulare “AI debt” se si replicano questi errori.

Data fabric e feedback loop

I data fabric costituiscono la base per un layer di contesto condiviso, ma è fondamentale migliorare la qualità della conoscenza e creare loop di feedback che collegano l’attività dell’agente alla validazione da parte di esperti.

Vivek Vaidya, co‑fondatore e CTO di Kana, avverte: “Se ogni agente parte da zero, più endpoint MCP o messaggi A2A accelerano il lavoro senza creare un sistema che apprende.” L’architettura durevole deve preservare contesto condiviso, storico decisionale e giudizio umano.

Bar​r Moses, co‑fondatore e CEO di Monte Carlo, aggiunge: “Utilizzare MCP e A2A in silos può aumentare la velocità di risposte errate.” James Oh, product lead di Outtake, sottolinea la necessità di meccanismi di fiducia per decidere quali strumenti e agenti delegare.

Riprogettazione dei processi aziendali

Molti agenti IA sono basati su task, facilitando il controllo degli accessi e il monitoraggio delle performance. Quando si aumenta il numero di agenti, le imprese devono valutare opportunità strategiche di riorganizzazione dei processi, sfruttando la collaborazione tra agenti per ottimizzare flussi tradizionali.

Questo implica:

    • Identificare attività ripetitive che possono essere delegati a catene di agenti.
    • Ridefinire i punti di controllo per includere verifiche umane nei passaggi critici.
    • Implementare metriche di performance specifiche per interazioni agent‑to‑agent.
    • Costruire un repository di pattern di orchestrazione riutilizzabili.

Operazioni agentiche (AgenticOps)

Il nuovo paradigma “AgenticOps” richiede strumenti di monitoraggio in tempo reale, tracing delle chiamate tra agenti, gestione delle versioni dei modelli e audit trail conformi a normative come GDPR e ISO 27001.

Le piattaforme emergenti offrono dashboard che visualizzano:

    • Flussi di dati tra MCP e A2A.
    • Eventi di autorizzazione falliti o sospetti.
    • Metriche di latency e consumo di risorse.
    • Feedback di esperti su risultati generati.

Queste informazioni consentono di intervenire rapidamente, limitare l’impatto di “hallucination” e migliorare la fiducia complessiva nel sistema.

Conclusioni

MCP e A2A sono fondamentali per la connettività degli agenti IA, ma da soli non garantiscono scalabilità né affidabilità. Le imprese devono costruire sopra questi protocolli strati di identità, governance, contesto condiviso e operazioni agentiche, oltre a riconsiderare i propri processi di business. Solo così potranno trasformare gli agenti IA da componenti sperimentali a risorse operative a livello enterprise.