Che cosa sono i server MCP? Partiamo da un'immagine. Un Large Language Model (LLM) è un cervello che capisce il linguaggio, ragiona e propone soluzioni: è il motore dei chatbot e degli assistenti AI che usiamo ogni giorno. Per molto tempo, però, questo cervello non aveva braccia. Poteva pensare, ma non agire sui sistemi in cui stanno i dati di un'azienda.
I server MCP sono le braccia. Se il modello linguistico è il cervello, il server MCP è il pezzo che gli permette di accedere a un database, interrogare un CRM, leggere un documento o inviare un comando a un gestionale. È questo passaggio che separa un chatbot che risponde da un agente AI che lavora, la stessa differenza tra chatbot e agenti AI di cui si parla tanto. In questa guida vediamo come funziona il Model Context Protocol, a che punto è oggi e come usarlo in azienda senza esporsi a rischi inutili.
Indice degli argomenti
- Che cosa sono i Server MCP
- A cosa servono
- Come funzionano i Server MCP
- Lo stato del protocollo MCP oggi
- Come cambia la user experience dei chatbot
- Use Case applicativi
- Sicurezza dei server MCP: rischi e buone pratiche
- Come implementare i Server MCP in azienda
- Conclusioni
- FAQ sui Server MCP
Che cosa sono i Server MCP
Un server MCP è un programma che mette a disposizione di un modello AI strumenti, dati e prompt attraverso il Model Context Protocol, lo standard aperto nato in Anthropic e oggi gestito dalla Linux Foundation.
Il protocollo è stato lanciato da Anthropic nel novembre 2024 per collegare in modo semplice e sicuro gli assistenti AI alle fonti di dati aziendali. Lo scopo è far lavorare i modelli che usiamo in Claude, ChatGPT o GitHub Copilot su dati reali e aggiornati, invece che solo su quello che hanno imparato durante l'addestramento.
Si può pensare al protocollo come a un interprete universale tra il chatbot e il resto del mondo digitale: database, API, CRM, knowledge base, ERP, sistemi di ticketing. Prima di MCP ogni collegamento tra un LLM e una fonte esterna andava costruito su misura, e ogni fornitore lo faceva a modo suo. Con uno standard comune, un connettore scritto una volta funziona con tutte le applicazioni che parlano MCP.
Il protocollo è stato pensato per:
- standardizzare i collegamenti tra AI e applicazioni;
- gestire richieste che dipendono dal contesto della conversazione;
- ridurre il lavoro di sviluppo e manutenzione delle integrazioni.
Alla base dell'architettura ci sono tre elementi:
- MCP Host → l'applicazione AI che l'utente usa (ad esempio Claude, ChatGPT o Visual Studio Code) e in cui gira il modello;
- MCP Client → il connettore dentro l'host che mantiene il collegamento con un singolo server MCP;
- MCP Server → il programma che espone al modello tool (azioni), risorse (dati) e prompt collegati alle fonti dati e alle applicazioni esterne.
A cosa servono
Un server MCP serve a far dialogare il modello linguistico con l'ambiente in cui lavora. Con il protocollo MCP un chatbot può:
- recuperare informazioni aggiornate da fonti esterne;
- eseguire azioni precise, come aprire un ticket, inviare un'email o interrogare un database;
- rispondere in base ai dati reali dell'azienda;
- fare tutto questo dentro i permessi che gli sono stati concessi.
Facciamo un esempio. Senza MCP un chatbot può spiegare la politica di reso, ma non sa a che punto è l'ordine di chi sta scrivendo, se un prodotto è disponibile a magazzino o cosa ha acquistato quel cliente l'anno scorso. Con MCP il bot legge questi dati e, se ha il permesso, li modifica: diventa un operatore digitale. È il passo che serve per creare agenti AI capaci di chiudere una pratica invece di rimandarla a un collega.
Come funzionano i Server MCP

Il modello linguistico sa ragionare e formulare risposte, ma da solo non può toccare i sistemi aziendali. Il server MCP fa da ponte: quando il modello ha bisogno di un dato o di un'azione, passa da lì. Il ciclo è questo:
- il server riceve la richiesta del modello;
- individua la fonte giusta (CRM, ERP, database, API interne);
- recupera o aggiorna le informazioni;
- restituisce al modello un contesto aggiornato, su cui costruire la risposta.
Rispetto alla RAG (Retrieval-Augmented Generation), che recupera porzioni di documenti già indicizzati, MCP lavora sui sistemi vivi: legge lo stato attuale di un ordine e può anche cambiarlo. Le due tecniche spesso convivono nello stesso agente. Il vantaggio dello standard è che ogni sistema si collega una volta sola, con un'unica regola per autenticazione e permessi, e il connettore resta valido anche se domani cambi modello o applicazione.
L'architettura del protocollo MCP in dettaglio
Per capire il funzionamento tecnico, seguiamo una richiesta reale:
- L'utente chiede al chatbot: "Qual è lo stato del mio ordine #12345?"
- L'LLM interpreta la richiesta e capisce che deve consultare il sistema ordini;
- Il client MCP inoltra la richiesta al server MCP competente;
- Il server MCP interroga il database ordini con le credenziali previste;
- i dati tornano all'LLM insieme al contesto necessario;
- L'LLM risponde: "Il tuo ordine #12345 è in spedizione, la consegna è prevista per domani."
Per l'utente è una normale conversazione che dura pochi secondi.
Lo stato del protocollo MCP oggi
In due anni MCP è passato da progetto di Anthropic a standard condiviso del settore. A dicembre 2025 Anthropic lo ha donato alla Agentic AI Foundation (AAIF), un fondo della Linux Foundation che oggi gestisce anche altri standard per gli agenti, come A2A e AGENTS.md. Lo ricorda il comunicato della Linux Foundation del 14 settembre 2026, lo stesso con cui la fondazione ha lanciato la MCPA, la prima certificazione ufficiale per chi progetta e sviluppa con MCP.
Il comunicato dà anche un'idea della diffusione del protocollo. Gli SDK ufficiali di Tier 1 si avvicinano a mezzo miliardo di download al mese, e gli SDK TypeScript e Python hanno superato ciascuno il miliardo di download totali. Le chiamate a tool MCP fatte dagli utenti di ChatGPT, ad agosto 2026, erano 98 volte quelle di gennaio. MCP oggi funziona in ChatGPT, in Claude, in Visual Studio Code con GitHub Copilot e in molti altri client: un server scritto una volta si può usare da tutti.
La specifica 2026-07-28
Il 28 luglio 2026 è uscita la nuova versione della specifica MCP. Le novità principali, elencate nel changelog ufficiale, sono queste:
- core stateless: spariscono le sessioni a livello di protocollo e l'handshake iniziale. Ogni richiesta porta con sé la versione e le capacità del client, quindi un server remoto si gestisce come un normale servizio HTTP;
- Multi Round-Trip Requests, che prendono il posto delle richieste che il server inviava al client (sampling, elicitation, roots);
- risultati cacheabili per le liste di tool e risorse;
- autorizzazione più rigida, con la validazione dell'emittente dei token e credenziali legate all'issuer;
- framework formale per le estensioni, con cui arrivano MCP Apps (interfacce interattive mostrate dentro la chat) e Tasks (operazioni lunghe che proseguono in background).
Per un'azienda il risultato pratico è che i server diventano più facili da scalare e da mettere in produzione. Chi ha già connettori costruiti sulle versioni precedenti ha il tempo di migrare: Roots, Sampling e Logging sono deprecati ma restano utilizzabili per almeno 12 mesi.
Come cambia la user experience dei chatbot
Per chi scrive al chatbot la differenza si sente subito, perché il bot smette di rispondere "non ho accesso a questa informazione". Con il protocollo MCP l'esperienza diventa:
- Più personalizzata: il bot legge i dati del CRM e le interazioni precedenti, e adatta tono e contenuto della risposta.
- Più pronta: il bot recupera da solo l'informazione che serve, invece di rimandare l'utente a un altro canale o a un operatore.
- Più affidabile: la risposta si basa sui dati letti al momento dai sistemi aziendali, e questo riduce le "allucinazioni" su ordini, prezzi o disponibilità.
- Più controllata: il protocollo prevede autenticazione e autorizzazione, quindi il bot vede solo i dati e le azioni che gli sono stati concessi.
In pratica il chatbot sa di cosa parla, perché legge i dati giusti nel momento in cui servono.
Use Case applicativi

Il protocollo mostra il suo valore quando lo si guarda dentro un processo concreto. Ecco cinque casi d'uso in cui collegare un LLM ai sistemi aziendali cambia il modo di lavorare.
1. Customer Care evoluto
Un chatbot collegato via MCP al CRM e al sistema ordini risponde ai clienti con i loro dati, aggiorna i ticket, avvisa gli operatori quando c'è un problema e propone una soluzione. È la base degli agenti AI per il customer care, che chiudono da soli le richieste ripetitive e lasciano alle persone i casi difficili.
Esempio pratico: un cliente chiede notizie di una spedizione in ritardo. Il chatbot interroga il sistema logistico tramite MCP, recupera lo stato del pacco, individua la causa del ritardo e propone un rimborso o una nuova spedizione prioritaria, entro le regole fissate dall'azienda.
2. Supporto operativo interno
Gli assistenti AI possono aiutare i dipendenti consultando ERP, inventari e knowledge base interne. Un agente AI può guidare il personale nella gestione degli ordini, nel controllo delle scorte o nella pianificazione delle attività, con meno errori e meno tempo perso a cercare informazioni sparse in tre gestionali diversi.
Esempio pratico: un operatore di magazzino chiede al chatbot se un prodotto è disponibile. Il bot interroga l'ERP e, se l'articolo è esaurito nel sito principale, indica i magazzini alternativi dove si trova.
3. Sales e marketing data-driven
Con l'accesso ai dati su clienti, campagne e vendite di prodotto, un agente può suggerire offerte di cross-selling e up-selling, preparare report su richiesta e avviare comunicazioni mirate. Il team commerciale ottiene in una domanda quello che prima richiedeva un'estrazione dal CRM e un foglio di calcolo.
Esempio pratico: un agente AI guarda gli acquisti recenti di un cliente nello storico CRM e propone prodotti complementari, per aumentare il valore medio del carrello.
4. Compliance e gestione documentale
In ambito legale e normativo, il protocollo permette agli assistenti AI di consultare policy interne, regolamenti e contratti. Possono rispondere a domande complesse, verificare la conformità di un processo e ridurre gli errori nelle attività più delicate, sempre con la supervisione di chi ne ha la responsabilità.
Esempio pratico: un ufficio legale usa un chatbot collegato via MCP all'archivio documentale. Il bot recupera clausole contrattuali, controlla se un processo rispetta il GDPR e prepara bozze di documenti standard in pochi secondi.
5. Innovazione continua e integrazione di nuovi strumenti
Con MCP aggiungere una fonte di dati o un'applicazione non obbliga a riprogettare il sistema. Il nuovo strumento si collega una volta e diventa disponibile agli agenti già in funzione, che allargano le proprie competenze un connettore alla volta.
Esempio pratico: un'azienda adotta un nuovo strumento di analytics e crea un server MCP dedicato. Da quel momento tutti i chatbot e gli agenti AI già operativi possono usarlo, senza riscrivere le integrazioni esistenti.
Sicurezza dei server MCP: rischi e buone pratiche
Collegare un modello linguistico ai sistemi aziendali vuol dire dargli accesso a dati e azioni reali, e quindi aprire nuovi rischi. Il report State of MCP in Software 2026 di Stacklok indica la sicurezza come primo ostacolo all'adozione: la cita il 64% dei responsabili tecnici intervistati. Lo stesso report rileva che quasi metà delle aziende software usa già MCP in produzione, ma solo il 19% lo ha esteso su larga scala.
I rischi di cui si parla di più sono due. Il tool poisoning si ha quando la descrizione di un tool contiene istruzioni nascoste: il modello le legge come parte del contesto e può compiere azioni che l'utente non ha chiesto. La prompt injection indiretta passa invece dai dati: un ticket, un'email o una pagina web letti dal connettore possono contenere testo scritto apposta per manipolare l'agente. Alla radice c'è lo stesso problema, cioè un agente che si fida di tutto quello che entra nel suo contesto.
Per ridurre il rischio servono poche regole, applicate con costanza:
- usa solo server sviluppati internamente o di fornitori noti, e rileggi le descrizioni dei tool prima di abilitarli;
- dai a ogni server i permessi minimi: un agente di customer care che legge lo stato degli ordini non deve poterli cancellare;
- chiedi la conferma dell'utente o di un operatore prima delle azioni che modificano dati o generano costi;
- gestisci gli accessi con l'identity provider aziendale. L'estensione Enterprise-Managed Authorization, stabile da giugno 2026, abilita i connettori per i dipendenti tramite single sign-on, senza un consenso OAuth separato per ogni applicazione. Okta è il primo identity provider supportato;
- registra le chiamate ai tool, così hai una traccia per il debug e per gli audit.
La roadmap pubblicata ad agosto 2026 mette l'identità degli agenti e la sicurezza enterprise tra le cinque priorità del progetto. L'obiettivo dichiarato dai maintainer è che i server riconoscano gli agenti con standard esistenti, al posto delle API key incollate a mano e dei token di lunga durata.
Come implementare i Server MCP in azienda
Il Model Context Protocol dà agli agenti AI un accesso standard e controllato ai sistemi aziendali. Per ottenere risultati, però, il progetto deve partire da un obiettivo preciso: rispondere prima ai clienti, alleggerire un reparto, avere dati commerciali a portata di domanda. Questi sono i passaggi che consigliamo.
Step 1: Mappare le fonti informative aziendali
Ogni organizzazione usa un insieme di strumenti: CRM, ERP, database, knowledge base, sistemi di ticketing, intranet. L'adozione di MCP è l'occasione per fare ordine nei flussi di dati, capire quali fonti contano di più e decidere quali informazioni devono essere accessibili agli assistenti AI e quali no.
Step 2: Coinvolgere le persone giuste
Un progetto MCP mette in contatto business e tecnologia, quindi va affrontato insieme da IT, operations, marketing e customer care. Chi lavora nei reparti sa quali domande arrivano ogni giorno e quali azioni ripetitive valgono la pena di essere automatizzate; l'IT sa quali sistemi possono essere esposti e con quali permessi.
Step 3: Scegliere partner e soluzioni affidabili
Piattaforme come Crafter.ai permettono di collegare agenti conversazionali e tool MCP senza sviluppare tutto da zero. Un partner specializzato riduce il rischio di un'integrazione fatta male e accompagna l'azienda dal disegno del progetto alla misurazione dei risultati.
Step 4: Definire le metriche di successo
Prima di partire conviene fissare KPI chiari: tempi di risposta del customer service, tasso di risoluzione al primo contatto, costi operativi, NPS. Serve anche una stima dei volumi: il nostro calcolatore del traffico di un agente AI aiuta a capire quante conversazioni dovrà gestire l'agente. Con questi numeri puoi misurare il ritorno del progetto e capire dove intervenire.
Step 5: Formare il team e iterare
Un'integrazione MCP non si chiude con il primo rilascio. Il team va formato sugli strumenti AI, i feedback degli utenti vanno raccolti e le configurazioni riviste a intervalli regolari: i tool usati poco si tolgono, quelli che mancano si aggiungono.
MCP in Crafter.ai
Su Crafter.ai il protocollo MCP si usa in due direzioni. Con gli MCP Tools il bot si collega a strumenti esterni: puoi costruire un tool personalizzato in modo visuale, senza scrivere codice, oppure collegare un server MCP HTTP già esistente. Per ogni tool decidi se è visibile all'agente e puoi limitarne l'uso con i tag. Il tutorial sugli MCP Tools mostra come collegare il chatbot a un database o a un'API.
Nell'altra direzione, Crafter.ai ha un proprio server MCP di authoring: con il tuo account puoi leggere e modificare la configurazione del bot in linguaggio naturale da Claude Code, Claude Desktop, GitHub Copilot, OpenCode o claude.ai. E se ti interessa il lato web, la pagina su WebMCP e agenti AI spiega come un sito può offrire i propri contenuti come tool agli agenti che navigano dal browser.
Conclusioni
I server MCP danno ai modelli linguistici l'accesso ai sistemi aziendali che finora mancava. Con uno standard aperto, gestito dalla Linux Foundation e supportato da ChatGPT, Claude e Copilot, i chatbot diventano parte attiva dei processi: leggono i dati, eseguono azioni e rispondono in base a quello che succede davvero in azienda.
Per un'azienda significa passare da chatbot che parlano ad agenti AI collegati ai propri strumenti, a patto di curare permessi, conferme e tracciamento delle chiamate fin dal primo giorno.
Se stai valutando come adottare il protocollo MCP nella tua organizzazione, Crafter.ai offre una piattaforma di agenti AI già pronta per collegarsi ai principali sistemi aziendali. Scrivi qui al team per una consulenza personalizzata.
FAQ sui Server MCP
Che cos'è un Server MCP?
È un programma che collega un modello AI ad applicazioni, API e database esterni usando il Model Context Protocol, lo standard aperto lanciato da Anthropic nel 2024. Fa da ponte tra l'intelligenza artificiale e i sistemi informativi dell'azienda.
Perché è importante per i chatbot?
Perché permette al bot di leggere dati aggiornati, compiere azioni concrete come aprire un ticket o modificare un ordine, e rispondere con le informazioni reali dell'azienda invece che solo con quello che ha imparato in addestramento.
MCP Server è compatibile con tutti i modelli AI?
MCP non dipende dal modello ma dall'applicazione che lo usa. Oggi lo supportano nativamente ChatGPT, Claude, Visual Studio Code con GitHub Copilot e molti altri client, e gli SDK ufficiali superano il miliardo di download totali per TypeScript e per Python.
Cosa cambia con la specifica MCP di luglio 2026?
La versione 2026-07-28 rende il protocollo stateless: niente più sessioni né handshake iniziale, quindi i server remoti si scalano come normali servizi web. Aggiunge anche un'autorizzazione più rigida e le estensioni MCP Apps e Tasks.
Che differenza c'è tra MCP e un'API?
Un'API è il servizio che fa il lavoro, per esempio il gestionale degli ordini. MCP è il modo standard con cui un agente AI scopre quali azioni sono disponibili e le richiama. Spesso un server MCP non fa altro che presentare al modello delle API già esistenti.
È difficile implementarlo?
Dipende da quanti sistemi vuoi collegare e da come sono fatti. Con una piattaforma che supporta già MCP, come Crafter.ai, colleghi un server esistente o costruisci un tool senza codice; il lavoro vero sta nel decidere dati e permessi.
Quali sono i vantaggi principali del protocollo MCP rispetto alle integrazioni tradizionali?
Con MCP ogni sistema si collega una volta sola e il connettore funziona con tutte le applicazioni compatibili. Questo vuol dire meno codice da scrivere e mantenere, e la libertà di cambiare modello AI senza rifare le integrazioni.
Il protocollo MCP è sicuro?
Il protocollo prevede autenticazione e autorizzazione, ma la sicurezza dipende da come lo implementi. Usa server MCP affidabili, dai a ogni tool i permessi minimi, chiedi una conferma prima delle azioni sensibili e registra ogni chiamata.





