MCP server: cos’è, come funziona e a cosa serve
Un MCP server è un software che espone dati e funzioni a un’applicazione AI attraverso il Model Context Protocol. Permette, per esempio, a ChatGPT o Claude di leggere informazioni da Search Console, interrogare un database o avviare un’operazione senza costruire un’integrazione diversa per ogni assistente.
A cura di Marco SalvoPubblicato il 25 agosto 2026Aggiornato il 26 agosto 202610 min di lettura
Un MCP server è un software che espone dati e funzioni a un’applicazione AI attraverso il Model Context Protocol. Permette, per esempio, a ChatGPT o Claude di leggere informazioni da Search Console, interrogare un database o avviare un’operazione senza costruire un’integrazione diversa per ogni assistente.
La definizione sembra tecnica, ma il problema che risolve è semplice. Un modello linguistico può ragionare su quello che gli scrivi e sui dati che riceve; non conosce automaticamente i documenti aggiornati della tua azienda e non può entrare nei tuoi strumenti soltanto perché glielo chiedi. Il server MCP crea un collegamento controllato fra l’applicazione AI e quelle fonti esterne.
Il punto da capire subito è questo: il server MCP non è l’intelligenza artificiale. Non decide da solo la strategia e non rende affidabile un dato sbagliato. Descrive ciò che è disponibile, riceve una richiesta e restituisce un risultato secondo permessi e regole definite.
Che cosa significa MCP
MCP significa Model Context Protocol ed è un protocollo aperto per standardizzare il modo in cui le applicazioni basate su modelli linguistici accedono a dati, strumenti e flussi esterni.
La documentazione ufficiale del Model Context Protocol usa un’architettura composta da host, client e server. L’host è l’applicazione in cui avviene l’esperienza, per esempio un assistente AI. Il client gestisce il collegamento con uno specifico server. Il server espone capacità circoscritte.
L’analogia più usata è quella dell’USB-C: uno standard comune permette di collegare dispositivi diversi senza inventare ogni volta una nuova presa. È utile, purché non venga presa troppo alla lettera. Un collegamento MCP trasporta istruzioni e dati e può autorizzare azioni con conseguenze reali; collegare un server richiede quindi più attenzione che inserire un cavo.
Utente → applicazione AI → client MCP → server MCP → fonte o servizio esterno
Come funziona un MCP server
Un MCP server dichiara le capacità disponibili in un formato che il client può comprendere. Quando l’utente formula una richiesta, il modello può scegliere uno strumento appropriato, compilare gli argomenti richiesti e sottoporre la chiamata al client. Il server verifica identità e permessi, esegue l’operazione e restituisce il risultato.
Supponiamo che tu chieda: “Quali pagine hanno perso più clic negli ultimi 28 giorni?”. Senza integrazione devi esportare Search Console, caricare un file e spiegare colonne e periodo. Con un server MCP progettato per quel caso, l’assistente può individuare l’operazione sulle performance, passare dominio e intervallo temporale e ricevere una risposta strutturata.
Il modello non entra direttamente in Search Console. Non riceve la password Google e non dovrebbe poter leggere dati di altri progetti. Chi sviluppa il server decide quali fonti interrogare, quali campi restituire e quali controlli applicare.
Tool, resource e prompt: le tre capacità principali
Un server MCP può offrire tool, resource e prompt. Non è obbligato a esporli tutti e la differenza riguarda soprattutto chi controlla l’interazione.
Capacità Che cosa rappresenta Esempio Controllo principale Tool Una funzione eseguibile Cercare query, creare un task, aggiornare un record Modello, con controlli del client Resource Un contenuto leggibile File, documentazione, record, cronologia Git Applicazione client Prompt Un modello di interazione predefinito Brief SEO o procedura guidata Utente
I tool sono la parte più visibile perché permettono all’assistente di fare qualcosa. La specifica ufficiale li descrive come funzioni individuabili dal modello, ciascuna con nome, descrizione e schema degli argomenti. Un tool può limitarsi a recuperare informazioni oppure modificare un sistema esterno.
Le resource forniscono contesto senza trasformare ogni lettura in un comando operativo. I prompt offrono invece strutture riutilizzabili che l’utente può scegliere per avviare un’attività. Nella pratica molti server iniziano dai tool, ma ridurre MCP a “function calling universale” fa perdere la parte relativa a risorse, negoziazione delle capacità e interoperabilità.
MCP server, API, plugin e RAG non sono la stessa cosa
Un MCP server spesso utilizza API, ma non è semplicemente un altro nome per API. L’API descrive come un software può comunicare con un servizio. MCP aggiunge un modo standard con cui un’applicazione AI scopre e usa capacità provenienti anche da servizi differenti.
Tecnologia Problema principale che risolve Chi la usa direttamente API Comunicazione fra applicazioni Codice scritto per quella API MCP server Accesso standardizzato dell’AI a dati e azioni Client compatibili con MCP Plugin o connettore proprietario Integrazione dentro uno specifico prodotto Utenti di quel prodotto RAG Recupero di contenuti per fondare una risposta Applicazione o pipeline AI
Il RAG può essere implementato dietro un tool MCP: l’assistente chiede una ricerca nella knowledge base e il server restituisce i documenti pertinenti. Ma MCP non impone che venga usato il RAG e il RAG non richiede MCP.
Anche un connettore può utilizzare MCP sotto il cofano. La differenza rilevante è la portabilità: se più client supportano lo stesso protocollo, il produttore del servizio può mantenere un server invece di costruire integrazioni completamente separate.
MCP locale e MCP remoto
Un server MCP locale gira sul computer dell’utente, mentre un server remoto è raggiungibile via rete. La scelta modifica installazione, autenticazione, disponibilità e superficie di rischio.
Un server locale è adatto quando deve lavorare su file, repository o strumenti presenti nella macchina. Può essere avviato da un client desktop attraverso un processo configurato localmente. È potente, ma deve avere accesso soltanto alle cartelle e ai comandi necessari.
Un server remoto è più adatto a un servizio SaaS o a dati condivisi fra dispositivi e team. Il client si collega a un endpoint e l’utente completa un flusso di autenticazione, spesso tramite OAuth. Aggiornamenti e logica restano sul servizio, senza chiedere a ogni utente di installare codice.
La specifica MCP continua a evolversi. La revisione pubblicata il 28 luglio 2026 ha semplificato le richieste remote eliminando la dipendenza da handshake e sessioni implicite e ha rafforzato aspetti di caching e autorizzazione. Per chi usa un prodotto la differenza può non essere visibile, ma per chi sviluppa un server è un motivo concreto per seguire la documentazione corrente invece di copiare configurazioni vecchie.
Un esempio reale: il server MCP di beknow
Il server MCP di beknow permette a un assistente di lavorare sul contesto SEO e sul patrimonio informativo di una workspace. È il caso reale che mi ha fatto capire perché un buon server non dovrebbe esporre il database alla cieca.
Nel codice attuale beknow presenta al client due strumenti principali: beknow_read e beknow_write. Dietro il primo ci sono 32 operazioni di lettura; dietro il secondo 19 operazioni di scrittura. Il numero non è una promessa commerciale: l’ho verificato direttamente nelle definizioni distribuite del server.
Le letture coprono, fra le altre cose, workspace, briefing, identità del brand, contenuti, sitemap, pagine, link interni, query e pagine Search Console, opportunità, ranking, prodotti, knowledge e WordPress. Le scritture permettono azioni come aggiornare il piano editoriale, gestire le ancore interne o pubblicare sul CMS quando l’utente lo richiede e conferma.
Ho preferito due ingressi di alto livello invece di mostrare al modello 51 tool separati. È una scelta di implementazione, non una regola del protocollo. Riduce il rumore nell’elenco degli strumenti, mentre ogni operazione conserva parametri e controlli specifici.
L’altro confine importante è la workspace. Ogni richiesta deve essere risolta sul sito o brand corretto e le query vengono eseguite con i permessi dell’utente. Un server MCP utile non dice soltanto “puoi leggere Search Console”: deve impedire che una richiesta legga la proprietà sbagliata.
Come Search Console arriva dentro ChatGPT o Claude
Search Console arriva nell’assistente attraverso una catena di autorizzazioni, non attraverso un collegamento diretto fra Google e il modello.
Prima colleghi la proprietà Google a beknow. Poi aggiungi il server MCP remoto di beknow al client compatibile. Quando chiedi un’analisi, il client seleziona lo strumento di lettura, il server identifica la workspace autorizzata e interroga i dati sincronizzati.
Ho documentato l’intera procedura, con schermate reali, nella guida su come collegare Search Console a ChatGPT e Claude tramite MCP. Questo articolo spiega il meccanismo; quello mostra l’implementazione concreta.
La differenza è utile anche per la keyword research. Nell’articolo sulla keyword research quando Google risponde già da solo sostengo che volume e lista di keyword non bastano più. Un server MCP può rendere disponibili query reali, pagine, sitemap e contenuti già esistenti nella stessa conversazione, riducendo il rischio di prendere decisioni su un CSV isolato.
Un MCP server è sicuro?
MCP non rende automaticamente sicuro un server. Il protocollo standardizza la comunicazione; sicurezza e affidabilità dipendono da server, client, autenticazione, autorizzazioni e interfaccia di consenso.
La specifica insiste sul controllo dell’utente: deve essere chiaro quali strumenti sono esposti, quando vengono invocati e quali dati vengono condivisi. Le operazioni con conseguenze dovrebbero prevedere conferme e limiti più forti rispetto alle letture.
Un controllo concreto consiste nel separare lettura e scrittura. Chiedere l’andamento dei clic non equivale a pubblicare una pagina. Anche fra le scritture esistono livelli diversi: aggiungere una nota reversibile non ha lo stesso rischio di inviare un messaggio, eliminare dati o effettuare un acquisto.
Verificherei inoltre chi gestisce il server, dove vengono trattati i dati, quali permessi richiede e come possono essere revocati. OpenAI ricorda nella propria documentazione che i server MCP remoti sono servizi di terze parti e che i dati inviati seguono anche le politiche di quel servizio.
Quando conviene costruire un MCP server
Conviene costruire un MCP server quando la stessa fonte o funzione deve essere utilizzata da più esperienze AI e quando le operazioni possono essere descritte con confini chiari.
Per un SaaS può diventare un’interfaccia agentica del prodotto: cercare account, recuperare metriche, creare bozze o aggiornare attività. Per un’azienda può offrire accesso controllato a knowledge base, catalogo, procedure e strumenti interni. Per un e-commerce può esporre disponibilità, specifiche e operazioni compatibili con i permessi concessi.
Non lo costruirei soltanto per aggiungere la sigla MCP alla pagina del prodotto. Se esiste un solo flusso interno, nessun client compatibile lo userà e un’API ben documentata risolve già il problema, il server aggiunge manutenzione senza un vantaggio concreto.
Il criterio corretto non è “posso collegarlo all’AI?”, ma “quale decisione o attività diventa più affidabile perché l’AI riceve dati aggiornati e strumenti limitati?”.
Come scegliere un MCP server
Un buon MCP server espone capacità comprensibili e proporzionate al compito. La descrizione di ogni tool deve spiegare cosa fa, quali parametri accetta e se modifica qualcosa. Risposte e errori devono essere abbastanza strutturati da non costringere il modello a indovinare.
Prima di collegarlo controllerei l’identità del fornitore, il metodo di autenticazione, la possibilità di revocare l’accesso e la distinzione fra permessi di lettura e scrittura. Eviterei server che chiedono credenziali globali quando basterebbe un’autorizzazione limitata.
Infine testerei richieste negative: cosa succede se nomino una workspace inesistente, passo un intervallo non valido o provo a usare un’azione non autorizzata? Il comportamento sugli errori racconta spesso più della demo riuscita.
Domande frequenti sugli MCP server
Cos’è un MCP server in parole semplici?
È un ponte standardizzato che permette a un’applicazione AI di scoprire e utilizzare dati o funzioni esterne secondo regole e permessi definiti.
A cosa serve un MCP server?
Serve a collegare assistenti AI a file, database, API e software. Può fornire contesto aggiornato, eseguire ricerche o avviare operazioni senza sviluppare un’integrazione proprietaria per ogni client.
Qual è la differenza tra MCP client e MCP server?
Il client mantiene il collegamento dal lato dell’applicazione AI e inoltra le richieste. Il server espone resource, prompt e tool e comunica con i sistemi esterni di cui è responsabile.
MCP funziona con ChatGPT e Claude?
Sì, entrambi dispongono di modalità per collegare server MCP, ma disponibilità, menu e permessi dipendono dal prodotto e dal piano. È opportuno consultare la documentazione aggiornata del client utilizzato.
Un MCP server può modificare i miei dati?
Può farlo soltanto se espone strumenti di scrittura e se l’autorizzazione concessa lo permette. Il client dovrebbe mostrare chiaramente l’azione e richiedere conferma per le operazioni con conseguenze.
MCP sostituisce le API?
No. Spesso il server MCP usa le API esistenti e le presenta a client AI attraverso un protocollo comune. L’API resta l’interfaccia del servizio; MCP standardizza il collegamento con l’ecosistema AI.
Se ricordi una sola cosa di questo articolo, ricorda questa: un MCP server non rende un modello onnisciente. Gli concede un insieme dichiarato di fonti e azioni. Il suo valore dipende meno dal numero di tool e più dalla qualità dei confini, dei dati e dei permessi.
Se vuoi trasformare dati e funzioni del tuo prodotto in strumenti utilizzabili in modo controllato dagli assistenti AI, scopri il mio servizio di sviluppo AI.