Si apre in una nuova scheda
AI

Con gli MCP Claude smette di rispondere e inizia a lavorare

C'è una differenza che sembra piccola e invece ribalta il modo di lavorare: un conto è un'intelligenza artificiale che ti dice cosa fare, un altro è un'intelligenza artificiale che lo fa dentro i tuoi sistemi. Nel primo caso resti tu l'esecutore: copi, incolli, esporti, reimporti. Nel secondo il modello legge e scrive direttamente dove stanno…

Illustrazione di un assistente AI collegato tramite MCP Claude a sito web, grafici di analytics e archivio dati aziendali

C’è una differenza che sembra piccola e invece ribalta il modo di lavorare: un conto è un’intelligenza artificiale che ti dice cosa fare, un altro è un’intelligenza artificiale che lo fa dentro i tuoi sistemi. Nel primo caso resti tu l’esecutore: copi, incolli, esporti, reimporti. Nel secondo il modello legge e scrive direttamente dove stanno i dati e gli strumenti. Il ponte che rende possibile la seconda cosa si chiama Model Context Protocol.

Non è una funzione di marketing, è uno standard aperto per collegare un’applicazione di AI a dati, strumenti e flussi di lavoro esterni. Detta così sembra una questione tecnica da addetti ai lavori. In realtà cambia chi fa cosa dentro un’azienda.

Il copia-incolla era il vero collo di bottiglia

Prova a ripercorrere una qualunque attività di analisi fatta con l’AI nell’ultimo anno. Apri il pannello di statistiche, filtri il periodo, esporti un foglio di calcolo, lo ripulisci, lo incolli in chat, spieghi al modello cosa rappresentano le colonne, ottieni un ragionamento, lo copi in un documento. Il lavoro intellettuale vero è la parte più breve di tutta la sequenza. Il resto è movimentazione di dati fatta a mano.

Quel contorno non è un fastidio estetico, è il motivo per cui molte analisi non si fanno. Se per rispondere a una domanda serve una lunga preparazione, la domanda non la poni. Ti accontenti della sensazione, o del report mensile che guardi distrattamente. L’attrito operativo decide quali domande un’azienda si permette di farsi.

Quando il modello accede direttamente alla fonte, quell’attrito sparisce. Non perché l’AI sia diventata più intelligente, è esattamente lo stesso modello, ma perché può andarsi a prendere ciò che le serve, incrociare due fonti diverse e tornare con una risposta che contiene già i numeri. La differenza non è di qualità del ragionamento: è di frequenza con cui quel ragionamento viene attivato.

Che cos’è davvero un MCP, senza giri di parole

Model Context Protocol è un protocollo: una grammatica condivisa che permette a un’applicazione di AI di parlare con sistemi esterni in modo prevedibile. Al posto di un’integrazione costruita su misura per ogni singolo strumento, c’è un modo standard di dichiarare “questi sono i dati che espongo, queste sono le azioni che si possono fare su di me”.

La parte che si installa o si configura si chiama server MCP: è il pezzo che sta davanti a un sistema (un sito, un archivio documenti, una piattaforma di statistiche) e lo rende interrogabile dal modello. Un server espone tipicamente due cose: la lettura dei dati e l’esecuzione di azioni. La prima è innocua, la seconda è quella che cambia il mestiere.

Su questa distinzione voglio insistere, perché è la stessa che separa un’AI consultiva da un’AI operativa. In sola lettura stai costruendo un cruscotto conversazionale: chiedi, ottieni risposte fondate su dati veri. In scrittura stai delegando un’esecuzione: il modello modifica qualcosa che esiste e che domani qualcuno userà. Sono due livelli di fiducia completamente diversi e andrebbero trattati come tali.

Tre esempi concreti, per capire cosa succede nella pratica

Le spiegazioni astratte sui protocolli annoiano giustamente chiunque abbia un’azienda da mandare avanti. Meglio guardare cosa succede quando il collegamento c’è.

L’analisi SEO che si fa chiedendo

Collegando Claude ai dati di ricerca tramite DataForSEO, a Google Search Console e a Google Analytics, le analisi di posizionamento smettono di essere un lavoro di esportazione e diventano una conversazione. Si chiede quali pagine hanno perso impressioni rispetto al trimestre precedente, si chiede quali query portano traffico senza avere una pagina dedicata, si chiede di incrociare i dati di ricerca con quelli di comportamento sul sito.

Il punto interessante non è la risposta singola: è che si può proseguire. “Adesso guarda solo le pagine di categoria”, “escludi il traffico di brand”, “confronta con l’anno scorso nello stesso periodo”. Ogni affinamento costerebbe un nuovo export. Qui costa una frase. Chi lavora sul posizionamento dei contenuti per le ricerche generative sa quanto conti poter iterare velocemente su ipotesi diverse.

Le pagine web costruite senza uscire dal builder

Collegando Claude al costruttore di pagine di WordPress tramite un server MCP dedicato a Elementor, le pagine si costruiscono dialogando e restano modificabili dal builder. È la differenza tra ricevere un blocco di codice da incollare, che poi nessuno in azienda sa più toccare, e ottenere una struttura che il responsabile marketing può aggiustare da solo il giorno dopo.

Questo aspetto è sottovalutato e invece pesa parecchio. Un’automazione che produce un risultato ingestibile dalle persone che lavorano in azienda non è un guadagno, è debito tecnico travestito da velocità. La stessa logica vale per l’intero processo di costruzione di un sito con l’AI: conta dove si ferma la macchina e dove riprende l’umano.

Il contesto aziendale che non va rispiegato ogni volta

Il terzo esempio riguarda la memoria. Un modello collegato a un archivio di documenti aziendali non deve ricevere ogni volta la spiegazione di chi sei, cosa vendi e come parli. La va a prendere. È il passaggio da assistente generico a strumento che conosce il contesto, e si lega direttamente al lavoro sulla memoria persistente dei modelli e sui contenitori di conoscenza aziendale.

Quello che cambia davvero non è la velocità

La promessa commerciale di qualunque automazione è il risparmio di tempo. È vera, ma è la parte meno interessante. Quando il modello lavora dentro i sistemi succedono tre cose più profonde.

  • Cambiano le domande che ci si pone. Con l’attrito a zero si verificano ipotesi che prima restavano sospese. Molte si rivelano sbagliate quasi subito, ed è un buon risultato: averle scartate in fretta vale più che averle ignorate.
  • Si sposta il confine della delega. Non deleghi più “scrivimi un testo”, deleghi “controlla, confronta, proponi, poi fammi vedere”. Il controllo si sposta a valle, sulla revisione, invece di stare a monte sull’istruzione.
  • Emergono i dati sporchi. Finché le analisi le faceva un umano, le incongruenze venivano compensate silenziosamente. Un modello che legge direttamente le fonti le espone. È scomodo e utile insieme.

C’è un quarto effetto, meno piacevole: diventa evidente quali processi aziendali esistono solo a parole. Se nessuno sa dire con precisione dove stanno i dati dei contatti o chi aggiorna il listino, un collegamento MCP non risolve nulla, rende solo visibile un disordine che c’era già. Vale lo stesso principio di cui ho scritto parlando di cultura digitale nelle PMI: lo strumento amplifica l’organizzazione che trova, non la crea.

La regola che viene fuori dall’uso: backup prima della scrittura

Dalla pratica è emersa una regola semplice, e la considero non negoziabile: quando l’AI può scrivere su un sistema vero, si lavora con un backup fatto prima. Non dopo, non “quando ci ricordiamo”. Prima.

Non è pessimismo tecnologico. Un modello può interpretare male un’istruzione ambigua esattamente come la interpreterebbe male un collaboratore nuovo al primo giorno, con la differenza che esegue in pochi secondi e su tutte le righe invece che su una. Il rischio non è la malizia, è la velocità applicata a un fraintendimento.

Accanto al backup, altri tre accorgimenti che si rivelano utili nell’uso quotidiano:

  1. Parti sempre in sola lettura. Per le prime settimane su un sistema nuovo, nessun permesso di scrittura. Serve a capire se il modello interpreta correttamente la struttura dei dati prima di lasciargliela toccare.
  2. Un sistema alla volta. Collegare cinque strumenti insieme al primo tentativo rende impossibile capire da dove arriva un comportamento strano. Si aggiunge, si verifica, si consolida.
  3. Ambiente di prova dove esiste. Per i siti è prassi normale avere una copia di sviluppo. Se c’è, è lì che si fanno gli esperimenti di scrittura.

C’è poi l’aspetto di governo interno. Se i collegamenti li configura un singolo e nessuno sa quali permessi siano attivi, stai costruendo una forma di AI ombra con i privilegi di un amministratore. Un elenco scritto di cosa è collegato, con quali permessi e chi può usarlo, è il minimo sindacale.

Dove conviene iniziare, e dove no

La domanda pratica è sempre la stessa: da cosa parto. La risposta che do è di partire dalla lettura, su un sistema di cui esistono già dati puliti e una domanda ricorrente senza risposta rapida. Tipicamente sono le statistiche: traffico, posizionamento, comportamento sulle pagine. Rischio basso, beneficio immediato, zero possibilità di rompere qualcosa.

Dove conviene andarci piano è sui sistemi che contengono dati di clienti e sui processi contabili o contrattuali. Non perché il protocollo sia inadatto, ma perché il costo di un errore è sproporzionato rispetto al tempo risparmiato. Un’analisi sbagliata la correggi, un’anagrafica clienti sovrascritta ti blocca per giorni. Qui entrano in gioco anche gli obblighi sul trattamento dei dati personali, che non cambiano per il fatto che a operare sia un modello.

Poi c’è una valutazione onesta da fare: non tutto ha bisogno di un collegamento. Un’attività che si fa due volte l’anno non giustifica un’integrazione da mantenere. La domanda da porsi è se il processo è ricorrente e se la lentezza attuale impedisce decisioni. Se la risposta è no a entrambe, il copia-incolla va benissimo. La stessa logica di scelta vale quando si decide quale approccio usare per costruire un’automazione.

Domande frequenti

Che cos’è il Model Context Protocol in parole semplici?

È uno standard aperto che permette a un’applicazione di intelligenza artificiale di collegarsi a dati, strumenti e flussi di lavoro esterni usando un linguaggio comune. In pratica consente al modello di leggere informazioni da un sistema aziendale ed eventualmente di eseguirvi azioni, senza che qualcuno debba fare da tramite con esportazioni e copia-incolla manuali.

Serve saper programmare per usare gli MCP con Claude?

Per l’uso quotidiano no: una volta configurato il collegamento, si lavora conversando normalmente. La configurazione iniziale richiede però competenze tecniche, soprattutto nella gestione dei permessi e delle credenziali di accesso ai sistemi. In azienda è un’attività da affidare a chi conosce l’infrastruttura, non da improvvisare.

Qual è la differenza tra un MCP e un’integrazione tradizionale?

Un’integrazione tradizionale collega due sistemi specifici con regole fisse decise in partenza. Un server MCP espone invece dati e azioni in modo standard, e il modello decide volta per volta cosa serve in base alla richiesta. Il primo approccio è più prevedibile, il secondo molto più flessibile ma richiede più attenzione sui permessi.

È rischioso dare a un modello il permesso di scrivere sui sistemi aziendali?

Dipende da quali sistemi e con quali limiti. Il rischio concreto non è l’intenzione, è l’esecuzione rapida di un’istruzione fraintesa. Per questo la pratica sensata è partire in sola lettura, attivare la scrittura un sistema alla volta, lavorare su ambienti di prova dove esistono e avere sempre un backup fatto prima di ogni operazione.

Da quale collegamento conviene partire in una PMI?

Dalle fonti di dati che già usi per decidere e che oggi consulti con fatica: statistiche del sito, dati di posizionamento, archivio documenti interni. Sono collegamenti in sola lettura, non possono danneggiare nulla e restituiscono valore subito. I sistemi che contengono dati di clienti o movimenti contabili vengono molto dopo, e con regole scritte.

Un cambio di ruolo, più che di strumento

La vera transizione non è tecnologica, è organizzativa. Finché l’AI risponde, l’azienda resta l’esecutore e il modello è un consulente rapido. Quando l’AI opera dentro i sistemi, l’azienda diventa il supervisore e deve attrezzarsi di conseguenza: permessi chiari, backup, un elenco di cosa è collegato, qualcuno che controlla il risultato prima che diventi definitivo.

Se vuoi iniziare, scegli una sola domanda che ti poni spesso e a cui oggi rispondi male per mancanza di tempo. Collega la fonte di dati che serve per rispondere, in sola lettura. Usala per due settimane. Se dopo due settimane quella domanda te la poni più spesso di prima, hai capito a cosa servono davvero gli MCP, e puoi decidere con cognizione se andare oltre.

Questo articolo è stato redatto con l’assistenza di strumenti di intelligenza artificiale. Fonti, dati e citazioni sono stati verificati e il testo è stato rivisto e validato dalla redazione prima della pubblicazione. Anche l’immagine è stata generata con l’intelligenza artificiale.

Hai un progetto simile?

Parliamone 30 minuti.
Zero impegno.

Scrivimi cosa vuoi ottenere. Se posso farlo bene ti rispondo in giornata — altrimenti ti indirizzo a chi lo fa meglio di me.