Nel panorama delle integrazioni software, le API (Application Programming Interface) sono da sempre le protagoniste indiscusse. Tuttavia negli ultimi mesi non si fa che parlare di Model Context Protocol, conosciuto maggiormente con l’acronimo  MCP.  Il protocollo MCP sta rapidamente affermandosi come standard universale di riferimento per integrare i grandi modelli linguistici (LLM) con dati e servizi esterni. 

Questo nuovo protocollo, progettato per collegare in modo diretto i modelli linguistici di grandi dimensioni (LLM) con servizi e dati esterni, ha sollevato una domanda lecita tra sviluppatori e architetti di sistema: le API “tradizionali” sono destinate a scomparire?

 La risposta è no. Anzi: con l’avvento di MCP, le API diventano ancora più strategiche.

Cos'è una API (e perché restano fondamentali)

Le API permettono a software e applicazioni di comunicare tra loro. Ogni volta che cerchi un percorso da un app come Google Maps, controlli il meteo, prenoti un volo o effettui un pagamento online, molto probabilmente stai utilizzando un’API.

Una API espone degli endpoint attraverso i quali un client può accedere a specifiche funzionalità. Ad esempio:

• GET /WW-top/{country}/{vatCode_companyNumber_taxCode_or_id} consente di accedere ad oltre 60 dati su imprese a livello globale a partire dal dato VAT Code, Codice Fiscale o id azienda
• POST /EU-QES_automatic permette invece di apporre firme qualificate su documenti in maniera massiva.

L'adozione delle API è capillare e continua a crescere grazie alla loro affidabilità, standardizzazione, documentazione chiara e facile riutilizzo. Sono la base di quasi ogni servizio digitale che usiamo quotidianamente.

Cos’è MCP e perché è rivoluzionario?

Il Protocollo MCP, di cui abbiamo parlato in un articolo precedente che ti invitiamo a leggere per maggiori dettagli,  è uno standard recente, sviluppato da Anthropic, che specifica come le aziende di IA possono collegare i loro modelli a dati, applicazioni SaaS, file, database e ad API. 

Lo scopo è semplificare e potenziare l’interazione tra LLM e risorse esterne, offrendo una cornice strutturata e modulare per la comunicazione.

L’aspetto più interessante è che la selezione dello strumento (tool) viene effettuata dinamicamente direttamente dall’LLM, in base all’input dell’utente e alle risorse disponibili. 

In parole semplici, MCP permette ai modelli AI di:

• scoprire dinamicamente gli strumenti a disposizione;
  
  
• selezionare in autonomia quelli rilevanti per il task in corso;
  
  
• interrogarli in modo contestuale, senza la necessità di chiamate esplicite da parte del client.

Ad esempio: se l’utente chiede al chatbot informazioni su un’azienda italiana, l’LLM sceglie il tool dedicato alle informazioni aziendali che ritiene opportuno — il tutto orchestrato tramite MCP.

Quali sono le differenze tra MCP e API?

 MCP e API REST possono apparire simili, poiché entrambi consentono di inviare richieste a servizi esterni, ma presentano differenze fondamentali.

1. Modalità di invocazione

Le API tradizionali (RESTful, SOAP, ecc.) richiedono chiamate HTTP esplicite (GET, POST...) e un’implementazione manuale da parte dello sviluppatore, che deve conoscere in anticipo la struttura dei dati, i parametri richiesti, i formati di risposta e la gestione degli errori. 

Con MCP, invece, il modello AI interagisce direttamente con un contesto strutturato che integra dati, strumenti e regole operative. Il protocollo è pensato per essere compreso da un LLM (Large Language Model), che decide autonomamente come e quando attivare uno strumento o accedere a una fonte dati. L’interazione diventa così più dinamica e intelligente, senza necessità di intervento manuale da parte di uno sviluppatore.

2. Controllo e orchestrazione (“chi decide?”)

API – Il controllo è affidato interamente al client: è lo sviluppatore o il sistema a stabilire quando e come utilizzare una determinata API. L’attivazione è esplicita e guidata da logiche predefinite.

MCP – È il modello AI a decidere se e quando consultare una fonte esterna, sulla base del contesto e dell’obiettivo dell’interazione. Quando riceve una richiesta, il modello valuta se ha già a disposizione le informazioni necessarie o se deve interrogare un servizio esterno (come un’API) per fornire una risposta pertinente e completa. MCP si adatta dinamicamente ai cambiamenti e aggiornamenti dei servizi del fornitore senza richiedere aggiornamenti del suo codice.

3. Gestione e modalità dell’Integrazione

API – Ogni API richiede un’integrazione dedicata, con codice personalizzato, documentazione da seguire, formati di risposta specifici, gestione individuale di chiavi d’accesso, limiti e errori.

MCP – L’integrazione avviene tramite una descrizione strutturata e condivisa in un unico contesto. Il modello è in grado di orchestrare centinaia di API diverse attraverso un’interfaccia comune, semplificando drasticamente il lavoro di integrazione e mantenimento.

4. Scalabilità e usabilità nei chatbot

API – Ogni nuova API comporta modifiche al codice del chatbot o dell’assistente, con conseguente carico di lavoro per lo sviluppo.

MCP – I nuovi strumenti possono essere aggiunti dinamicamente al contesto e il modello li riconosce e utilizza automaticamente, senza interventi sul codice. Questo rende MCP una soluzione particolarmente adatta a scenari in continua evoluzione, come i marketplace di API.

5. Tipologia di output

API – Forniscono output grezzi o strutturati (es. JSON, XML) che devono essere interpretati e formattati manualmente prima di essere restituiti all’utente finale.

MCP – Il modello AI è in grado di comprendere e utilizzare direttamente i dati ricevuti, integrandoli in risposte fluide e naturali, combinandoli con altre fonti e adattandoli al contesto dell’interazione.

MCP e API: due tecnologie complementari

In molti casi, le stesse API possono essere uno dei tool richiamati da un server MCP. Quindi non si tratta di scegliere tra MCP e API, ma di capire come possano lavorare insieme in modo complementare o quando preferirne una rispetto all’altra.

Da un lato, l’MCP fornisce ai modelli LLM un’interfaccia standard per “scoprire” e utilizzare strumenti tramite semplici prompt in linguaggio naturale. Dall’altro, questi strumenti – sono spesso proprio delle API.

Le API, quindi, non perdono centralità. Al contrario, diventano un elemento chiave nell’infrastruttura delle soluzioni AI moderne.

In sostanza, l’MCP funge da livello di astrazione che semplifica e uniforma l’accesso a strumenti complessi. Ma sono le API a fornire la base solida e funzionalità che consentono a MCP di completare alcuni task.

Conviene ancora usare richieste API dirette, senza MCP?

La risposta è si, ad esempio in queste situazioni potrebbe essere ancora utile privilegiare l’utilizzo di richieste tramite API:

• Quando si lavora con un numero limitato di strumenti.
  
  
• Quando si richiede controllo preciso su tipologia di output (es. dataset) e costi
  
  
• Quando si ha bisogno di tempi di risposta certi o di interfacciarsi con sistemi legacy.

Il futuro delle integrazioni AI sarà sempre più semplice, dinamico, scalabile.
Il Model Context Protocol rappresenta un passo importante in questa direzione. Lungi da sostituire le API, le valorizza e ne amplifica l’importanza in un mondo dove l’intelligenza artificiale diventa sempre più autonoma, ma ha ancora bisogno di accedere con facilità a strumenti e dati affidabili, sicuri e strutturati.