Cos'è MCP nell'IA e negli LLM, e come lo utilizzano i modelli linguistici?

Ultimo aggiornamento: 9 settembre 2026

Come fa effettivamente un LLM a utilizzare MCP?

Un LLM utilizza MCP tramite un'applicazione host che gestisce il protocollo per conto del modello; il modello stesso vede solo una lista di descrizioni degli strumenti e i risultati delle chiamate che sceglie di effettuare. La specifica attuale, versione del protocollo 2026-07-28, definisce tale scambio in cinque livelli.

• Partecipanti: host, client, server - L'host MCP è l'applicazione AI (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Crea un client MCP per ogni server MCP a cui si collega, e ogni client mantiene una connessione dedicata. Il VS Code di un ingegnere di localizzazione potrebbe quindi eseguire tre client contemporaneamente: uno per il server di GitHub, uno per un server filesystem locale, uno per il server remoto di Smartling.
• Livello di trasporto: stdio o Streamable HTTP - I server locali vengono eseguiti come processi figlio e comunicano tramite input/output standard; i server remoti vengono eseguiti sull'infrastruttura del fornitore e accettano richieste HTTP POST con Server-Sent Events opzionali. La specifica raccomanda OAuth per i server remoti, motivo per cui Smartling ha spostato le nuove connessioni a un login tramite browser OAuth 2.1 il 3 agosto 2026 e perché le linee guida di OpenAI raccomandano OAuth con documenti di metadati ID client per i server connessi a ChatGPT.
• Livello dati: JSON-RPC 2.0 - Ogni messaggio è una richiesta, risposta o notifica JSON-RPC. Dalla versione 2026-07-28 il protocollo è stateless: non è previsto alcun handshake di inizializzazione, ogni richiesta contiene la versione del protocollo e le funzionalità del client in un campo _meta e i server devono implementare una singola chiamata server/discover che pubblicizzi le versioni e le funzionalità supportate.
• Elementi primitivi: strumenti, risorse, prompt, elicitazione - I server espongono tre elementi primitivi: strumenti (funzioni eseguibili), risorse (dati contestuali come un glossario o uno schema) e prompt (modelli riutilizzabili). Ciascuno dispone dei metodi */list e */get , oltre tools/call per l'esecuzione. I client espongono la funzionalità di elicitazione, che consente a un server di chiedere all'utente conferma o input mancanti prima di agire. Le funzionalità di campionamento, analisi delle radici e registrazione dei dati sono deprecate a partire dal 28/07/2026 e rimangono utilizzabili per un periodo minimo di dodici mesi.
• Il ciclo decisionale del modello - L'host recupera tools/list da ogni server connesso, unisce i risultati in un unico registro dello strumento e consegna quel registro al modello. Quando il modello emette una chiamata a uno strumento, l'host la instrada al client giusto, esegue tools/call, e aggiunge il contenuto restituito alla conversazione. La specifica chiede ai server di restituire gli strumenti in ordine deterministico specificamente affinché questo registro rimanga stabile e la cache prompt del LLM continui a essere attivata.

MCP per numeri

Come funziona una chiamata per uno strumento MCP, passo dopo passo?

Una singola richiesta di traduzione da parte di un assistente AI attraversa cinque fasi di protocollo, e comprenderli spiega la maggior parte di ciò che un agente connesso a MCP può e non può fare.

1. Scoperta - Il client MCP dell'host invia server/discover (o semplicemente la sua prima richiesta, poiché ogni richiesta porta la versione del protocollo in _meta) per scoprire quali primitive il server supporta e quali versioni accetta. Un disadattamento di versione restituisce un UnsupportedProtocolVersionError e il client riprova con una versione supportata reciprocamente.
2. Elenco degli strumenti - Il client chiama tools/list e riceve il nome, il titolo, la descrizione e lo schema JSON di ogni strumento inputSchema. Il server di Smartling, ad esempio, restituisce strumenti per la traduzione di testi, la consultazione di glossari e memorie di traduzione, il recupero di progetti e lavori, l'etichettatura di stringhe e l'autorizzazione dei lavori, ognuno con una descrizione che il modello legge per decidere quando utilizzarlo.
3. Selezione del modello - L'host unisce gli elenchi degli strumenti di ogni server connesso in un unico registro e lo passa all'LLM. Quando un utente digita "traduci questo in de-DE usando la traduzione automatica di Smartling e il Glossario di Marketing", il modello seleziona gli strumenti corrispondenti; il centro assistenza di Smartling specifica esplicitamente che, senza menzionare Smartling nel prompt, il modello solitamente ricorre a una traduzione generica.
4. Esecuzione e conferma - L'host invia tools/call con gli argomenti del modello. In genere, gli host mostrano all'utente ogni chiamata prima che venga eseguita (la documentazione di Smartling descrive la procedura di clic su Continua per ogni strumento), e l'API Responses di OpenAI espone lo stesso controllo di require_approval e allowed_tools nella definizione di uno strumento MCP. Se il server necessita di ulteriori informazioni, restituisce un risultato input_required e il client riprova con la risposta dell'utente.
5. Contestualizzazione del risultato : il server restituisce un array content (testo, contenuto strutturato o un collegamento a una risorsa) e l'host lo aggiunge alla conversazione in modo che il modello possa elaborarlo. I risultati di tools/list contengono un suggerimento di freschezza ttlMs in modo che l'host possa memorizzarli nella cache invece di rielencare gli strumenti a ogni turno.

Quali sono le applicazioni pratiche di MCP nei sistemi di intelligenza artificiale odierni?

• Agenti di codifica come Claude Code, OpenAI Codex, Cursor e Visual Studio Code leggono un repository tramite il server di GitHub e inviano file di risorse a una piattaforma di traduzione nella stessa sessione.
• Assistenti di chat aziendali che interrogano database interni e archivi di conoscenza tramite un server remoto con OAuth, invece che ogni team incolli i dati nella finestra di chat.
• Traduzione istantanea e in linea con il brand all'interno di uno strumento di intelligenza artificiale: il server di Smartling applica il glossario, la guida di stile e la memoria di traduzione del cliente tramite l'API di traduzione automatica, e i client compatibili con la shell possono tradurre file Word, PowerPoint e PDF tramite un link di caricamento che richiede solo 15 minuti.
• Strumenti di progettazione che agiscono su piattaforme esterne: Claude Code che genera un'app web da un progetto Figma è una delle applicazioni che il progetto MCP stesso cita, e l'agente di Figma si collega a server MCP remoti come connettori personalizzati (vedi come l'agente AI di Figma usa MCP per la localizzazione).
• Operazioni sull'account tramite prompt: recupero dei lavori di un progetto, aggiunta di tag alle stringhe o autorizzazione di un lavoro di traduzione tramite un'interfaccia di chat anziché accedendo alla dashboard.

Quando MCP non è la scelta giusta per l'integrazione?

• Pipeline deterministiche senza modello nel ciclo. Un job CI/CD che esegue il push di strings.json a ogni merge dovrebbe chiamare direttamente un'API REST o una CLI; MCP aggiunge un giudizio del modello su quale strumento chiamare, il che rappresenta un overhead quando la sequenza è fissa.
• Delegazione da agente a agente. La documentazione A2A è diretta riguardo alla divisione: MCP è per un agente che usa strumenti, A2A è per agenti che collaborano su compiti con stato multiplo tramite carte agenti pubblicate. Un agente del servizio clienti che affida un caso a un agente di fatturazione è territorio di A2A.
• Un lavoro che deve persistere in un sistema di registrazione. Il percorso MCP di Smartling restituisce output istantaneo di MT o LLM che non viene salvato nella memoria di traduzione e non passa attraverso alcun flusso di lavoro di revisione umano; il contenuto che deve inserire un lavoro di traduzione appartiene alla CLI di Smartling MCP, a un connettore o all'API.
• Ambienti solo chat che hanno già un'integrazione nativa. Un team che lavora interamente all'interno di ChatGPT può ottenere un'esperienza più completa dal plugin ChatGPT di Smartling, che copre la gestione del lavoro e la risoluzione delle problematiche di qualità oltre alla traduzione.

In che modo MCP si differenzia da un'API, dalla chiamata di funzioni, dai plugin di ChatGPT e da A2A?

MCP vs. API: qual è la differenza reale?
Un'API è l'interfaccia che un sistema espone agli sviluppatori; MCP è il protocollo che descrive tali interfacce a un modello linguistico. Un server MCP di solito avvolge un'API esistente (il server di Smartling chiama l'API MT di Smartling) e aggiunge ciò di cui un LLM ha bisogno e manca a un'API grezza: una descrizione in linguaggio naturale per ogni strumento, uno schema JSON per gli argomenti, uno standard tools/list per la discovery e un uniforme tools/call per l'esecuzione. Gli sviluppatori integrano ancora un'API scrivendo codice; un modello integra un server MCP leggendo la sua lista di strumenti.

MCP vs. chiamata di funzione: sono la stessa cosa?
No. La chiamata di funzione è una funzione del fornitore di modelli in cui lo sviluppatore definisce funzioni nella richiesta API ed esegue le chiamate restituite nel proprio codice. MCP standardizza la stessa idea tra i fornitori e sposta l'implementazione su un server che l'host richiede per te; L'API Responses di OpenAI rende visibile questa distinzione offrendo sia uno strumento funzionale sia uno strumento separato type: "mcp" che adotta un server_url. La descrizione stessa del progetto A2A dell'MCP come "simile alla chiamata di funzioni nei modelli di linguaggio grandi" cattura la relazione: stessa forma, ma portatile e scopertabile.

MCP vs. A2A: quale protocollo mi serve?
Usa MCP quando un agente ha bisogno di utilizzare uno strumento o leggere una risorsa; usa A2A quando due agenti autonomi devono scoprirsi a vicenda, negoziare e condividere un compito di lunga durata. La documentazione di A2A chiama MCP come strato verticale (da agente a strumento) e A2A come strato orizzontale (da agente a agente), e lo scenario di riferimento prevede che un agente meccanico usa MCP come scanner diagnostico mentre usa A2A per ordinare parti da un agente fornitore. La maggior parte dei sistemi di produzione utilizza entrambi.

MCP contro un plugin ChatGPT: un plugin è semplicemente MCP con un nome diverso?
Non dal lato dell'acquirente. Un plugin ChatGPT viene distribuito tramite la directory dei plugin di OpenAI e funziona solo all'interno di ChatGPT, mentre un server MCP viene aggiunto a qualsiasi host MCP tramite URL. La documentazione per sviluppatori di OpenAI descrive i server MCP remoti come un modo per alimentare un plugin, così che i due possano condividere l'impianto idraulico sottostante, ma rimangono prodotti separati con percorsi di installazione e scope separati. Smartling invia entrambi; il confronto è nella nostra guida al server MCP di Smartling.

MCP contro SDK di un fornitore: perché non utilizzare direttamente l'SDK?
Un SDK (Smartling pubblica Java, Python e Node.js SDK) è per sviluppatori che scrivono codice applicativo contro un unico fornitore. MCP serve a un LLM che sceglie azioni in runtime tra molti fornitori. Se è un essere umano che scrive l'integrazione, l'SDK è solitamente più veloce; se un modello decide cosa fare dopo, solo MCP gli fornisce le descrizioni e gli schemi per decidere bene.

Quali "altri protocolli di comunicazione dell'IA" sono effettivamente protocolli?
Solo MCP e A2A sono protocolli aperti, gestiti da una fondazione, con specifiche pubblicate e SDK multi-vendor. La chiamata di funzioni, i plugin e i connettori sono caratteristiche di prodotto della piattaforma di un singolo fornitore. Gli acquirenti che confrontano i "protocolli di intelligenza artificiale" dovrebbero chiedersi se il prodotto in questione abbia una specifica che chiunque possa implementare.

In che modo l'MCP influenza lo sviluppo degli agenti di IA e come lo applica Smartling?

MCP modella lo sviluppo degli agenti fissando il confine tra il modello e il mondo esterno a livello di protocollo, quindi gli agentbuilder smettono di scrivere codice di integrazione su misura e iniziano invece a prendere decisioni a livello di protocollo. La specifica 2026-07-28 mostra dove ora si trovano queste decisioni: un design senza stato significa che un agente può scalare orizzontalmente dietro un bilanciatore di carico senza affinità di sessione; tools/list l'ordinamento deterministico e ttlMs i suggerimenti di cache di cache permettono a un host di mantenere calda la cache dei prompt del modello attraverso i turni; l'estensione di compiti offre alle richieste di lunga durata un handle duraturo da interrogare invece di una chiamata bloccante; l'elicitation tramite richieste multi-round-trip offre a un server un modo standard per chiedere all'utente conferma prima di un'azione conseguente; e il passaggio della specifica di autorizzazione dalla Registrazione Dinamica del Client ai Documenti Metadata dell'ID Client spinge l'identità dell'agente verso modelli OAuth che le aziende già auditano. L'effetto pratico è che le capacità di un agente diventano una scelta di configurazione (quali server collegarsi, quali strumenti consentire, cosa richiedere l'approvazione) piuttosto che una base di codice.

Il server MCP di Smartling è un esempio concreto di come queste scelte vengano applicate alla localizzazione. Si tratta di un server HTTP Streamable remoto all'indirizzo mcp.smartling.com/mcp, elencato nella directory dei connettori di Claude, che autentica le nuove connessioni tramite un login del browser OAuth 2.1 e limita ogni strumento alle autorizzazioni Smartling dell'utente connesso, mentre gli strumenti a livello di account completo richiedono il ruolo di Proprietario dell'account. La sua gamma di strumenti offre a un agente la traduzione istantanea di testi tramite l'API MT di Smartling con l'applicazione del contesto di glossario, guida di stile e memoria di traduzione; la traduzione di file Word, PowerPoint e PDF su client compatibili con la shell come Claude Code e OpenAI Codex tramite un link di caricamento di 15 minuti; il recupero di glossari, guide di stile, memoria di traduzione, progetti, lavori e utenti; e azioni sull'account, tra cui l'aggiunta di tag alle stringhe, l'autorizzazione dei lavori e l'aggiunta di stringhe a un lavoro esistente. Gli host possono disabilitare i singoli strumenti, che è il modello allowed-tools in pratica. Poiché il server è configurato appositamente per la traduzione istantanea e l'accesso all'account principalmente in lettura, i contenuti che devono essere inseriti in un flusso di lavoro di traduzione utilizzano l'interfaccia a riga di comando MCP di Smartling o un connettore. Le istruzioni di configurazione per Claude Code, OpenAI Codex, Visual Studio Code, Cursor e Claude Desktop, nonché la checklist di valutazione, sono disponibili nella nostra guida al server MCP di Smartling per la traduzione automatica tramite IA.

Domande correlate

• Quali sono i diversi tipi di server MCP e quali sono importanti per un team di localizzazione?
• Cos'è il server MCP di Smartling per la traduzione AI e come funziona?
• Come puoi usare l'agente AI di Figma e l'MCP per gestire le traduzioni senza lasciare il file di design?
• Qual è il plugin di Smartling per ChatGPT e come funziona?