MCP e Claude: Guida Pratica per Connettere API Esterne

A marzo 2026 esistono oltre 5.000 MCP server pubblici. La maggior parte di chi usa Claude lo tratta ancora come un chatbot isolato: copia un testo, incolla una risposta, ricomincia. Non per mancanza di competenza: per mancanza di un percorso chiaro su cosa cambia nella pratica. Questo articolo colma quel gap. Dalla teoria alla prima query su un database aziendale, in 30 minuti.

Cosa cambia quando l’AI accede direttamente ai tuoi strumenti

Senza MCP, ragioni sui dati che porti tu al modello. Copi un’email, incolli un CSV, descrivi un problema a parole. L’AI risponde con precisione, ma il flusso rimane manuale e fragile: ogni cambio di dati richiede una nuova sessione, ogni aggiornamento richiede la tua intermediazione.

Con MCP il modello ha accesso diretto agli strumenti: interroga un database PostgreSQL, legge ticket aperti su GitHub Issues, cerca messaggi in Slack. Non hai più un assistente che aspetta i tuoi input. Hai un agente che opera sul tuo ecosistema reale.

La differenza in numeri: un workflow di analisi che richiedeva 45 minuti tra apertura tool, copia dati e formattazione output si riduce a una singola query in linguaggio naturale. Il collo di bottiglia non era il modello. Era l’architettura.

Il protocollo: 4 layer, un flusso deterministico

MCP segue un modello client-server. Il modello AI è il client. Il server MCP è il layer di traduzione tra le richieste del modello e le API esterne. Il flusso: Claude riceve un task, chiede al server quali tool sono disponibili, seleziona lo strumento corretto, passa i parametri strutturati, riceve il risultato e continua il ragionamento con dati reali.

Il trasporto standard per server locali è stdio: il modello lancia il processo del server e comunica via stdin/stdout. Latenza sotto i 5ms. Per server remoti esistono SSE e HTTP streamable, utili quando il server gira su cloud o dietro un’autenticazione OAuth.

Il punto architetturale chiave: non devi riscrivere le integrazioni ogni volta che aggiorni il modello AI. Il server MCP rimane stabile. Il modello cambia sopra. Questo è il valore del layer di astrazione: separa il contesto operativo dal modello cognitivo.

L’ecosistema a marzo 2026 conta oltre 5.000 server comunitari su GitHub. I principali provider cloud (AWS, GCP, Azure) hanno già MCP server ufficiali. Il mercato si sta standardizzando attorno a questo protocollo come layer di integrazione AI nativo.

I 3 server MCP che presidiano il 90% dei workflow aziendali

Tra migliaia di opzioni disponibili, tre server coprono la quasi totalità dei casi d’uso B2B tipici. Partire da questi tre significa avere subito un ecosistema operativo senza dispersione.

GitHub MCP Server: accesso completo a repository, issues, pull request e code search. Utile per team di sviluppo che vogliono analisi automatiche di bug report, proposte di fix basate sul codice esistente, o changelog generati automaticamente dai commit. Il server espone oltre 30 tool native, tra cui list_issues, create_pull_request e search_code.

PostgreSQL MCP Server: query SQL da linguaggio naturale. La domanda “Quanti contratti sono scaduti questo mese?” diventa una query eseguita direttamente sul CRM aziendale. Attenzione critica: in produzione, configurare sempre accesso in sola lettura. Il server non distingue tra ambienti e sbagliare i permessi significa esporre write access al modello.

Slack MCP Server: ricerca in canali e thread, invio messaggi programmati, sintesi di conversazioni recenti. Chiude il loop tra analisi AI e comunicazione interna senza uscire dal contesto operativo. Combinato con il database MCP, permette pipeline del tipo: analizza dati CRM, identifica account a rischio, notifica il commerciale di riferimento su Slack.

Questi tre server, combinati, coprono code review assistita, analisi dati aziendale e gestione comunicazioni. Il collo di bottiglia nella maggior parte delle PMI italiane non è la potenza del modello: è la frammentazione degli strumenti.

Configurazione step-by-step: dalla prima installazione alla prima query

Prerequisiti: Node.js 22 LTS, Claude Desktop o Claude Code 1.0+, npm 9+. Se lavori su macOS, verifica che il path di Node sia accessibile dall’ambiente in cui gira Claude Desktop. Su Windows, usare il terminale nativo con le variabili d’ambiente configurate correttamente.

Passo 1: installa il server via npm. Per GitHub il comando è: npm install -g @modelcontextprotocol/server-github. Per PostgreSQL: npm install -g @modelcontextprotocol/server-postgres. Entrambi i pacchetti sono ufficiali del Model Context Protocol e aggiornati attivamente.

Passo 2: apri il file di configurazione di Claude Desktop. Su macOS il percorso è: ~/Library/Application Support/Claude/claude_desktop_config.json. Aggiungi il blocco mcpServers con il comando del server, gli argomenti e le variabili d’ambiente necessarie (token API, stringa di connessione database). Il file è JSON standard: un errore di sintassi blocca il caricamento silenziosamente, senza messaggi di errore visibili.

Passo 3: riavvia Claude Desktop. Al riavvio, il client legge la configurazione e fa handshake con ogni server configurato. Se la connessione riesce, l’icona del tool compare nell’interfaccia, nella barra degli strumenti della chat.

Passo 4: verifica la connessione con una query diretta: 'Quali tool hai disponibili?' La risposta deve elencare le funzioni esposte dal server. Se la lista è vuota, controllare il path del server nel file di configurazione e i permessi del token API.

Passo 5: prima query operativa. Per GitHub: 'Elenca le issue aperte con label bug create negli ultimi 30 giorni.' Per il database: 'Quanti clienti attivi hanno acquistato nell’ultimo trimestre?' Il token deve avere i permessi minimi necessari. Best practice 2026: rotazione del token ogni 90 giorni, scope limitato al minimo indispensabile.

Dall’interrogazione all’automazione: il passo successivo

Usare MCP per rispondere a domande one-shot è il primo livello. Il secondo livello è costruire pipeline che girano in autonomia. Il salto non è tecnico: è architetturale.

Scenario concreto: un agente con accesso al database CRM e al canale Slack commerciale genera ogni lunedì mattina un briefing sulle opportunità prioritarie della settimana. Contratti in scadenza, deal fermi da 14 giorni o più, account senza touchpoint recenti. Il report arriva in Slack prima delle 8. Nessuna mano umana nel processo, nessun dato da copiare manualmente.

Secondo scenario: code review con contesto di business. Il modello ha accesso a GitHub via MCP e alle specifiche di prodotto su Notion via MCP. Quando analizza una PR, non legge solo il diff: verifica la coerenza con i requisiti documentati. Il feedback è più preciso perché il contesto è architetturalmente più ricco.

In entrambi i casi, il segnale/rumore migliora non perché il modello è più capace, ma perché l’architettura riduce la distanza tra il contesto reale e il layer cognitivo. MCP è infrastruttura, non feature.

Conclusione

MCP trasforma il modello da strumento di conversazione a componente operativo di un ecosistema. La configurazione base richiede 30 minuti. Il ROI si misura in ore di lavoro manuale eliminate ogni settimana: workflow che prima richiedevano intermediazione umana diventano pipeline autonome.

Il passo operativo adesso: identifica il collo di bottiglia più costoso nel tuo flusso di lavoro corrente. Cerca il server MCP corrispondente. Installa, configura, misura. La pipeline non si costruisce in un giorno: si costruisce un’integrazione alla volta.