MCP（Model Context Protocol）とは？仕組みとできること

MCP（Model Context Protocol）とは、AIアプリケーションと外部のツールやデータソースをつなぐための、オープンな共通規格です。 Anthropicが2024年11月に公開し、2025年にOpenAIやGoogleも採用したことで、AI連携の事実上の業界標準になりました。

MCPとは何か

LLMは、それ単体では学習した知識の範囲でしか答えられません。社内のデータベースを検索する、チャットツールにメッセージを送る、といった実作業には、外部システムとの接続が必要です。

MCPが登場する前は、この接続をAIアプリごと、ツールごとに個別に作る必要がありました。 AIアプリがM種類、つなぎたいツールがN種類あれば、M×N通りの連携を実装することになります。

MCPは、この接続方法を1つの規格に統一します。ツールの側は「MCPサーバ」を1つ作れば、MCPに対応したAIアプリすべてから使えます。 AIアプリの側は、公開されている多数のMCPサーバをそのまま利用できます。周辺機器を1つの端子で挿せるようにした規格になぞらえて、「AIにとってのUSB-C」と紹介されることが多い仕組みです。

公開から1年あまりで、対応は主要なAIアプリのほぼすべてに広がりました。 Claude、ChatGPT、GitHub Copilot、Cursor、Gemini系のツールがそれぞれMCP接続をサポートし、公開されているMCPサーバはディレクトリサイトに数千件の規模で登録されています。リモート接続の認証にはOAuthベースの仕組みが整備され、社外のSaaSと社内システムを同じ規格でつなげるようになったことが、企業利用が実用段階に入った背景です。

仕組み

MCPは3つの登場人物で構成されます。

ホスト：ユーザーが使うAIアプリケーション本体。Claude、Claude Code、各種IDEなどです
MCPクライアント：ホストに組み込まれ、サーバとの通信を担う部品です
MCPサーバ：ツールやデータソースの側に立ち、機能をAIに提供するプログラムです

サーバがAIに提供できるものは、主に3種類あります。

ツール：AIが実行できる操作（データベース検索、メッセージ送信、ファイル操作など）
リソース：AIが読めるデータ（ファイル、ドキュメント、レコードなど）
プロンプト：定型作業のための指示テンプレート

AIエージェントの文脈では、MCPは「エージェントに手足を増やすための標準的な接続口」として機能します。社内システムのMCPサーバを1つ用意すれば、チャットのClaudeからも開発中のClaude Codeからも、同じように社内データを扱えるようになります。

Function Callingとの関係

似た文脈で出てくるFunction Calling（Tool Use）とは、混同されやすい関係にあります。 Function Callingは、LLMが「このツールをこの引数で実行したい」と構造化した形式で出力するための、モデル側の機能です。 MCPは、そのツールをどう定義し、どう見つけ、どう接続するかを、アプリケーションの外側で標準化した規格です。 Function Callingが手の動かし方だとすれば、MCPは道具箱の規格にあたります。両者は競合せず、MCPで接続したツールも、最終的にはFunction Callingの仕組みで呼び出されます。

導入の方法

使う側の導入は、対応アプリの設定にサーバを登録するだけです。サーバには、手元のマシンでプロセスとして動かすローカル型と、URLを指定して接続するリモート型があります。 GitHub、Slack、Notion、主要データベース、ブラウザ操作など、広く使われるサービスには公式または定番のサーバがすでにあるため、まずは既製サーバの組み合わせで足ります。

自社システムをつなぐ場合は、サーバを自作します。公式SDK（TypeScriptやPythonなど）を使うと、既存の社内APIを包む形で小さく実装できます。実装そのものは薄く済むことが多く、時間を使うべきは、どの操作をAIに開放するか、どの権限で動かすかという設計の方です。

実務での使いどころと注意点

使いどころの典型は、社内情報との接続です。データベース、社内Wiki、チケット管理、監視ツールをMCPサーバ経由でつなぐと、「本番のエラーログを調べて関連チケットを起票する」といった複数システムをまたぐ作業をAIに任せられるようになります。開発以外でも、CRMから顧客情報を引いて提案資料の下書きを作らせるなど、社内データを前提にした生成が同じ仕組みで実現できます。

エージェントを自社開発するチームには、設計上の利点もあります。ツール連携を自前の実装で抱え込まず、MCPサーバとして切り出しておけば、接続部分が規格化されているため、AIアプリやモデルを乗り換えても連携資産をそのまま持ち運べます。

注意点は、セキュリティに集中しています。

サーバの出所を確認する：MCPサーバは誰でも公開できるため、素性の不明なサーバを導入することは、外部のプログラムに社内データへの入口を渡すことと同じです。公式提供か自社製のサーバから始めます
権限を絞る：接続に使うアカウントは読み取り専用にする、操作できる範囲を限定するなど、最小権限で設計します
プロンプトインジェクションを想定する：MCP経由で取り込んだ外部データの中に悪意ある指示が紛れ込み、AIがそれに従ってしまう攻撃があります。取り返しのつかない操作の前に人間の承認を挟む設計が有効な備えになります
操作の記録を残す：AIがどのサーバのどのツールをいつ実行したかのログを保全し、事故時に追跡できるようにします

AI導入の進め方をどう変えたか

MCP以前の「社内データを使うAI」は、チャットボットや検索システムを個別に開発する案件でした。接続もUIも作り込みになるため、初期費用が大きく、モデルの進化のたびに改修が必要でした。

MCPの普及後は、既製のAIアプリに社内システムを接続するだけで足りる場面が増えています。投資の形が「AIアプリを作る」から「AIにつなぐものを整える」へ動き、初期費用の中心は、接続するデータの整備と権限設計に移りました。 AI導入を検討する際は、個別開発の見積もりを取る前に、既製アプリとMCP接続で要件を満たせないかを確認する価値があります。

接続の規格が標準化されたことで、「技術的につなげるか」は問題ではなくなりました。これからの論点は、「何をどこまでつなぐか」という権限設計に移っています。