MCPとは？仕組みと使いどころ・企業が押さえる注意点【2026年版】

#LLM

公開日

2026.07.31

社内で生成AIを使う場面が、文章の要約や下書きづくりから、社内データや既存システムと連携して実際の作業を進める段階へと移りつつあります。この連携のやり方をめぐって、近ごろよく目にするのが「MCP」です。

何を指す言葉なのか、なぜいま注目されているのか、自社で使うときに何を確かめればよいのか。導入を検討する立場で押さえておきたい点を、順に見ていきます。

※デロイトトーマツミック経済研究所「LLM（大規模言語モデル）を自律的に連携させ非定型業務を自動化するAIエージェントソリューションサービスの市場動向 2025年度版
※富士キメラ総研「2026 生成AI／AIエージェントで飛躍するAI市場総調査」＜2024年度実績・サードパーティ対話型生成AIアプリケーション・ベンダーシェア＞

MCPとは何か

MCP（Model Context Protocol）は、AIと外部のツールやデータを接続するための、誰でも使える共通のルールです。AI開発企業のAnthropicが2024年11月に公開しました。

出典：Introducing the Model Context Protocol（Anthropic、2024年11月）

この作法に沿えば、AIが外部のシステムや情報にアクセスするときの手順がそろいます。共通の作法があることで、対話型のAIが社内のファイルやデータベース、業務ツールと同じやり方でつながれるようになります。

MCPの正式名称と読み方

MCPは「Model Context Protocol（モデル・コンテキスト・プロトコル）」の頭文字をとった略称で、日本語では「エムシーピー」と読みます。Protocol（プロトコル）はIT分野で、機器やソフトウェア同士がやり取りするための共通の決まりごとを指す言葉です。

MCPは誰でも使える共通ルールとして公開されており、特定の企業だけが使える仕組みではありません。仕様や開発キット（対応するソフトを作るための部品一式）は誰でも利用でき、対応するツールやサービスを各社が用意できます。

出典：Model Context Protocol（公式サイト）（Model Context Protocol）

MCPは「AI用のUSB-Cポート」とたとえられる

MCPは「AI用のUSB-Cポート」とたとえられることがあります。これはAnthropicの公式ドキュメントでも使われている説明です。

USB-Cが広がる前は、機器ごとに形の違うケーブルや端子が必要でした。共通規格がそろったことで、同じケーブルで多くの機器をつなげるようになりました。

MCPも同じ発想です。対応さえしていれば、AIアプリケーションと外部ツールを共通のつなぎ方で接続できます。

MCPの登場で何が変わるのか

従来は、AIに外部の機能を使わせるたびに、接続先ごとに個別の接続を開発する必要がありました。連携先が増えるほど、その実装と保守の手間も積み上がります。

MCPは、この接続のやり方を一つの標準にまとめます。一度MCPに対応すれば、MCPに対応した別のツールとも同じ方法でつながることができます。

AIに10種類の機能を持たせる場合、従来はそれぞれに合わせた接続を10通り用意していました。MCPなら、共通の作法に沿った窓口を介して、対応するツールをまとめて扱えます。

開発者の視点では、次のような変化が起こります。

連携先ごとの作り込み：個別開発から共通の標準へ
別アプリへの再利用：作った連携を使い回しやすくなる
連携の追加：対応済みのツールなら同じ手順で足せる

MCPが注目される背景

MCPが注目される背景には、AIがもともと抱えていた制約と、業界全体で共通の仕組みを求める動きがあります。ここではその流れを順に説明します。

AIだけでは外部と接続できない

生成AIは文章の作成や要約に強い一方で、単体では学習済みの知識の範囲でしか応答できません。最新の情報や、社内にしかないデータをそのまま扱えるわけではありません。

たとえば「今月の売上を教えて」と尋ねても、社内システムとつながっていなければ答えられません。そのためAIを実務で使うには、外部の情報源と接続する仕組みが必要でした。

同じように、社内規程やマニュアルのような自社固有の情報も、接続する手立てがなければ参照できません。AIの賢さとは別に、どこまでの情報に届くかが、実務での使いやすさを左右します。

連携先ごとに個別の開発が必要だった

MCPが登場する前は、AIと外部サービスを接続するたびに、接続先ごとの接続を用意するのが一般的でした。たとえば在庫管理、会計、メール配信のように、連携先が変わるたびに別々の実装が必要になります。

連携したいAIと、接続したいサービスの組み合わせが増えるほど、用意すべき接続の数も増えていきます。MCPはこの組み合わせの数を抑え、共通の窓口を一つ用意すれば済むようにします。

以下の図のように、接続したいAIが3種類、接続したいサービスが5種類あれば、個別方式では最大で15通りの接続を作ることになります。一方で共通の作法をそろえれば、それぞれが共通の窓口に合わせるだけで済み、用意する数を大きく減らせます。

APIとの違い

「MCPはAPIと何が違うのか」という疑問はよく聞かれます。違いを表にまとめました。

観点	API	MCP
対象	ソフトウェア同士の連携全般	AIと外部ツール・データの連携
接続のしかた	サービスごとに仕様が異なる	共通の作法にそろえる
連携の追加	接続先ごとに個別実装	対応済みなら同じやり方で追加

APIは、サービスを提供する側が「この形式で要求すれば、この結果を返す」と定める窓口です。便利な一方で、接続先ごとに仕様を調べて実装する必要がありました。

MCPは、その接続の作法をAI向けに共通化したものです。APIを置き換えるのではなく、APIの上に共通の層を重ねる位置づけになります。

なお、複数のサービスへの接続をまとめて提供する連携の基盤は、以前からありました。MCPは、その考え方をAIと外部ツールの間に持ち込み、共通の作法として広く使えるようにしたものといえます。

AIエージェントの登場とMCP

近年は、AIが指示に応えるだけでなく、複数の手順を自律的に進める「エージェント」と呼ばれる使い方が広がっています。エージェントが実際の作業をこなすには、外部のツールやデータへ安全につながる必要があります。

MCPは、この接続の部分を共通化する土台にあたります。エージェントが扱えるツールを増やすときも、MCPに対応していれば同じ方法で追加できます。

この使い方が広がるほど、接続のしかたがばらばらだと管理が難しくなります。共通の作法があれば、増えていくツールを一貫した方法で扱えます。

MCPはどのように動くのか

MCPは、AIアプリケーションと外部の機能を、決まった役割分担で接続する仕組みです。ここでは構造と、AIが使える機能、やり取りの流れを順に見ていきます。

MCPを動かす3つの役割

MCPは、次の3つの役割で成り立っています。利用者が直接触るアプリと、そのアプリに組み込まれた連絡係、外部機能の窓口という3者です。

ホスト：利用者が直接操作するAIアプリ（対話アプリやコードエディタなど）
クライアント：ホストに組み込まれ、サーバーとやり取りする連絡係
サーバー：外部のツールやデータへの窓口

ホストが全体を取りまとめ、クライアントがサーバーと一対一でつながる構成です。サーバーは特定の機能だけを受け持ち、必要なデータや操作を提供します。

一つのホストは、複数のクライアントを通じて複数のサーバーに同時につながれます。役割が分かれていることで、機能を足すときも該当するサーバーを追加するだけで済みます。

出典：Architecture（Model Context Protocol 仕様）（Model Context Protocol、2025年11月）

AIが使える3種類の機能

MCPのサーバーは、AIに対して主に3種類の機能を提供します。読み取れる情報、実行できる操作、定型のやり取りの3つです。

リソース：AIが読み取れるデータ（ファイルやデータベースの内容など）
ツール：AIが実行できる操作（検索、登録、送信など）
プロンプト：やり取りのひな型となる定型文

この3つがそろうことで、AIは情報を参照し、操作を実行し、決まった手順を再利用できます。単に文章を返すだけでなく、外部のシステムに働きかけられるようになります。

たとえば社内文書はリソース、検索や登録はツール、よく使う依頼文はプロンプトにあたります。AIはこれらを組み合わせて、調べてから実行するといった一連の流れを進められます。

出典：Introducing the Model Context Protocol（Anthropic、2024年11月）

リクエストが処理される流れ

実際のやり取りは、利用者の指示をホストが受け取るところから始まります。ホストはクライアントを通じて、適切なサーバーに必要な操作を依頼します。

わかりやすい例はカレンダーへの登録です。「明日の会議を午後3時に登録して」と頼むと、AIはカレンダーの窓口に登録を依頼し、結果を受け取って返します。やり取りは決まった形式でおこなわれ、手元の機能にもクラウド上の機能にも同じ方法でつながれます。

なお、サーバーは会話の全体を見られない設計です。やり取りの履歴はホスト側が持ち、各サーバーには必要な情報だけが渡されます。

出典：Architecture（Model Context Protocol 仕様）（Model Context Protocol、2025年11月）

手元で動かす場合とクラウドで動かす場合

MCPのサーバーは、手元のパソコンで動かすものと、クラウド上で動かすものの両方に対応しています。手元のサーバーは自分のパソコン内のファイルやアプリに、クラウド上のサーバーは社外サービスに接続するときに使います。どちらの場合も、扱い方の基本は変わりません。

社内で使うときは、どこに置いたサーバーに何を任せるかを決めておくことが大切です。手元とクラウドのどちらを使うかによって、必要な権限や管理方法も変わってきます。

エージェント同士を接続する規格との違い

MCPと混同されやすいものに、エージェント同士を接続するための規格があります。Googleが2025年に公開した「A2A（Agent2Agent）」もその一つです。

役割は分かれています。MCPはAIと外部ツールを接続する仕組みで、A2Aはエージェント同士が連携するための仕組みです。対象とする層が異なるため、用途に応じて使い分けられます。

MCPで外部ツールに接続し、A2Aでエージェント同士が連携する、という重ね方もできます。どちらもAIを実務で動かすための土台として整えられてきた仕組みです。

MCPでできることと広がる採用

MCPに対応すると、AIは情報を読み取るだけでなく、実際の作業まで担えるようになります。では、具体的に何ができ、対応はどこまで広がっているのか。業務での使いどころから順に見ていきます。

業務での活用イメージ

MCPを使うと、AIが社内のツールやデータと接続し、定型の作業を任せやすくなります。業務での使いどころの例を挙げます。

情報収集：社内の資料やメール、業務システムに分散した情報をAIが横断して集め、提案書の下調べを整理する
ナレッジ検索：問い合わせ内容に応じて社内マニュアルを探し、参照箇所を示しながら回答の素案を作る
開発支援：プロジェクトの状況やコードを参照しながら、修正案の作成や定型のコーディングを手伝う
定型操作：カレンダーへの予定登録やファイルの整理など、決まった手順の操作をAIが実行する

いずれも、AIが外部とつながって初めて成り立つ使い方です。接続の仕組みが共通化されることで、こうした連携を一つずつ作り込まずに済みます。また、どこまでをAIに任せ、どこから人が確認するかを決めておくと、安心して広げられます。

あらかじめ公開されているサーバー

MCPでは、よく使うサービスに接続するためのサーバーがあらかじめ公開されています。Anthropicは公開当初から、Google ドライブやSlack、GitHub、Postgresなどに対応するサーバーを用意していました。

出典：Introducing the Model Context Protocol（Anthropic、2024年11月）

公開から1年の時点で、利用できる公開サーバーは1万を超えています。開発者は、こうした部品を組み合わせて、自社向けの連携を素早く用意できます。

公開されているものは公式の一覧（レジストリ）から探せるようになっており、用途に合うものを選べます。開発者向けのツールから大企業での導入向けまで幅広くそろい、開発キットの月間ダウンロード数は9,700万件を超えています。

出典：Donating the Model Context Protocol and establishing the Agentic AI Foundation（Anthropic、2025年12月）

主要なAIサービスへの広がり

MCPは、Anthropic以外の主要なサービスにも対応が広がりました。Anthropicの公式発表によると、ChatGPTやCursor、Gemini、Microsoft Copilot、Visual Studio Codeなどが対応しています。

OpenAIは2025年に、自社の製品群でMCPに対応すると表明しました。クラウド基盤でも、AWSやGoogle Cloud、Microsoft Azureが導入を支える環境を整えています。

出典：Donating the Model Context Protocol and establishing the Agentic AI Foundation（Anthropic、2025年12月）

対応はチャット型のサービスだけでなく、コードエディタや開発ツールにも及んでいます。競合する立場の企業まで同じ作法を採ったことで、当面は業界の共通基盤として使われていく見通しです。

中立的な標準に向けた動き

2025年12月、AnthropicはMCPをLinux Foundation傘下の「Agentic AI Foundation」へ寄贈しました。この組織は、AnthropicとBlock、OpenAIが共同で設立し、Google、Microsoft、AWSなどが支援しています。

出典：Donating the Model Context Protocol and establishing the Agentic AI Foundation（Anthropic、2025年12月）

特定の企業に依存しない運営に移したことで、長く使える標準として位置づけやすくなりました。導入を検討する企業にとっては、採用先の継続性を見通しやすくなります。

この組織には、MCPに加えてBlockやOpenAIが公開した関連の仕組みも集まっています。複数の企業が共同で運営することで、一社の方針に左右されにくい体制が整えられています。

MCPに対応したエージェントツールを、社内データの活用や運用管理と組み合わせて使いたい場合は、対応済みのサービスを選ぶ方法もあります。当社が提供する「エクサベース AI」は、MCPで実装したAIエージェントツールに対応します。法人での利用を前提に、管理者が利用状況を把握できる仕組みや、禁止ワードを登録できる仕組みも備えています。

出典：エクサウィザーズ「RAGエージェント」提供開始（エクサウィザーズ、2025年6月）／「exaBase 生成AI」RAGの無料提供を開始（エクサウィザーズ、2024年12月）

サービスの詳細は、エクサベース AIのサービスページからご確認いただけます。

企業がMCPを使う前に押さえる注意点

MCPはAIが外部のシステムを直接動かせるようにする仕組みです。その分、企業が使う際には安全面の検討が必要になります。ここでは導入前に押さえておきたい論点をまとめます。

セキュリティ上の主な論点

MCPの仕様自体も、強力な機能には相応の注意が必要だと明記しています。とくに、AIが実行できる操作は外部のコードを動かすことに等しく、慎重な扱いが求められます。

仕様では、AIに操作を実行させる前に、利用者の明示的な同意を得るべきだとしています。また、外部から渡される機能の説明文は、信頼できる発行元のものでない限りそのまま信用しないよう求めています。

出典：Specification（Model Context Protocol）（Model Context Protocol、2025年11月）

企業が押さえておきたい主な論点は次のとおりです。

操作の実行：AIが外部の操作を実行できるため、想定外の動作を防ぐ仕組みが要る
不正な指示の混入：外部から渡される説明文に、AIを誤誘導する指示が紛れ込む恐れがある
認証情報の扱い：接続のための認証情報が漏れないよう管理する必要がある
窓口の信頼性：誰が用意したか分からない窓口を、そのままつながない

仕様で強化された安全対策とその範囲

MCPの仕様は更新を重ね、安全面の対策が加わってきました。2025年には、接続のたびに認証を確認し、許可された範囲だけにアクセスを限定する仕組みが取り入れられています。

ただし、仕様だけで安全が保証されるわけではありません。利用者の同意を求める画面や、操作を許可するかどうかの判断は、AIアプリ側が実装する前提になっています。

出典：Specification（Model Context Protocol）（Model Context Protocol、2025年11月）

つまり、安全に使えるかどうかは、接続する側のAIアプリと、運用する企業側の体制に左右されます。仕様への対応状況を確認したうえで、自社の管理の仕組みと組み合わせて整えることが現実的です。

権限管理と利用ログの重要性

企業で使ううえでは、誰がどのデータにアクセスできるかを制御できることが重要です。部署や役職に応じて、AIが参照できる範囲を分けられると、扱ってよい情報の線引きを保てます。

あわせて、誰がいつどの操作をしたかを記録するログも役立ちます。問題が起きたときにたどれる状態にしておくことで、運用の安心につながります。

こうした権限の管理やログは、接続の仕組みであるMCPそのものではなく、利用するサービスや運用の側で用意する部分です。誰がどのデータに触れられるかを設計しておくことが、安心して広げる前提になります。

接続することと安全に使い続けることの違い

MCPはあくまで、接続するための共通の作法です。接続すること自体と、社内で安全に使い続けられることは、別の問題として考える必要があります。

実際、試験的に動かせても、本番の運用に移せないという声もあります。認証や権限、ログ、そして使われ続けるための定着の工夫まで含めて整えることで、はじめて業務で使える状態になります。

とくに社内データを扱う場合は、閲覧してよい人とそうでない人の線引きや、誤った回答が広まらないようにする工夫も必要です。接続した後にこうした運用をどう設計するかで、実務で使えるかどうかが変わってきます。

ここで紹介した活用例は、うまくいった事例である点には留意が必要です。チャット型のツールは導入後に利用率が下がりやすく、使われ続ける工夫があって初めて成果につながります。

自社で進めるときの確認ステップ

自社で取り入れるときは、いきなり広げず、段階を踏むと無理がありません。次の順序が一例です。

小さく試す：限られた業務と少量のデータで、効果と使い勝手を確かめる
権限を設計する：部署や役職に応じて、AIが触れられるデータの範囲を決める
ログで確認する：誰がどの操作をしたかを記録し、定期的に内容を見直す
定着させる：使い方や成功例を社内で共有し、続けて使われる状態にする

最初から完璧を目指さず、試して確かめながら範囲を広げると、つまずきを減らせます。試した結果は、続けるか広げるかを判断する材料としても役立ちます。

汎用的な接続だけでは足りない部分を埋めるエクサベース AIという選択肢

MCPで接続する仕組みがそろっても、企業で安全に使い続けるには、認証や権限、ログ、定着といった部分を自分たちで整える必要があります。当社が提供する「エクサベース AI」は、こうした部分をまとめて備えたサービスです。

※2026年7月時点

ここまでに挙げた要件と、当社のサービスでできることを対応させると次のようになります。

求められること	汎用的な接続だけの場合	エクサベース AIでできること
外部ツールとの連携	個別に用意する必要がある	MCPで実装したエージェントツールに対応
データの取り扱い	仕組みを別途用意する	自社独自のデータと連携したRAG（社内データをAIの回答に活用する仕組み）の構築と運用に対応
利用状況の把握	自前で計測する	管理者が利用状況を把握し禁止ワードも登録できる
使い続ける支援	体制づくりが課題	課題の特定から定着まで当社が伴走