MCP（Model Context Protocol）とは何か——AIを「外の世界」につなぐ新標準を若手エンジニア向けに解説

「つなぐ」ことの面倒くささが、AIの限界だった

ChatGPTやClaudeに「明日の会議のアジェンダを作って」とお願いすると、それらしい文章は返ってきます。しかし「うちのNotionにある先週の議事録を読んで、それをもとに作って」となると、とたんに話が複雑になります。AIはNotionに接続できないからです。

これまでのAIは、テキストを受け取り、テキストを返すという「閉じた箱」として機能してきました。どんなに賢くなっても、外の世界のデータにアクセスしたり、外のシステムを操作したりする手段が標準化されていなかった。それぞれのツールが独自のAPIを持っていて、AIと連携させるには毎回個別の実装が必要でした。

この課題を根本から解決しようとして2024年11月にAnthropicが公開したのが、MCP（Model Context Protocol）です。2026年3月時点で9,700万ダウンロードを突破し、OpenAI・Google・MicrosoftなどがこぞってMCP対応を表明するなど、事実上のAI接続標準として急速に普及しています。

MCPとは何か——「AIのためのUSB-C」

MCPを一言で表すなら、「AIが外部ツールやデータと通信するための共通規格」です。よく使われる比喩として「AIのためのUSB-C」という表現があります。USBが登場する以前、プリンターにはプリンター専用の端子、マウスにはマウス専用の端子が必要でした。USB-Cという共通規格が登場したことで、どのデバイスも同じポートで接続できるようになりました。

MCPはこれと同じ発想をAIと外部ツールの世界に持ち込んでいます。これまではAIにGitHubを読ませるにはGitHub専用の実装が必要で、SlackやNotion、データベースも同様でした。MCPという共通規格があれば、各ツールが「MCPサーバー」として実装するだけで、どのAIクライアントからも同じ方法で接続できます。

MCPは3つのコンポーネントで構成されています。MCPホストはClaudeやCursorなどAIを動かすアプリケーション自体です。MCPクライアントはホスト内でMCPサーバーとの通信を担う部分で、MCPサーバーは実際に外部ツールやデータへのアクセスを提供する軽量なプログラムです。ユーザーはMCPサーバーを設定することで、AIが利用できるツールを拡張できます。

なぜ今これほど注目されているのか

MCPへの注目が高まっている背景には、AIエージェントの台頭があります。従来の「質問して回答を得る」というAI利用から、「タスクを与えたらAIが自律的に実行する」というAIエージェントへの移行が進んでいます。エージェントが自律的に動くには、外部のシステムへアクセスし、情報を取得し、操作する能力が不可欠です。

MCPはその「能力の拡張」を標準化する仕組みです。特定のAIやツールに依存した実装をしなくてよくなるため、エコシステム全体が急速に成熟しています。2026年4月時点で5,800以上のMCPサーバーがコミュニティによって公開されており、GitHubリポジトリの読み込み、Slackへのメッセージ投稿、データベースへのクエリ、Webブラウジングなど、あらゆる操作がAIから可能になっています。

さらに2025年、MCPのガバナンスがAnthropicからLinux Foundationに移管されました。KubernetesやNode.jsと同様の中立的な管理体制に入ったことで、「特定企業の規格」ではなく「業界標準」としての地位が確立されつつあります。

MCPの3種類の機能

MCPサーバーが提供できる機能は大きく3種類に分かれます。

まずリソース（Resources）です。AIがアクセスできるデータやファイルを提供します。たとえばローカルのファイルシステム、データベースのレコード、APIから取得したドキュメントなどがこれにあたります。AIは必要に応じてリソースを参照し、コンテキストとして利用します。

次にツール（Tools）です。AIが実際に「操作」を行うための機能です。GitHubのPRにコメントを追加する、Slackにメッセージを送る、データベースを更新する、ターミナルでコマンドを実行するといった副作用を伴うアクションがツールとして定義されます。AIエージェントが自律的に仕事をこなすには、このツールの存在が不可欠です。

最後にプロンプト（Prompts）です。よく使う質問や分析のテンプレートを再利用可能な形で定義します。「コードレビューをするときは常にセキュリティ・パフォーマンス・可読性の3点を確認する」というようなルールをプロンプトとして定義しておくと、AIが一貫した形式で応答を返せるようになります。

機能	役割	具体例
リソース	外部データの参照・読み込み	ファイル、DB、APIレスポンス
ツール	外部システムへの操作・書き込み	PR作成、メッセージ送信、コマンド実行
プロンプト	再利用可能な指示テンプレート	コードレビュー手順、分析フォーマット

実際の使い方——まず試せる手順

MCPを試す最もシンプルな方法は、Claude DesktopにMCPサーバーを追加することです。設定ファイル（~/.claude/claude_desktop_config.json）を以下のように編集すると、ローカルのファイルシステムをClaudeが読み書きできるようになります。

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/yourname/Documents"
      ]
    }
  }
}

Claude Desktopを再起動すると、「Documentsフォルダにある〇〇というファイルを読んで要約して」という指示が通るようになります。Node.jsが必要ですが、コードを書く必要はありません。

GitHubと連携したい場合は以下の設定を追加します。

{
  "mcpServers": {
    "github": {
      "command": "mcp-server-github",
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxxx"
      }
    }
  }
}

この設定を入れると、「このリポジトリのPR一覧を見て、セキュリティ上の問題があるものを教えて」という自然言語の指示がそのまま通るようになります。あるスタートアップでは、このGitHub MCPを導入したことでPRレビューの初期チェック時間が平均45分から10分程度に短縮されたという報告があります。

自分でMCPサーバーを作る

既存のMCPサーバーでは足りない場合、自分で作ることもできます。Pythonで書く場合、fastmcpライブラリを使えばデコレータを付けるだけでツールとして登録できます。

from fastmcp import FastMCP

mcp = FastMCP("my-server")

@mcp.tool()
def get_sales_data(month: str) -> str:
    """指定した月の売上データを社内DBから取得する"""
    # ここに実際のDB取得ロジックを書く
    return f"{month}の売上: 1,234,567円"

if __name__ == "__main__":
    mcp.run()

このように、関数を定義してデコレータを付けるだけで、AIがその関数を「ツール」として呼び出せるようになります。社内の独自システムやレガシーAPIとAIをつなぐ架け橋として、自作MCPサーバーは非常に強力な手段です。

MCPとAPIは何が違うのか

「MCPって結局APIと同じじゃないの？」という疑問をよく耳にします。確かに似ていますが、目的と設計思想が異なります。

APIはシステム間の通信規格です。人間（またはプログラム）が「何を」「どう」呼び出すかを事前に設計し、実装します。一方MCPは、AIモデルが自律的に「どのツールを、どのタイミングで使うか」を判断することを前提に設計されています。AIが複数のツールを状況に応じて組み合わせながら使う、エージェント的な動き方に最適化されているのです。

また、APIは呼び出すたびに認証やエラーハンドリングを実装する必要がありますが、MCPはその辺りを標準化したプロトコルとして吸収しています。「AIが外部ツールを安全に、一貫した方法で使うための規格」という点が、従来のAPIと本質的に異なる部分です。

比較項目	従来のAPI連携	MCP
設計思想	人間が呼び出し方を設計	AIが自律的にツールを選択
接続コスト	ツールごとに個別実装が必要	一度MCP対応すれば複数AIから利用可能
標準化	なし（各ベンダー独自）	業界標準プロトコル（Linux Foundation管理）
用途	アプリ間の定型通信	AIエージェントの能力拡張

若手エンジニアが今すぐやるべきこと

MCPはまだ普及途上にありますが、すでに「MCP対応かどうか」がAIツール選定の判断軸として登場し始めています。エンジニアとしてこの流れを早めにキャッチアップしておくことは、確実に価値があります。

まず手を動かすなら、Claude DesktopにFilesystem MCPを追加して「自分のドキュメントフォルダを読ませる」体験をしてみてください。所要時間は10分程度です。次のステップとして、自分が日常業務で使っているツール（GitHub、Notion、Slackなど）のMCPサーバーを探して導入してみましょう。公式のMCP Servers一覧には多数の実装が公開されています。

さらに一歩進めたい人は、Pythonのfastmcpを使って小さなMCPサーバーを自作してみることをお勧めします。自社の社内APIやデータベースと接続する自作サーバーを作れれば、それ自体が業務改善の直接的な成果になります。

MCPは「AIを賢くする技術」ではありません。「AIを繋がらせる技術」です。どれほど賢いAIも、情報が届かなければ正しく動けません。MCPはその「届け方」を標準化するという、地味に見えて実は根本的な問題を解いています。この視点を持ってMCPを学ぶと、なぜこれほど急速に普及しているのかが腑に落ちるはずです。