Pinterest ha misurato l’impatto del Model Context Protocol

Il protocollo open-source permette ai modelli di linguaggio di interagire con strumenti come database e sistemi di orchestrazione

66.000 invocazioni al mese, 844 utenti attivi, 7.000 ore risparmiate ogni trenta giorni. Sono i numeri che il team di ingegneria di Pinterest ha reso pubblici descrivendo l’adozione interna del Model Context Protocol — e sono numeri sufficienti a far smettere di parlare di MCP come di una curiosità accademica. Siamo di fronte a un protocollo che, in produzione e su scala aziendale, ha dimostrato di poter ridurre in modo misurabile il tempo che gli sviluppatori perdono a fare da collante tra strumenti, dati e modelli AI. Vale la pena capire come.

L’architettura MCP di Pinterest: server multipli e sicurezza dedicata

L’implementazione di Pinterest non è arrivata in un giorno. Nel corso dell’ultimo anno — si legge nel post del team engineering — l’azienda è passata dal considerare MCP una tecnologia interessante al mandare in produzione un insieme crescente di server MCP, un registro centralizzato e integrazioni attive negli IDE interni, nelle chat aziendali e negli agenti AI. La prima scelta progettuale rilevante è stata quella architetturale: un singolo server monolitico o tanti server specifici per dominio? Pinterest ha scelto la seconda opzione, costruendo server separati per strumenti come Presto, Spark e Airflow, ciascuno responsabile di un insieme coerente e delimitato di funzionalità. È una scelta tecnicamente più costosa da gestire — richiede un registro centralizzato che li tenga insieme — ma che paga in termini di manutenibilità, separazione delle responsabilità e scalabilità orizzontale.

Sul fronte della sicurezza, Pinterest ha definito uno standard dedicato per i server MCP, un dettaglio che merita attenzione. Integrare un protocollo che permette a un modello linguistico di invocare strumenti interni — query su database, esecuzione di job Spark, orchestrazione di pipeline Airflow — significa aprire una superficie di attacco non banale. Avere uno standard di sicurezza specifico, anziché appoggiarsi alle policy generali, è una scelta di ingegneria matura. I risultati misurati a gennaio 2025 — 66.000 invocazioni mensili tra 844 utenti attivi e un risparmio stimato nell’ordine delle 7.000 ore al mese — suggeriscono che l’investimento architetturale e di sicurezza ha pagato. Ma per capire perché un protocollo possa avere un impatto del genere, bisogna fare un passo indietro.

MCP: il protocollo che standardizza l’integrazione AI

Il Model Context Protocol è uno standard aperto e un framework open-source introdotto da Anthropic nel novembre 2024 con un obiettivo preciso: standardizzare il modo in cui i sistemi di intelligenza artificiale — in particolare i large language model — integrano e condividono dati con strumenti, sistemi e fonti dati esterni. Prima di MCP, ogni integrazione era un caso a sé: connettori custom, API proprietarie, wrapper scritti a mano per ogni coppia strumento-modello. Il risultato era una proliferazione di codice di glue difficile da testare, mantenere e riutilizzare.

Impatto sull’ecosistema e lezioni per chi costruisce software

Il contrasto con l’approccio pre-MCP è istruttivo. Prima, ogni team che voleva collegare un modello AI a un sistema interno doveva costruire e mantenere la propria integrazione: definire come autenticarsi, come passare il contesto, come gestire gli errori, come esporre le funzionalità in un formato che il modello potesse interpretare. Era lavoro di ingegneria ripetuto ogni volta, per ogni coppia sistema-modello. Con un server MCP, quel lavoro viene fatto una volta sola e diventa riutilizzabile da qualsiasi client compatibile. Le 7.000 ore mensili risparmiate da Pinterest non sono magia: sono il risultato diretto dell’eliminazione di quel codice duplicato e di quella frizione operativa.

Per chi costruisce software oggi, la lezione è tecnica prima che strategica. MCP non richiede di riprogettare i sistemi esistenti: richiede di aggiungere un layer di esposizione standardizzato sopra ciò che già esiste. Un’architettura a server multipli come quella scelta da Pinterest — server separati per Presto, Spark, Airflow, ciascuno con una responsabilità ben definita — mantiene i confini di dominio puliti e rende il sistema complessivo più testabile e più facile da evolvere. L’integrazione AI smette di essere un problema di glue code e diventa un problema di design dell’interfaccia. È uno spostamento sottile, ma cambia in modo sostanziale la qualità del codice che si finisce per scrivere e la velocità con cui si può iterare su nuovi strumenti AI nello stack.