Scalare un sistema AI che deve interagire con strumenti esterni è sempre stato un rompicapo architetturale. Ogni chiamata a un database, a un’API o a un’applicazione legacy si trascinava dietro uno stato di sessione, un’impronta che legava la richiesta a uno specifico istante server. Rompere questo vincolo significa poter distribuire il carico su decine di nodi senza preoccuparsi di «chi ha parlato con chi»: è esattamente quello che l’ultima versione del Model Context Protocol (MCP) promette di fare.

I manutentori principali del progetto, David Soria Parra e Den Delimarschi – entrambi in forze ad Anthropic – hanno annunciato che il nucleo del protocollo è ora interamente stateless. Le richieste non dipendono più da una sessione ancorata a una singola istanza. Nella pratica, questo toglie di mezzo uno dei colli di bottiglia più noti per chiunque abbia provato a mettere in produzione un LLM affiancato da tool: la necessità di sessioni «appiccicose» (sticky) che imbrigliano il traffico verso un server specifico, vanificando i meccanismi di bilanciamento del carico.

La scelta di Anthropic segnala una maturazione del protocollo verso un modello pensato per i carichi di lavoro enterprise. Non si tratta solo di un miglioramento incrementale: è un cambio di paradigma che allinea MCP alle architetture cloud-native, dove ogni componente gestisce il proprio stato in modo esterno – tipicamente su database condivisi o cache distribuite – e i servizi diventano effimeri, sostituibili, scalabili. Per chi gestisce infrastrutture on-premise, il vantaggio è duplice: da un lato si semplifica la configurazione dei cluster Kubernetes o Docker Swarm, che ora possono trattare gli agenti MCP come normali microservizi; dall’altro si riduce la superficie di guasto, perché qualsiasi nodo può gestire qualsiasi richiesta senza dover ricostruire un contesto precedente.

Questa evoluzione tocca anche il tema della sovranità dei dati. Le aziende che scelgono di non delegare a cloud esterni l’interazione con i propri sistemi – per vincoli GDPR, audit o strategia industriale – spesso si scontrano con la complessità di orchestrare sessioni distribuite su hardware proprio. Un protocollo stateless rende più economico e meno rischioso gestire internamente l’intero ciclo, perché non serve replicare costosi meccanismi di affinità o mantenere server dedicati a lunghi dialoghi. Di riflesso, l’adozione di MCP in contesti regolamentati potrebbe accelerare, spingendo fornitori e integratori a ripensare le architetture di default.

Sul piano competitivo, la mossa innalza l’asticella per le API proprietarie di chiamata a tool – quelle offerte direttamente dai provider di LLM come servizio – che spesso nascondono la complessità di stato dietro endpoint gestiti. Se un protocollo aperto raggiunge lo stesso livello di maturità operativa, il lock-in su singoli vendor si indebolisce. Non è un caso che l’aggiornamento arrivi in un momento in cui le discussioni sugli standard aperti per l’AI si fanno sempre più accese.

Certo, eliminare lo stato non è gratuito: va ripensata la gestione dell’autenticazione, dei permessi e di eventuali cache contestuali, che ora dovranno appoggiarsi a layer esterni. Ma è un costo architetturale che molte aziende sono disposte a pagare in cambio di scalabilità e resilienza. Per chi segue il deployment self-hosted, questo passaggio tecnico è forse il segnale più chiaro che l’infrastruttura per agenti AI sta diventando un pezzo di ingegneria industriale, non più solo un laboratorio sperimentale.