Model Context Protocolとは？重要な理由を解説
- 公開日
- 最終更新日
聴くこの記事を聴く
Model Context Protocol（MCP）は、大規模言語モデル（LLM）がデータソースやその他の外部システムに接続できるようにするオープン標準です。AIエージェントは、リアルタイムのデータソースから情報を取得したり、外部ツールで操作したりするために、一貫した方法でサードパーティの情報へアクセスできます。
この記事では、Model Context Protocolの概要、歴史、そしてAIシステムの普及と成功において中心的な存在となった理由を解説します。下の動画では、ElevenLabs Host MCPの仕組みもご覧いただけます。
概要
- Model Context Protocolは、LLMを外部世界とつなぎ、学習データだけでは得られないリソースを提供します。
- MCPでは、ハードコードされた従来のAPIとは異なり、AIエージェントが実行時に接続済みサーバーのツールを検出できます。
- MCPは、変化し続けるAIモデルごとに外部システムへの固有の接続が必要になるMxN問題を解決します。MCPは、こうしたすべてのシステムの共通翻訳機として機能します。
- ElevenLabsのようなAIプラットフォームは、MCPサーバーとクライアントの両方として動作し、オンデマンドでリソースを提供したり、他サービスのアクションをオーケストレーションしたりできます。
- AIエージェントは、複数のMCP呼び出しを連鎖させることで、ユーザーとの会話中でも複雑なワークフローを実行できます。
Model Context Protocol（MCP）とは？
プロトコルとは、異なるコンピューターシステムがやり取りするために使う、共通の言語のようなものです。MCPは、AIエージェントが外部ソースから情報を取得したり、外部ツールやシステムを使ってアクションを実行したりできるようにするプロトコルです。
大規模言語モデル（LLM）は、自然言語で対話できる強力なツールです。そのため、企業と一般消費者の両方で爆発的に普及しました。しかし、実際の環境で使われる機会が増えるにつれ、2つの大きな制約が明らかになりました。
- LLMの世界に対する理解は、開発者が学習データを収集した時点で固定されています。
- モデルには、外部世界や他のコンピューターシステムとやり取りするネイティブな手段がありません。
LLMには、自然言語で対話できる人工知能（AI）エージェントを作れるという期待がありました。しかし、この2つの動的な機能を持たず、モデルの学習データだけに制限されたAIエージェントの用途は限られます。
Anthropicは、Model Context Protocolを開発しました。これはLLMと外部システム間の通信を標準化するためです。2024年11月にオープン標準として公開され、主要なLLM開発者の多くがすぐに採用しました。その後Anthropicは、この標準をAgentic AI Foundationに寄贈しました（2025年）。
MCPにより、大規模言語モデルは外部データソースに接続し、学習データを補完して、より正確で文脈に沿った最新の回答を提供できます。LLMを活用したAIエージェントは、承認済みの外部ツールにアクセスして自律的にアクションを実行することもできます。
たとえば、エージェントに「来週火曜日の空き時間をカレンダーで確認して、候補の打ち合わせ時間を添えて業者に連絡して」と指示できます。エージェントはMCP経由でカレンダーサーバーを確認し、結果を取り込んだ後、MCP経由でメールサーバーにアクセスして指定されたメッセージを送信します。
Model Context Protocolはどのように機能する？
Model Context Protocolの開発は、ツール呼び出しや関数呼び出しといった先行概念を基盤としています。これらは、LLMが外部システムによってAPI経由で処理されるサービスリクエストスキーマを出力できるようにするものです。しかし、こうした方法ではLLMと外部システムごとにカスタム接続が必要でした。
MCPは、外部システムとのデータ送受信のために、標準化された双方向通信モデルを構築します。
AIエージェントが起動すると、接続されているすべてのMCPサーバーに対して、利用可能なデータソースと機能のカタログを照会します。そして、そのカタログをLLMのコンテキストウィンドウに渡します。これは、現在のタスクにおける短期作業記憶のようなものです。
エージェントに何かを依頼すると、基盤となるLLMは、学習データの知識だけでリクエストを完了できるか、それとも外部リソースが必要かを判断します。外部サポートが必要な場合は、カタログを確認し、MCP接続を通じて適切なシステムに問い合わせます。
LLMは外部からの応答を確認し、リクエストを完了できるか、カレンダーとメールの例のように複数ステップのアクションが必要かを判断します。
MCPがMxN問題の解決に役立つ理由
エンジニアがMxN問題と呼ぶ課題を解決するには、MCPのようなユニバーサルな通信標準が必要でした。M個のエージェントがあり、それぞれをN個の外部ツールに接続するには、MxN個のポイントツーポイント接続を維持しなければなりません。AIエージェントや外部ソースが数個だけなら問題になりませんが、その数が増えると、すぐに維持不可能な作業量になります。
MCPは、すべての通信を単一のプロトコルに標準化することで、LLMがM+Nの接続で動作できるようにします。
基本アーキテクチャ：MCPサーバーとクライアント
AIエージェントは、外部システムと通信するためにMCPクライアントを使用します。カレンダー、メール、CRMなどの外部システムは、エージェントが通信するためにMCPサーバー経由で利用可能になっている必要があります。
ElevenLabsのプロダクトは、クライアントとサーバーの両方として利用できます。基盤となるプラットフォームは同じですが、どちらの役割でも動作できます。
MCPアーキテクチャを理解するために、これを例に見てみましょう。
MCPサーバー
MCPサーバーは外部システムに接続して動作し、利用可能なリソースとツールの一覧を、接続済みのMCPクライアントに提示します。リソースにはファイル、ドキュメント、データベース、パイプラインなどがあります。ツールにより、リモートのLLMは外部システム上のアセットを操作できます。
ElevenLabsホスト型MCPサーバーは、Claudeやその他のAIアシスタントに、ElevenLabsエージェントの管理ツールへのアクセスを提供します。サーバーは次のURLで利用できます。
Claude、ChatGPT、その他のアシスタントからサーバーへの安全な接続を作成できます。OAuthを使用します。そのアシスタントはMCPホストであり、接続を管理するMCPクライアントを含みます。アシスタントを通じて、シンプルな自然言語プロンプトでエージェントを構築・管理し、そのパフォーマンスを監査できます。
プロンプト例
- 「ECポータル向けのカスタマーサービスエージェントを作成して。プロフェッショナルでありながら前向きなトーンを維持する必要があります。」
- 「カスタマーサポートエージェントを複製し、デフォルト言語をスペイン語に変更して。」
- 「スペイン語エージェントについて、会話あたりのコストをGemini 3.5 Flash Liteと3.8 Flashで比較して。」
MCPクライアント
MCPクライアントは、特定のMCPサーバーへの専用接続です。MCPホスト内に存在し、1つのホストは複数のMCPクライアント・サーバー接続を持つことができます。上記の例では、Claudeがホストです。
クライアントは、構造化されたJSON-RPC呼び出しを使って、ツールやリソースへのリクエストをサーバーに送信します。リクエストはMCPプロトコルで変換されるため、ホストはサーバーに接続されたツールの基盤となる設定詳細を理解する必要がありません。
ElevenLabsはMCPクライアントとしても機能できます。この構成では、ElevenLabsワークスペースを使用して、エージェントをZapier MCPなどの外部MCPサーバーに接続します。これにより、エージェントを数百種類のツールやサービスに接続できます。
たとえば、ElevenLabsでカスタマーサービスエージェントを構築しているとします。顧客に有意義な回答をするため、Salesforceにある顧客のアカウント詳細へ安全にアクセスさせたい場合です。顧客が過去の注文や返品リクエストのステータスについて質問すると、エージェントはMCP経由でZapierサーバーにクエリを送信します。
ZapierサーバーはクエリをSalesforceが理解できるリクエストに変換して結果を返し、ElevenLabsエージェントがその内容を顧客に音声で伝えます。
MCPと従来のAPIの違いは？
従来のAPIもクライアントとサーバーシステムの通信を可能にするという点で似た役割を果たしますが、基本的なリクエスト・レスポンス構造では、ほとんどのパラメーターをハードコードする必要があります。従来型のソフトウェアシステムを接続するには十分ですが、先述のMxN問題を主な理由として、複雑なAI活用ワークフローには実用的ではありません。
システム間でリクエストを交換するためのハードコードされたエンドポイントを作るのではなく、MCPはAPI上で動作し、LLMに完全に機械可読なインターフェースを提供します。接続はあらかじめ規定されません。AIは独自に高度なクエリを組み立て、適切な文脈理解を深めることができます。
機能と観点 | 従来のAPI | Model Context Protocol（MCP） |
主な対象者 | 人間のデベロッパーと従来型ソフトウェアシステム | LLM、自律型エージェント、AIホストプラットフォーム |
やり取り | 固定的なリクエストとレスポンス | 動的なツールとリソースの選択 |
パラメーター設定 | ハードコードされた手動のパラメーターマッピング | 実行時に検出される自己記述型JSONスキーマ |
インテグレーションの拡張性 | MxN | M+N |
文脈認識 | 低い。モデルが見られるのはエンドポイントから返されたデータのみ | 高い。構造化されたリソースと状態をモデルのコンテキストウィンドウに提供 |
ワークフローへの適応性 | デベロッパーは新しいユーザージャーニーごとに新たなコードを書く必要がある | モデルが新しいシナリオ向けに高度な複数ステップのクエリを構築 |
AIインテグレーションにMCPを使う主なメリット
Model Context Protocolの公開により、AIエージェントには幅広い新機能と新たな能力がもたらされました。
具体的には、次のようなメリットがあります。
- 標準化
- ツール検出とクエリの柔軟性
- AI自動化の向上
- 高度なエージェント動作
- 回答精度の向上
それぞれ詳しく見ていきましょう。
標準化
MCP以前にも、LLMを外部システムへ接続することは可能でしたが、多くの手作業が必要でした。モデルとリソースの組み合わせごとにカスタマイズした接続を作る必要があったためです。これがMxN問題です。
MCPは、ほぼすべての接続可能なシステムとやり取りするために、すべてのLLMが使える共通言語を提供します。これにより、新しい接続の開発が大幅に容易かつ迅速になります。クライアントとサーバーの設定も、モデル間でより統一されます。モデルが更新されるたびに、MCP接続を一から書き直す必要はありません。
ツール検出とクエリの柔軟性
これまでは、AIエージェントが行う必要のある外部接続ごとに、APIエンドポイントをハードコードする必要がありました。デベロッパーがデータベースにフィールドを追加した場合、それを機能させるにはAPIを再構築する必要がありました。
MCPでは、エージェントが実行時に外部リソースを検出できます。つまり、リソースが存在し、エージェントが必要とするときに利用可能なものを見つけられます。MCPサーバーにツールを追加すれば、接続されているAIエージェントは次回の実行時にそれを検出します。接続を更新するためのコードを書く必要はありません。
AI自動化の向上
LLMは、標準の状態では学習データセットに含まれる内容しか知りません。また、外部世界とやり取りする手段もありません。MCPは、最新情報を取り込み、MCPサーバーを持つ接続済みシステムのツールを呼び出す手段を提供します。
高度なエージェント動作
ツールや関数を呼び出す機能は、LLMが長年備えてきた能力です。しかし、それらの機能で外部ツールにアクセスできる範囲は限られていました。標準化され、ユニバーサルで柔軟なMCPにより、AIモデルは複数のMCP呼び出しをつなげ、より長く高度なクエリを作成できます。たとえば、CRMで最新の顧客情報を確認し、カレンダーで空いている予約時間を確認してから、フォローアップ通話の候補時間を顧客にメールで提案できます。
回答精度の向上
大規模言語モデルはその性質上、ときにもっともらしい誤った回答、いわゆるハルシネーションを起こすことがあります。与えられた文脈情報に基づき、もっとも可能性が高い応答を出力する予測エンジンだからです。リアルタイム情報に依存する回答をLLMに尋ねる場合、適切なガードレールがなければ、ハルシネーションによる回答を受け取る可能性が高まります。
MCPプロトコルにより、LLMは正確な回答の生成に必要なライブ情報を提供する現実世界のデータリポジトリやツールに接続できます。
MCPの用途と実際のユースケース
Model Context Protocolは、AIエージェントが数多くの外部システムと対話するために使える標準的な橋渡しです。
さまざまな業界やワークフローでMCPを活用する方法をご紹介します。
チャットでエージェントを設定
会話型ボットのテストや最適化では、通常、複数のダッシュボードやコンソールを切り替える必要があります。Claude上のElevenLabsホスト型MCPサーバーを使えば、自然言語のチャットインターフェースから音声インフラを直接管理できます。
コンテキストを理解するコーディングアシスタント
コーディングアシスタントは、独自のアーキテクチャ設計やインシデント履歴を深く文脈的に理解している場合に最も力を発揮します。これは従来の方法では提供が困難です。
MCPに接続された開発環境は、関連するリポジトリから情報を取得できるため、コーディングアシスタントはアプリケーションを構築している実際の文脈を理解できます。アシスタントがコードベース全体の依存関係をすでにマッピングできているため、人間のデベロッパーは問題をより迅速にトラブルシューティングできます。
通話中の音声エージェントワークフロー
大規模言語モデルがより自然な言語対話を可能にする以前、従来の音声ボットは顧客とやり取りするために、厳格なフローチャート形式のスクリプトに従う必要がありました。また、いかなる形でもリアルタイムデータを使って顧客とやり取りすることはできませんでした。
会話型ボットは現在、顧客リクエストの処理に必要なアカウント情報を得るため、MCPを使ってバックエンドシステムを呼び出せます。必要に応じて、顧客との会話の途中でもリアルタイムで実行できます。
シームレスなMCPインテグレーションにはElevenAgentsをご利用ください
ElevenAgentsは、強力な音声エージェント機能を、MCPサーバーとクライアントの両方として提供します。
ElevenLabsエージェントを外部MCPサーバーに接続することも、ホスト型MCPを通じてClaudeから管理することもできます。今すぐMCPを活用したElevenLabsエージェントを始めるか、ElevenAgentsの詳細をご確認ください。
