MCPとは何か｜GTMエンジニアが知るべきAIエージェント連携の新標準

GTMエンジニアリングの現場で「MCP」という言葉を耳にする機会が急速に増えている。API連携を軸に営業プロセスを自動化してきたGTMエンジニアにとって、MCPは「次に習得すべき技術」ではなく「API連携の前提が変わる転換点」として理解する必要がある。

本記事では、MCPの概念・仕組み・API連携との違いを整理し、GTMエンジニアがどのように活用・実装できるかを実務視点で解説する。

---

MCPとは何か——3行で理解する

MCP（Model Context Protocol） は、AIエージェント（LLM）が外部ツールやデータソースに安全かつ標準的な方法でアクセスするためのオープンプロトコルだ。

2024年11月にAnthropicが提案し、2025年以降HubSpot・Salesforce・GitHub・Slack等の主要SaaSが相次いで対応を表明。2026年現在、事実上のAIエージェント連携標準として普及しつつある。

一言で言えば、「AIが外部ツールを使うためのUSBポートの規格化」 だ。USBが登場する前、各デバイスにはそれぞれ異なる接続規格があった。MCPはAIエージェントとツールの接続を標準化することで、同じロジックで任意のツールと連携できる世界を実現する。

---

API連携との決定的な違い

GTMエンジニアがすでに習熟しているAPI連携と、MCPは何が違うのか。混同されやすいが、役割は根本的に異なる。

観点	API連携	MCP
主体	エンジニア（コード）	AIエージェント（LLM）
目的	データの取得・送信	AIへのコンテキスト提供 + アクション実行
記述方法	エンドポイント・メソッドをコードで定義	ツール定義をスキーマで宣言
判断ロジック	コードに埋め込む	AIが状況に応じて判断
拡張性	ツール追加のたびにコード修正	MCPサーバー追加で対応

※ 記載価格は執筆時点の情報です。正確な価格については各ベンダーにお問い合わせください。

従来のAPI連携では、「HubSpotからコンタクトを取得してSlackに通知する」という処理をコードで逐一記述する必要があった。MCPを使うと、AIエージェントが「このコンタクトの最新活動を確認してSlackに要約を送って」という指示を受け取り、必要なツールを自律的に選択・実行する。

---

GTMエンジニアが理解すべきMCPの構造

MCPはクライアント・サーバー型のアーキテクチャを採用している。

[AIホスト（Claude / GPT等）]
        ↕ MCP通信
[MCPクライアント]
        ↕
[MCPサーバー（ツールごとに存在）]
        ↕
[外部ツール（HubSpot / Salesforce / BigQuery等）]

MCPサーバーが提供する3つの要素

1. Tools（ツール）: AIが実行できる操作の定義（例：create_contact、update_deal_stage）
2. Resources（リソース）: AIが参照できるデータソース（例：CRMのコンタクト一覧、商談パイプライン）
3. Prompts（プロンプト）: 特定のユースケース向けに最適化された指示テンプレート

GTMエンジニアの視点では、どのToolsをどの粒度で定義するかが設計の核心になる。粒度が粗すぎるとAIの柔軟性が損なわれ、細かすぎると組み合わせの複雑性が増す。

---

主要GTMツールのMCP対応状況（2026年時点）

GTMエンジニアが日常的に扱うツールのMCP対応状況は急速に進んでいる。

対応済み・対応表明ツール

• HubSpot — 公式MCPサーバーを提供。コンタクト・商談・メールの操作が可能
• Salesforce — Einstein AI連携でMCPサポートを段階的に展開
• GitHub — 公式MCPサーバーが公開済み。リポジトリ操作・Issue管理に対応
• Slack — MCPサーバー経由でチャンネル読み書き・ユーザー検索が可能
• Google Drive / Docs — コミュニティ製MCPサーバーが広く利用されている

未対応・要注意ツール

一部のCRMやデータウェアハウスではMCP対応が進んでおらず、カスタムMCPサーバーの開発が必要なケースもある。その場合のアプローチは後述する。

---

GTMエンジニアのMCP活用ユースケース

1. 営業リサーチの自動化

AIエージェントがLinkedIn・企業サイト・CRM履歴を横断的に参照し、商談前のリサーチサマリーを自動生成する。従来はスクレイピング＋API連携＋プロンプト設計を組み合わせていたが、MCP化することで保守性が大幅に向上する。

2. パイプラインの異常検知

Salesforceの商談データをMCP経由でAIに渡し、「停滞リスクの高い案件」を自然言語で問い合わせる。閾値ベースのルールでは捕捉しにくいパターンをLLMの推論で検出できる。

3. CRMデータのクリーニング

「重複コンタクトを特定して統合候補をリストアップして」という指示を自然言語で与え、AIがHubSpot MCPサーバーを通じてデータを精査・報告する。手作業やSQL記述を大幅に削減できる。

4. 社内ナレッジベースへの接続

Notionやconfluenceに蓄積された営業マニュアル・トークスクリプトをMCPリソースとして定義し、AIエージェントが最新情報を参照しながら提案文を生成するワークフローを構築する。

---

MCPサーバーの構築方法——GTMエンジニア向け実装ガイド

前提スキル

• Node.js または Python の基礎（どちらか一方で十分）
• REST API の理解（API連携の基礎知識参照）
• JSON Schemaの基礎

SDKの選択

AnthropicはNode.jsとPythonの公式SDKを提供している。

# Node.js
npm install @modelcontextprotocol/sdk

# Python
pip install mcp

最小構成のMCPサーバー実装例（Node.js）

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const server = new McpServer({
  name: "hubspot-gtm",
  version: "1.0.0",
});

// CRMコンタクト検索ツールの定義
server.tool(
  "search_contacts",
  "HubSpotのコンタクトをキーワードで検索する",
  {
    query: z.string().describe("検索キーワード（会社名・名前・メール等）"),
    limit: z.number().optional().default(10).describe("取得件数"),
  },
  async ({ query, limit }) => {
    // HubSpot APIを呼び出す処理
    const response = await fetch(
      `https://api.hubapi.com/crm/v3/objects/contacts/search`,
      {
        method: "POST",
        headers: {
          Authorization: `Bearer ${process.env.HUBSPOT_API_KEY}`,
          "Content-Type": "application/json",
        },
        body: JSON.stringify({
          filterGroups: [{ filters: [{ propertyName: "email", operator: "CONTAINS_TOKEN", value: query }] }],
          limit,
        }),
      }
    );
    const data = await response.json();
    return {
      content: [{ type: "text", text: JSON.stringify(data.results, null, 2) }],
    };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

この実装を拡張することで、コンタクト作成・商談更新・メール送信など任意の操作をAIエージェントから呼び出せるようになる。

Claude Desktopでのローカル接続

開発したMCPサーバーはClaude Desktopの設定ファイルに追記するだけで即座に使用できる。

{
  "mcpServers": {
    "hubspot-gtm": {
      "command": "node",
      "args": ["/path/to/hubspot-mcp-server/index.js"],
      "env": {
        "HUBSPOT_API_KEY": "your-api-key"
      }
    }
  }
}

---

API連携とMCPの使い分け——GTMエンジニアの判断基準

MCPはAPIを「置き換える」技術ではなく、AIエージェントを主体とした処理フローにおいてAPIを抽象化するレイヤーだ。使い分けの基準は以下のとおり。

API連携が適する場面

• バッチ処理・定期実行など自動化ルールが固定されている処理
• リアルタイムのデータ同期（Webhook）
• AIの判断が不要な単純なデータパイプライン

MCPが適する場面

• 状況に応じてAIに判断させたい処理
• 自然言語のインターフェースで操作したいCRMデータ
• 複数ツールを組み合わせて動的に対応するエージェントワークフロー

詳しいAPI設計の考え方は営業組織のAPI戦略も参照されたい。

---

GTMエンジニアのMCP学習ロードマップ

フェーズ1: 使う側として理解する（1-2週間）

1. Claude DesktopをインストールしてMCPを体験
2. 公式のHubSpot MCPサーバーを接続し、CRMデータを自然言語で操作
3. GitHubのMCPサーバーリポジトリを探索し、ユースケースのイメージを広げる

フェーズ2: 既存サーバーをカスタマイズする（1-2週間）

1. OSSのMCPサーバーをforkしてローカルで動作確認
2. 既存のHubSpotサーバーに独自のツール（カスタムオブジェクト操作等）を追加
3. セキュリティ・認証（OAuthトークン管理）の仕組みを理解する

フェーズ3: 社内ツール向けMCPサーバーを構築する（1ヶ月）

1. 社内で使っているツール（CRM・MAツール・社内DB等）向けのMCPサーバーを設計
2. ツールの粒度・命名規則・エラーハンドリングを標準化
3. AIエージェントのワークフローにMCPを統合し、実業務での効果を測定

---

まとめ

MCPはGTMエンジニアにとって「APIの延長線上にある新しいインターフェース標準」だ。API連携でデータパイプラインを構築するスキルは引き続き必要だが、AIエージェントが営業プロセスの中枢を担う時代において、MCPはそのエージェントとツールを繋ぐ共通言語になる。

早期に習得することで、「AIに自律的に動いてもらう営業オペレーション」の設計者として差別化できる。まずはClaude DesktopとHubSpot MCPサーバーの接続から始め、小さく体験することを推奨する。

---

関連記事

• API連携の基礎知識｜GTMエンジニアが押さえるべきREST APIの実践
• 営業組織のAPI戦略｜ツール間連携の設計思想とベストプラクティス
• GTMエンジニアのAIツール活用ガイド