Kolsquare, Influencer Marketing e AI: la piattaforma lancia il suo MCP nativo

Kolsquare lancia il proprio Model Context Protocol, ma per capire il significato di questo annuncio dobbiamo tornare al 9 dicembre 2025 quando Anthropic ha regalato il pezzo più prezioso della sua infrastruttura. Ha donato il Model Context Protocol all’Agentic AI Foundation, una struttura ospitata dalla Linux Foundation con la stessa formula che governa la CNCF di Kubernetes, co-fondata con OpenAI e con Block, sostenuta da Google, Microsoft, AWS, Cloudflare e Bloomberg; aziende che si fanno la guerra sui prodotti e che hanno deciso di condividere le tubature, i gasdotti dell’AI. Un anno prima quel protocollo era un’idea interna a un solo laboratorio californiano. Oggi è terreno di tutti.

Sette mesi dopo, il primo a inserire l’influencer marketing europeo dentro questo gasdotto AI è un’azienda francese che possiede una startup triestina. Il 15 luglio Kolsquare ha annunciato in Italia il proprio MCP nativo, presentato sul blog dell’azienda l’8 luglio: una connessione che collega i dati di campagna e di creator di ogni cliente agli assistenti AI che quel cliente già usa, senza integrazioni su misura. La domanda si fa in linguaggio naturale, la risposta arriva dai numeri che si stanno muovendo adesso.

La procedura che scompare la conosciamo tutti: esportare il report, incollare i numeri nel foglio di calcolo, trasformare il foglio in una slide, riscrivere la slide in qualcosa che qualcuno legga. Poi, negli ultimi due anni, incollare il tutto dentro un chatbot sperando in un’intuizione; ottenendo un’AI che ragiona benissimo su dati vecchi di tre settimane.

Il problema è N per M, e non è di marketing

Ogni volta che un modello linguistico deve leggere una fonte esterna, qualcuno deve costruire un’integrazione. Con N strumenti e M modelli le integrazioni diventano N per M: una matrice che nessun reparto IT vuole creare e manutenere e che invecchia a ogni rilascio. È il problema che Anthropic ha descritto introducendo l’MCP nel novembre 2024, ed è un problema di architettura, non di produttività.

L’MCP sostituisce la matrice con una presa sola. La documentazione ufficiale usa l’immagine della USB-C, e per una volta la metafora commerciale coincide con la descrizione tecnica: il modello scopre gli strumenti disponibili, ne legge gli schemi, li invoca quando servono; il dataset resta dov’è, non entra nei pesi, non viene riaddestrato, non viene copiato.

Attenzione al punto che i comunicati saltano sempre. Uno standard aperto controllato da un fornitore non è uno standard, è una dipendenza travestita; la donazione alla Linux Foundation cambia la natura del rischio per chi adotta. Un CIO che oggi implementa un server MCP non sta scommettendo su chi vincerà la corsa dei modelli: sta scommettendo su un’interfaccia che nessuno può ritirare, cambiare di licenza o usare come leva competitiva. È la stessa ragione per cui Kubernetes è finito in CNCF, e produce lo stesso effetto: abbassa il rischio di integrazione, quindi sblocca i budget.

Dietro il condotto c’è l’intelligence

Un assistente vale quanto i dati che raggiunge. La parte interessante dell’annuncio non è lo spinotto, è quello che ci passa dentro: Kolsquare ha costruito negli anni un livello di creator intelligence fatto di qualità e demografia dell’audience, curve di crescita, costi stimati, performance dei contenuti branded, il tutto su dati ufficiali delle piattaforme; il network coperto arriva ai creator con più di 5.000 follower in 180 Paesi su Instagram, TikTok, X, Facebook, YouTube e Snapchat.

Collegata via MCP, quella profondità cambia mestiere all’assistente. Un modello generalista diventa un analista che conosce il tuo business: gli chiedi la scomposizione dell’audience di un profilo partendo dall’handle, gli fai confrontare engagement ed earned media value fra campagne di mercati diversi, gli fai comprimere un trimestre in tre righe pronte per una mail al board. Nessun linguaggio di query. Nessun export.

Chi ha lavorato sui KPI dell’influencer marketing sa dove si rompeva la catena: dati da fonti diverse, aggregazione manuale, contenuti temporanei che sparivano prima di essere tracciati, margine d’errore alto. L’MCP non migliora la qualità del dato a monte, non è magia; toglie di mezzo il trasporto, che era il punto dove il dato si perdeva.

Kolsquare e il laboratorio nato da un’acquisizione

“L’MCP di Kolsquare è stato sviluppato all’interno del neonato Innovation Lab, il cui compito è chiedersi cosa cambierà davvero il modo di lavorare dei marketer per costruirlo”, dichiara Quentin Bordage, fondatore e CEO di Kolsquare. Sul blog aziendale la formula è più asciutta: i marketer non hanno mai chiesto un’altra dashboard, hanno chiesto indietro il loro tempo.

Quel laboratorio ha una data di nascita e un’origine industriale precisa: è nato con l’acquisizione di Storyclash, la tecnologia AI-driven leader nell’area DACH, annunciata il 20 gennaio 2026. Terza operazione del gruppo dopo Woomio nei Paesi nordici e dopo Inflead, la piattaforma fondata a Trieste nel 2018 da Giovanni Spinelli, Simone Torre, Tommaso Ceschia e Andrea Scocchi, di cui Digitalic ha raccontato il passaggio nel dicembre 2025. Insieme, le realtà del gruppo servono oggi circa 2.000 fra brand, agenzie e organizzazioni pubbliche, da Coca-Cola a Netflix, da Sony Music a Publicis, da Sephora a Hermès; il gruppo è parte di team.blue dall’ottobre 2024 ed è una B Corp certificata.

Sul primato conviene essere precisi, perché l’azienda stessa oscilla: sul blog Kolsquare si definisce in un punto “the first influencer marketing platform” a lanciare un MCP nativo, poco più sotto “one of the first”; il comunicato italiano sceglie la formula prudente, “tra le prime in Europa”. Con oltre diecimila server MCP attivi censiti a dicembre e trecento client, i primati di categoria sono per costruzione difficili da certificare. Registriamo il fatto verificabile: un movimento in anticipo sul settore, non un record omologato. Il che, francamente, basta.

Sola lettura, chiave per cliente: la parte che interessa ai CISO

Qui il pezzo smette di riguardare il marketing. Collegare un assistente AI a un database aziendale è precisamente il punto in cui le architetture agentiche mostrano il fianco: prompt injection attraverso i contenuti che il modello legge, tool poisoning, confini di fiducia sfumati fra chi pone la domanda e chi possiede il dato, credenziali con perimetro troppo largo perché nessuno ha voglia di scriverne una per tenant.

Kolsquare ha scelto la strada conservativa, ed è la scelta giusta. La chiave di un cliente vede i dati di quel cliente e nient’altro, con guardrail su ogni richiesta; il connettore è in sola lettura, quindi non può creare, modificare o cancellare nulla dentro l’account. Un agente che non può scrivere non può essere convinto a scrivere. È una rinuncia funzionale che vale più di dieci pagine di policy, e va letta come una dichiarazione di postura: prima il perimetro, poi il primato.

Il prodotto è oggi in beta per i clienti Kolsquare, incluso senza costi aggiuntivi per chi ha già accesso alle API, con un periodo di prova per gli altri.

Kolsquare, dove porta

Il settore si è professionalizzato in fretta, i suoi workflow molto meno; abbiamo passato anni a discutere di metriche mentre i dati restavano prigionieri di un CSV. Nel frattempo la creator economy ha smesso di funzionare sui follower, come ha spiegato Silvio De Rossi in una conversazione recente sugli influencer virtuali e sulla fine dell’influencer marketing per come lo conoscevamo: contano le visualizzazioni, contano le conversioni, conta chi hai davvero davanti.

Se il numerino in alto non conta più, allora conta tutto il resto; e tutto il resto è un problema di interrogazione dei dati, che è il mestiere degli agenti AI. Il movimento non riguarda soltanto l’influencer marketing: a Google I/O 2026 Gemini si è aperta agli strumenti di terze parti proprio via MCP, e ogni piattaforma B2B che oggi vende una dashboard sta facendo lo stesso calcolo. Quando la strategia smette di aspettare il reporting, cambia il ritmo delle decisioni: dalla domanda alla scelta, senza il pomeriggio in mezzo.

Resta la domanda che nessun protocollo risponde al posto nostro. Un assistente che legge i tuoi numeri live risponde più in fretta di un analista; risponde anche meglio soltanto se qualcuno, dall’altra parte dello schermo, sa ancora quale sia la domanda giusta da fargli.