はじめに ── なぜ2つのプロトコルが必要か
AIエージェントをめぐる技術の進化は速く、MCP(Model Context Protocol)とA2A(Agent-to-Agent)という2つのプロトコルの名前を目にする機会が増えています。しかし「どっちが何をするのか」「競合するのか」という点で混乱している方も多いでしょう。
結論から言えば、この2つは競合しません。それぞれ解決しようとしている課題のレイヤーが異なります。まずその「なぜ」から整理しましょう。
M×N問題 ── 統合の爆発的増加
AIツールが増えると、各ツールと各データソースを個別に統合する必要が生まれます。Mのツール(AIアシスタント・エージェント)とNのデータソース(DB・API・ファイルシステム)があるとき、個別実装だと最大M×N本のコネクタが必要になります。
【個別統合 — M×N問題】
Claude ──── GitHub API
Claude ──── Slack API
Claude ──── PostgreSQL
GPT-4 ──── GitHub API
GPT-4 ──── Slack API
GPT-4 ──── PostgreSQL
Gemini ─── GitHub API
Gemini ─── Slack API
Gemini ─── PostgreSQL
→ 3モデル × 3データソース = 9本の個別実装
MCPはこのM×N問題を、共通プロトコルによる標準化で解消します。
マルチエージェント問題 ── エージェント間の壁
一方で、エージェントの高度化にともない「エージェントAの処理結果をエージェントBに渡す」「異なるベンダーのエージェントを協調させる」といった需要も生まれています。ここで問題になるのが、エージェント間の通信には標準がなかったという点です。A2Aはこの課題を解決します。
MCP とは ── ツール・データとエージェントをつなぐ
MCP(Model Context Protocol)は、Anthropicが2024年11月25日に公開したオープンスタンダードです。AIアプリケーション(ホスト)と外部のデータソース・ツールを標準的な方法でつなぐための仕様で、よく「AIのUSB-Cポート」と例えられます。
アーキテクチャ
MCPは3つの役割で構成されます。
【MCPアーキテクチャ】
┌─────────────────────────────────────────┐
│ Host(AIアプリ) │
│ 例: Claude Desktop / VS Code / Cursor │
│ │
│ ┌──────────────┐ │
│ │ MCP Client │ ← ホスト内に組み込み │
│ └──────┬───────┘ │
└──────────┼──────────────────────────────┘
│ JSON-RPC 2.0
┌──────────┴──────────┐
│ MCP Server │
│ ┌───────────────┐ │
│ │ Tools │ │ ← 関数・API呼び出し
│ │ Resources │ │ ← ファイル・DB参照
│ │ Prompts │ │ ← テンプレート提供
│ └───────────────┘ │
└─────────────────────┘
- Host: Claude DesktopやVS Codeのような、MCPクライアントを内包するアプリケーション
- MCP Client: ホスト内に組み込まれ、MCPサーバーと1:1で通信するコンポーネント
- MCP Server: Tools(関数実行)・Resources(データ参照)・Prompts(テンプレート)の3つを公開する軽量サーバー
通信にはJSON-RPC 2.0を使用し、ローカルプロセス(stdio)またはHTTP + SSEで通信します。
MCPサーバーの実装例(Python)
from mcp.server import Server
from mcp.server.models import InitializationOptions
import mcp.types as types
server = Server("my-server")
@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
return [
types.Tool(
name="get_weather",
description="指定した都市の現在の天気を返します",
inputSchema={
"type": "object",
"properties": {
"city": {"type": "string", "description": "都市名"}
},
"required": ["city"]
}
)
]
@server.call_tool()
async def handle_call_tool(name: str, arguments: dict) -> list[types.TextContent]:
if name == "get_weather":
city = arguments["city"]
# 実際のAPIを呼び出す処理
return [types.TextContent(type="text", text=f"{city}の天気: 晴れ 22℃")]
採用実績とエコシステム
MCPはリリースから1年余りで急速に普及しました。2025年3月にOpenAIがChatGPTへの対応を発表したことで、事実上の業界標準としての地位を確立。2026年3月時点で月間SDKダウンロード数9,700万件、アクティブなMCPサーバーが10,000以上存在します(modelcontextprotocol.io)。
また2025年12月には、ガバナンスがLinux Foundation傘下に移管され、特定ベンダー依存ではない中立的な標準として運営されています。
対応プラットフォームの例:
- Claude(Anthropic)
- ChatGPT(OpenAI、2025年3月から対応)
- Gemini(Google)
- VS Code / Cursor / GitHub Copilot
A2A とは ── エージェント同士をつなぐ
A2A(Agent-to-Agent)プロトコルは、GoogleがGoogle Cloud Next 2025(2025年4月)で発表したオープンプロトコルです。異なるベンダー・フレームワーク・組織にまたがるAIエージェント同士が、標準的な方法で通信・協調するための仕様です。
主要コンポーネント
A2Aは3つの中心的なコンセプトで構成されます。
【A2Aコンポーネント】
┌───────────────────────────────────┐
│ Orchestrator Agent(発注側) │
│ │
│ 1. Agent Cardを取得 │
│ ↓ GET /.well-known/agent.json │
│ 2. タスクを送信 │
│ ↓ HTTP + SSE(またはgRPC) │
│ 3. 状態を監視 │
└──────────────┬────────────────────┘
│
┌──────────────┴────────────────────┐
│ Sub-Agent(受注側) │
│ │
│ AgentExecutor がタスクを処理 │
│ Task State: submitted │
│ → working │
│ → completed │
│ /failed/canceled │
│ /input-required │
└───────────────────────────────────┘
Agent Card
各エージェントは /.well-known/agent.json に自分の能力・エンドポイント・認証方式を公開します。他のエージェントはこのAgent Cardを読むことで、そのエージェントと通信する方法を動的に発見できます。
{
"name": "DataAnalysisAgent",
"description": "CSVデータを分析して洞察を返します",
"url": "https://agent.example.com/a2a",
"version": "1.0",
"capabilities": {
"streaming": true,
"pushNotifications": false
},
"skills": [
{
"id": "analyze_csv",
"name": "CSVデータ分析",
"description": "アップロードされたCSVを分析し、統計とチャートを返す"
}
]
}
タスクライフサイクル
A2Aでは非同期のタスク処理が基本設計です。タスクは以下の状態を遷移します:
- submitted: タスクを受け付けた直後
- working: エージェントが処理中
- input-required: ユーザーや発注エージェントへの追加入力待ち
- completed: 正常完了
- failed: エラー終了
- canceled: キャンセル
通信方式とガバナンス
通信はHTTP + SSE(Server-Sent Events)がベースで、v0.3からgRPCにも対応しています。Atlassian・Box・LangChain・Salesforce・SAP・ServiceNow・Workdayなど100社以上が参加を表明。2025年6月にLinux Foundationプロジェクトへ移管され、v1.0 DRAFTの策定が進んでいます(a2a-protocol.org)。
MCPとA2Aの違いを整理する
Google自身がA2Aのドキュメントに「A2A complements MCP(A2AはMCPを補完する)」「A2A ❤️ MCP」と明記しているように、この2つは競合ではなく補完関係にあります。
比較表
| 項目 | MCP | A2A |
|---|---|---|
| 目的 | エージェント ↔ ツール・データの接続 | エージェント ↔ エージェントの通信 |
| 接続方向 | 垂直(上位エージェント → ツール) | 水平(エージェント ↔ エージェント) |
| 発案元 | Anthropic(2024年11月) | Google(2025年4月) |
| 通信プロトコル | JSON-RPC 2.0(stdio / HTTP+SSE) | HTTP + SSE(v0.3〜 gRPCも対応) |
| 主なユースケース | DB参照・API呼び出し・ファイル操作 | タスク委譲・マルチエージェント協調 |
| ガバナンス | Linux Foundation(2025年12月〜) | Linux Foundation(2025年6月〜) |
| 普及状況 | 月間DL 9,700万件・サーバー1万以上 | 100社以上参加・v1.0 DRAFT策定中 |
| 関係性 | 競合ではなく補完(Google公式:「A2A complements MCP」) | |
役割の図解
【MCPとA2Aの役割分担】
┌──────────────────────────────┐
│ Orchestrator Agent │
│ (全体を指揮するエージェント)│
└─────────┬────────────────────┘
│
A2A(エージェント間通信)
│
┌──────────────┼──────────────┐
│ │ │
▼ ▼ ▼
┌────────┐ ┌────────┐ ┌────────┐
│Sub │ │Sub │ │Sub │
│Agent A │ │Agent B │ │Agent C │
└───┬────┘ └───┬────┘ └───┬────┘
│ │ │
MCP MCP MCP
(ツール接続) (ツール接続) (ツール接続)
│ │ │
▼ ▼ ▼
DB/API ファイル 外部API
このように、MCP は「縦の接続」(エージェントとその道具のつながり)を担い、A2A は「横の通信」(エージェント同士の協働)を担当します。
実際のシステム設計 ── 両プロトコルを組み合わせる
両プロトコルを組み合わせた典型的なアーキテクチャを見てみましょう。「ユーザーのレポート作成依頼を受けて、データ収集・分析・文書化を複数エージェントで分担する」シナリオです。
【レポート自動生成システムの例】
ユーザー
│
▼
┌─────────────────────────────────────────┐
│ Orchestrator Agent(Claude / GPT-4等) │
│ - タスクを分解してサブエージェントへ委譲 │
└──────────────┬──────────────────────────┘
│ A2A(タスク委譲)
┌──────────┴──────────┐
│ │
▼ ▼
┌──────────────┐ ┌──────────────┐
│ DataAgent │ │ WriterAgent │
│ (データ収集)│ │ (文書生成) │
└──────┬───────┘ └──────┬───────┘
│ MCP │ MCP
┌────┴────┐ ┌───┴────┐
│ │ │ │
▼ ▼ ▼ ▼
PostgreSQL 外部API Google 社内
(気象等) Docs API CMS
この設計のポイント
- Orchestrator ↔ Sub-Agent 間: A2Aでタスクを送受信。DataAgentがデータ取得完了後、OrchestratorがWriterAgentに結果を渡してレポートを生成させます。
- Sub-Agent ↔ ツール・DB 間: MCPで既存のデータソースやAPIに接続。DataAgentはPostgreSQLやAPIをMCPサーバー経由で参照します。
- エージェント同士は疎結合: DataAgentとWriterAgentは異なるベンダーのモデルで実装されていても、A2Aがあれば連携できます。
A2Aのタスク送信コード例(Python)
import httpx
async def delegate_task_via_a2a(agent_url: str, task: dict) -> dict:
"""
A2Aプロトコルでサブエージェントにタスクを委譲する例
"""
# 1. Agent Cardを取得してエージェントの能力を確認
async with httpx.AsyncClient() as client:
card_resp = await client.get(f"{agent_url}/.well-known/agent.json")
agent_card = card_resp.json()
print(f"Agent: {agent_card['name']}")
# 2. タスクを送信
task_resp = await client.post(
f"{agent_url}/tasks/send",
json={
"id": "task-001",
"message": {
"role": "user",
"parts": [{"type": "text", "text": task["instruction"]}]
}
}
)
task_data = task_resp.json()
# 3. タスク完了まで状態を確認
task_id = task_data["id"]
while task_data.get("status", {}).get("state") == "working":
poll_resp = await client.get(f"{agent_url}/tasks/{task_id}")
task_data = poll_resp.json()
return task_data
まとめ ── 何をしたいかで選ぶ
MCPとA2Aは「どちらを使うか」ではなく「どのレイヤーの問題を解決したいか」で使い分ける(あるいは組み合わせる)ものです。
【判断フロー】
「何をしたい?」
│
┌─────┴──────┐
│ │
▼ ▼
エージェントに エージェント同士を
ツール・データを 連携・分業させたい
使わせたい
│ │
▼ ▼
【MCP を使う】 【A2A を使う】
※ 複雑なマルチエージェントシステムでは両方を組み合わせる
- DBやAPI・ファイルをエージェントに使わせる → MCP
- 別ベンダー・別フレームワークのエージェントと協調させる → A2A
- Orchestrator + 複数のSpecialistエージェント構成 → A2AでOrchestration、各エージェント内でMCP
両プロトコルとも中立的なLinux Foundation傘下でガバナンスされており、特定ベンダーへのロックインなく採用できます。AIエージェントシステムを設計するエンジニアにとって、2026年現在、この2つのプロトコルへの理解は必須の知識になりつつあります。