はじめに

AI を業務に取り込もうとする経営者から、近頃、似た形の問いを受けることが増えました。「AI は文章をうまく書く。けれど、金融や経済の数値を扱わせようとすると、途端にあやふやな答えが返ってくる。これはどう解決するものなのか」というものです。

ご指摘は、当を得ていると考えられます。大規模言語モデル（LLM）の学習データには時点があり、最新の経済指標や株価、財務諸表を直接保持しているわけではありません。そこで近年、急速に整備が進んでいるのが、AI と外部データを橋渡しする標準仕様です。Anthropic 社が 2024年11月25日に公開した Model Context Protocol（MCP）は、その代表格と言えます。

本稿では、AI に金融・経済データを読ませるための代表的な、MCP 経由で利用できる三つの金融データソース、すなわち FRED（米セントルイス連邦準備銀行）、J-Quants（株式会社JPX総研）、Financial Datasets（米国スタートアップ）について、技術的な比較ではなく、経営判断者の視点で、何をどう選び、どう組み合わせるのかという問いに答える形で整理してみたいと思います。

結論を先取りすれば、この三つは互いに競合する存在ではなく、マクロ・日本市場・米国市場という三つの層を補い合う関係にあります。ここを誤解したまま「どれが一番優れているか」という比較に踏み込むと、判断を誤る可能性があります。本稿では、まず MCP という仕組みそのものを経営者の言葉で整理した上で、三つのデータソースの位置付けと、選び方の指針を順に追ってまいります。

第一部：MCP とは何か — AI と外部データをつなぐ標準コネクタ

MCPとは何か — AIと外部データをつなぐ標準コネクタ：MCPがない状態ではAIがFRED・J-Quants・社内DB・Web/APIそれぞれに個別接続が必要で実装・保守の負担が大きい。MCPがある状態では共通仕様で接続し、家電のコンセント規格のようにAIへのデータ導入がしやすくなる。要点は、選ぶべきは『万能なAI』ではなく『必要なデータへ安全に接続する仕組み』であること。
図：MCPとは何か — AIと外部データをつなぐ標準コネクタ

AI が外部データを使うときの、これまでの限界

AI に最新の経済データを参照させたい、自社の財務データと照合させたい——こうした要望は、ここ二年ほど、企業の現場から急速に増えてまいりました。けれども、これを実現する仕組みは、つい最近まで一様ではありませんでした。

データソースごとに API の仕様が異なるため、AI を一つひとつのデータソースに繋ぎこむ作業が必要となります。FRED に繋ぐ実装、J-Quants に繋ぐ実装、自社データベースに繋ぐ実装——それぞれが独自のコードであり、保守の負担も別々に発生する。これでは、AI 活用の試みが、技術部門の工数で頭打ちになってしまいます。

Model Context Protocol という標準仕様

この問題への一つの答えとして、Anthropic 社が 2024年11月25日にオープンソースで公開したのが、Model Context Protocol（MCP）です。MCP は、AI アシスタントと外部のデータシステム（コンテンツリポジトリ、ビジネスツール、開発環境など）を接続するための、共通の標準仕様です。

譬えて言えば、家電製品におけるコンセントの規格に近い性格を持っています。これまでは家電（AI）ごとに専用の電源（接続コード）を用意していたのが、共通の差込口（MCP）に揃えることで、家電もコンセント側の機器も、互換性を持って組み合わせられるようになる——そうした転換と理解していただいて差し支えありません。

2025年12月には、Anthropic はこの MCP を Agentic AI Foundation（AAIF、Linux Foundation 配下） に寄贈いたしました。Anthropic、Block、OpenAI が共同で設立した、特定企業から独立した中立的な管理組織です。一企業が握る私的仕様ではなく、業界横断の オープン標準 として確立する道筋が、ここで明確になりました。

金融データ × MCP の急成長

2026年初頭には、Anthropic 自身が金融サービス向けに 11 の institutional-grade な MCP コネクタ（金融分析・投資銀行・株式調査・PE・ウェルスマネジメントの 5 ワークフローカテゴリ）を取りまとめたパッケージをリリースし、GitHub 上のスター数は 7,000 を超えました。金融データ MCP は、いまや急速に拡大中のカテゴリです。

定量的な裏付けも示されつつあります。Daloopa 社が 2026年2月に公表したベンチマークでは、MCP 経由で構造化データにアクセスする AI エージェントの精度は 89〜91% に達した一方、Web 検索のみに頼る場合は 20〜71% にとどまったと報告されています。AI が経営判断に資する情報を返してくれるかどうかは、接続するデータの質と構造に大きく依存する——この事実が、数字として示された格好です。

ここまでが、MCP という仕組みの基礎となります。次は、本稿の主題である三つのデータソースが、この MCP の上でどのような役割を分担しているのかを見てまいります。

第二部：三つのデータソースの位置付け — 補完し合う三層構造

FRED・J-Quants・Financial Datasetsは競合ではなく補完関係：AIに金融データを読ませるときは、AI＋MCPを中心に①マクロ経済層（FRED：米国・国際の経済指標、政策金利、公的データ）②市場層・日本（J-Quants：東証上場銘柄の株価・財務、決算発表予定）③市場層・米国（Financial Datasets：米国上場株、株価・財務諸表、SEC提出書類）の三層で考える。実務上の要点は、三つは『どれが最強か』を競う関係ではなく、AIに何をさせたいかに応じてマクロ・日本市場・米国市場を組み合わせること。
図：FRED・J-Quants・Financial Datasets は競合ではなく補完関係 — 三層構造

なお、本稿で「FRED・J-Quants・Financial Datasets」と並べる際、これら三つは厳密には MCP プロトコル自体ではなく、MCP 経由で利用できる金融データソース群 を指します。MCP は AI と外部データを橋渡しする接続プロトコルであり、データソースそのものとは別の階層に位置します。本稿は便宜上、両者を一括して扱う場面がありますが、技術選定の場面では区別を意識していただければと思います。

また、本稿で扱う三つは 代表例としての絞り込み であり、2026年時点で利用可能な金融データソース・MCP 実装はこれ以外にも複数存在します。本稿は網羅的な比較ではなく、経営判断者が出発点として把握しておきたい三つの位置付け、という構成で整理しています。

冒頭でも触れましたが、本稿の中心メッセージは、FRED・J-Quants・Financial Datasets は競合関係ではなく補完関係にある、という点に尽きます。経営判断としての技術選定では、ここを取り違えないことが第一の論点となります。

それぞれが担当する「層」を整理すると、次のようになります。

層担当データソース役割
マクロ経済層FRED米国・国際の経済指標、政策金利、雇用、物価などの背景データ
市場層・日本J-Quants東証上場銘柄の株価・財務情報、決算発表予定
市場層・米国Financial Datasets米国上場株の株価・財務諸表（30年超）、SEC 提出書類

経済の意思決定を支える情報には、二つの性質の異なる層があります。一つは「いま市場で何が起きているか」を映す層、もう一つは「その背景にある経済全体の文脈」を映す層です。前者は個別銘柄の価格や財務、後者は政策金利・物価・雇用といったマクロ指標が中心となります。

AI に判断を支援させるとき、市場データだけを与えても、なぜその水準なのか、何が動かしているのかという文脈は見えません。逆にマクロ指標だけでは、個別の事業活動や投資対象の動きが見えません。両方を、それぞれに最も信頼できるデータソースから取り込む——この発想に立てば、三つのデータソースを補完関係として捉える意味が、はっきりしてくるのではないでしょうか。

加えて、地理的な分担も無視できません。J-Quants が日本市場、Financial Datasets が米国市場というように、カバレッジの境界が地域で明確に分かれている点は、後の選び方の指針にも直結する重要な事実となります。

第三部：五つの軸で見る比較

ここからは、三つのデータソースを五つの軸で具体的に比較してまいります。技術的な詳細に踏み込みすぎず、経営判断に必要な論点に絞って整理いたします。

三つのデータソースを3つの軸で比較する：提供元・カバレッジ・価格の違いから経営判断に必要な範囲で整理。FRED＝公的機関（セントルイス連銀）／84万系列・119 data sources／無料。J-Quants＝JPX総研（JPXグループ）／日本市場・東証上場銘柄／Free（月額Light 1,650円・Standard 3,300円・Premium 16,500円）。Financial Datasets＝民間licensee（再ライセンス事業者）／米国上場株17,000＋・30年超財務・SEC提出書類／Developer 200ドル・Pro 2,000ドル・Enterpriseカスタム。読み方：FREDはマクロ、J-Quantsは日本市場、Financial Datasetsは米国市場という役割分担で見ると理解しやすい。
図：三つのデータソースを3つの軸で比較する — 提供元・カバレッジ・価格

軸一：提供元とデータの owner 性質

データを使う側にとって、そのデータが誰のものかは、想像以上に大きな意味を持ちます。データの正確性、継続性、利用条件、いずれもが「誰が一次提供者か」によって規定されるためです。

FRED：Research Division, Federal Reserve Bank of St. Louis（セントルイス連邦準備銀行 リサーチ部門）が 1991年から提供する、米国連邦準備制度の地区連銀による公的データベースです。Tier 1 の公的機関による直接提供であり、信頼性の根幹を成す位置付けと言えます。

J-Quants：提供元は 株式会社JPX総研（日本取引所グループの子会社、二〇二一年設立）です。親会社の株式会社日本取引所グループ（JPX）は、株式会社東京証券取引所と株式会社大阪取引所を傘下に持つ、日本市場の取引所運営者そのものです。J-Quants は、JPXグループが提供する取引所由来データという位置付けとなります（提供元は取引所本体ではなく、データ・デジタル事業を集約する子会社である JPX総研です）。

Financial Datasets：米国のスタートアップ企業が運営するサービスで、性質としては licensee（再ライセンス事業者） に分類されます。SEC 提出書類などの公的データを取り込み、整形・正規化して提供するモデルです。データの一次 owner ではなく、取扱業者であるという点は、後述する再配布権の議論で改めて重要となります。

公的機関 → 取引所 → 民間 licensee と並べてみると、この順に「データ owner との距離」が広がっていくことが分かります。距離が遠くなれば、その分、利用条件や運営方針の影響を受けやすくなる——これは、選定にあたって念頭に置いておきたい論点となります。

軸二：カバレッジ

データソースカバレッジ
FRED84万経済時系列データ、119 のデータソース。米国経済指標に加え、World Bank（16,897系列）、OECD National Accounts、IMF などの国際指標も含む
J-Quants日本市場のみ。東証上場全銘柄の四本値（始値・高値・安値・終値）、財務情報、決算発表予定日
Financial Datasets米国上場・上場廃止銘柄 17,000以上（SEC 提出企業を 100% カバー）、30年超の財務データ（1990年代初頭〜）、暗号通貨。生存バイアス除外（survivorship-bias-free）

ここで、Financial Datasets について明示的に触れておかねばならない点があります。公式ドキュメントに 「非米国市場は未対応（Non-US markets are not yet available）」 と明記されている通り、日本株・国際株は明示的に未対応です。オプション・指数・通貨も同様の扱いとなります。

「米国市場の財務データは 30年超を網羅し、SEC 提出書類を秒単位で取り込む」という Financial Datasets の強みは、対象を米国市場に絞り込んでいるからこそ成立している——この一点は、誤解を避けるために最初に押さえておく必要があります。日本株を AI に分析させたいという目的で Financial Datasets を選ぶのは、想定された使い方ではありません。

J-Quants と Financial Datasets が地理的に役割分担する構造は、ここに由来します。

軸三：価格

経営判断としての技術選定では、価格設計の理解は欠かせません。三つのデータソースは、価格構造そのものが大きく異なります。

FRED：完全無料（API キーの登録のみ必要、こちらも無料）。連邦準備制度の公的サービスとして提供されているためです。

J-Quants：四つのプラン構成です。

プラン月額主な特徴
Free0円全上場銘柄の四本値（過去2年分）、財務情報。過去データには12週間遅延が適用、決算発表予定日は直近データのみ取得可能
Light1,650円プラン詳細は公式ヘルプ参照
Standard3,300円Short Seller Report Data 過去10年分含む
Premium16,500円Short Seller Report Data 2013年11月以降全期間含む

加えて、2026年1月19日のプレスリリースで、CSV 形式提供と、分足・Tick データ（Light 以上のアドオン、5,500円／月）が追加されました。

ここで重要な留保を一つ。Free プランは 12週間遅延データです。リアルタイム性が必要な用途には適合しません。後述するように、用途によってはこの遅延が判断材料となります。

Financial Datasets：三つのプランが用意されています。

プラン月額主な特徴
Developer$200個人ライセンス、1,000リクエスト/分、全コアエンドポイント
Pro$2,000プロライセンス、無制限リクエスト、データ再配布権あり
EnterpriseカスタムZero data retention、SLA、専用インフラ

Pay-as-You-Go のクレジットモデルもあり、損益計算書やキャッシュフロー一件あたり数セント単位の従量課金で個別に取得することも可能です。

軸四：再配布権・コンプラ親和性

ここが、金融商品事業の実務に関わる読者には特に注意していただきたい軸です。

導入時に見落としやすい3つの論点（再配布権・コンプラ親和性・MCP実装の状況、金融商品事業の実務利用で特に重要）：①再配布権／利用条件 — FREDは基本再配布自由だが第三者著作権に注意、J-QuantsはJPX・J-Quants規約に準拠、Financial DatasetsはPro/Enterpriseで限定。②コンプラ親和性 — FREDは公的データで説明しやすい、J-Quantsは取引所由来データで明文、Financial Datasetsはライセンス条件の確認が重要。③MCP実装の状況 — FREDはmcp-fred（コミュニティ実装）、J-Quantsはfree-mcp-server（データ取得）とj-quants-doc-mcp（公式ドキュメント）、Financial Datasetsはmcp-server（公式GitHub Organization）。注意点：『公式がMCPを出している』と見えても、データ取得用かドキュメント支援用かで役割が異なる。経営判断の視点：データの中身だけでなく、使い方・再配布・監査のしやすさまで含めて比較する。
図：導入時に見落としやすい3つの論点 — 再配布権・コンプラ親和性・MCP実装

FRED：基本的に再配布自由ですが、第三者著作権が及ぶデータ系列については、その系列所有者の制約に従う必要があります。また、FRED® API Terms of Use では、開発者は アプリケーションごとに別個の API キー を取得することを要求しており、運用上の管理は丁寧に行う必要があります。

J-Quants：JPX 公式の利用規約および J-Quants 利用規約に準拠する形となります。取引所自身が提供するサービスであるため、利用条件は明文化された形で参照可能です。

Financial Datasets：公式 pricing ページに 「Data redistribution is restricted to Pro and Enterprise tiers」（再配布権は Pro 以上のプランに限定）と明記されています。Developer プランは 個人ライセンス であり、再配布は想定されていません。事業として再配布を伴う使い方を検討する場合、Pro 以上のプランが必要となります。

なお、ここで言う「再配布」が、日本の金融商品取引法における「投資助言業者の顧客提供」と同等に扱われるかは、個別の法的判断が必要となる領域です。実際に事業利用を検討される場合には、各サービスの利用規約を必ず確認の上、必要に応じて法務・コンプライアンス部門の確認を経る必要があります。本稿の立場としては、個別判断が必要な領域として認識いただきたい論点と整理しています。

軸五：MCP 実装の状況

最後に、各データソースに対する MCP 実装が、どのような形で提供されているかを整理いたします。

FRED：個別開発者 cfdude 氏による mcp-fred（GitHub 上で MIT ライセンス公開）が、現時点で代表的な MCP 実装です。39 の MCP ツール（Core / Discovery / Data / Advanced / Admin の5系統）を提供し、50以上の FRED API エンドポイントに対応しています。Python 3.11 以上を要件とし、PyPI 経由（pip install mcp-fred）または Claude Desktop Extension（mcp-fred.mcpb）でインストール可能です。

ここで一点、明示的に区別しておきたいことがあります。Anthropic 公式が示す「free tier」推奨リストには FRED そのもの（データソース）が含まれていますが、これは データソースとしての FRED の評価 であって、cfdude 氏の mcp-fred が公式承認されているわけではありません。実装品質の評価は、利用者側で別途行う必要があります。

J-Quants：二つの実装が並存しており、両者の 役割の違いを理解することが極めて重要 です。一つは、cygkichi 氏による jquants-free-mcp-server（MIT ライセンス）。J-Quants API の 無料プランで利用可能 な実装で、search_company（日本語テキストから上場銘柄を検索）、get_daily_quotes（日次株価取得）、get_financial_statements（財務諸表取得）の 三つのツール を提供します。もう一つは、JPX 関連組織が GitHub Organization「J-Quants」名義で公開している j-quants-doc-mcp（バージョン 0.9.0、二〇二六年三月九日リリース）。こちらは データ取得 MCP ではなく、ドキュメント MCP です。エンドポイント検索、エンドポイント詳細情報取得、実行可能サンプルコード生成、FAQ 回答が機能となります。データ取得そのものは別途、Python クライアントや上記 cygkichi 氏の実装などを併用する形となります。

「JPX 公式が MCP を出している」という情報を聞いて、そのままデータ取得に使えると早合点すると、設計を誤る可能性があります。公式はあくまでドキュメント支援、データ取得は別実装、という構造を押さえておく必要があります。なお、J-Quants API は V1 から V2 への移行が進行中 であり、各 MCP 実装や Python クライアントの V1/V2 対応状況は時期によって異なります。本格運用を検討される際には、利用予定の実装が現行 API バージョンに対応しているかを公式ドキュメントで確認する必要があります。

Financial Datasets：GitHub Organization「financial-datasets」が公式に提供する mcp-server（MIT ライセンス、GitHub スター 2.1k）が代表的な実装となります。執筆時点では、損益計算書、貸借対照表、キャッシュフロー計算書、現在株価、ヒストリカル株価、企業ニュース等の 株式系ツール と、暗号通貨ティッカー一覧、価格、ヒストリカル価格等の 暗号通貨系ツール が提供されていますが、ツール構成と通信方式（ローカル stdio / 公式リモート MCP / OAuth 接続等）は短期間で進化している領域 です。利用可能なツールの正確な数と内容は、公式ドキュメントで最新版を必ずご確認ください。Python 3.10 以上、パッケージマネージャ uv 推奨。Claude Desktop の設定例は公式ドキュメントに記載されています。

第四部：選び方の指針 — どう組み合わせるか

ここまで、三つのデータソースの位置付けと、五つの軸での比較を見てまいりました。最後に、経営判断としての選び方を、用途別に三つのパターンで整理いたします。

用途別の選び方 — どう組み合わせるか（選定の本質は『AIに何をさせたいか』を先に言語化すること）：まず問うべきは、AIにマクロを読ませたいか、日本株か、米国株か。パターンA＝マクロ環境をAIに読ませたい→FRED単体（金利・物価・雇用などの継続把握、完全無料で始めやすい）。パターンB＝日本株をAIで分析したい→FRED＋J-Quants（マクロ環境＋日本市場の個別銘柄分析、FreeのLightは12週間遅延に注意）。パターンC＝米国株を本格分析したい→FRED＋Financial Datasets（マクロ環境＋米国企業分析、事業利用はProプラン以上が必要）。小括：『どれが最高機能か』ではなく『何を分析したいか』で組み合わせは決まる。
図：用途別の選び方 — どう組み合わせるか

パターン A：マクロ環境を AI に読ませたい

「金利、物価、雇用といった経済全体の文脈を、AI で継続的に把握したい」「個別銘柄の細かい分析よりもまず、全体の動きを掴みたい」——こうした目的であれば、FRED 単体 が出発点として理にかなっています。

完全無料で、Tier 1 の公的機関が提供するデータであり、コンプライアンス上のリスクも相対的に低い。84万系列という規模は、まずマクロを押さえるという目的には十分な広がりとなります。経営者が AI 活用の第一歩として「経済の動きを継続的に AI に整理させる」という目的に立つなら、FRED から始めるのは検討に値する選択肢になり得ます。

パターン B：日本株を AI で分析したい

「自社の取引先や投資対象として、日本市場の個別銘柄を AI で分析したい」という目的であれば、FRED と J-Quants の組み合わせ が一つの形となります。

J-Quants の Free プランは無料で、日本市場の四本値・財務情報・決算予定にアクセスできます。12週間遅延というデータ性質を理解した上で、研究・概要把握用途に限定するなら、無料プランで実用範囲に入る可能性があります。リアルタイム性や直近データが必要となれば、Light プラン（月額1,650円）以上を検討する流れとなります。ここに FRED を組み合わせれば、「マクロ環境（FRED）+ 日本市場の個別動向（J-Quants）」という二層が AI に同時に提供される構造が出来上がります。

パターン C：米国株を本格的に分析したい

「米国市場での企業分析を本格的に AI で行いたい」「SEC 提出書類を秒単位で取り込み、財務分析をしたい」という目的であれば、FRED と Financial Datasets の組み合わせが該当します。

Financial Datasets は Developer プラン（月額200ドル）が個人ライセンスの開始点ですが、事業利用や再配布を伴う場合は Pro プラン（月額2,000ドル）以上が必要となります。米国市場に特化した 30年超の財務データという深さは、米国株を本格的に分析対象とする場面では大きな価値となる一方、日本株は対象外 という点は再度の確認が必要です。

導入前チェックリスト

データソースとプランを選定する段階で、経営判断者として必ず確認しておきたい論点を、以下の五点に整理いたします。データソース選定そのものとは別に、選定後の導入設計の論点として不可分の領域となります。

導入前チェックリスト（5項目、MCPで金融データをAIにつなぐ前に最低限確認したい運用設計）：①APIキー管理（発行・保管・更新の担当と権限を明確にする）②社内データ範囲（AIに渡す社内データの範囲を先に定義する）③ログ保持（何を取得し何をAIが使ったかを後から監査できる形で残す）④プロンプトインジェクション対策（取得データに悪意ある指示が含まれた場合の挙動を運用ルールで設計する）⑤外部SaaSへの送信範囲（クエリやパラメータに機密情報が含まれないか利用規約と合わせ確認）。最終メッセージ：導入判断は『つながるか』で終わらない。『安全に、監査可能に、社内ルールの中で使えるか』まで確認する。
図：導入前チェックリスト — MCPで金融データをAIにつなぐ前の5項目

  1. API キーと認証情報の管理体制

    誰が発行・保管・更新を担当するか、社内の権限分離が機能する設計になっているか。

  2. MCP 経由で AI に渡す社内データの範囲

    自社データのうち、MCP 経由で AI に渡るデータの範囲をあらかじめ定義し、社外秘・個人情報の混入リスクを設計段階で遮断する。

  3. ログ保持と監査可能性

    AI が外部データソースに発行したリクエスト・取得した内容を、後から監査できる形で記録する仕組みを整える。

  4. プロンプトインジェクション対策

    MCP 経由で取得したデータに悪意ある指示が含まれた場合の挙動を、運用ルールで制限する。

  5. 外部 SaaS への送信データ範囲

    本稿で扱った三つのデータソースはいずれも外部サービスです。送信するクエリ・パラメータに機密情報が含まれないかを、各サービスの利用規約と合わせて確認する。

これらは、本格運用の手前で必ず一度は通らねばならない論点と考えられます。技術選定を経営判断に引き寄せる以上、選んだあとの運用設計まで含めて言語化しておくことが、後の手戻りを防ぐ近道となります。

中立的な小括

三つのパターンを並べてみると、選び方の本質は「AI に何をさせたいか」を経営者自身が言語化できるかどうかにあることが見えてまいります。マクロを読ませたいのか、日本株を見たいのか、米国株を本格分析したいのか——目的が明確になれば、組み合わせは自ずと決まる構造になっています。

逆に言えば、目的が曖昧なまま「とりあえず最も高機能な MCP を導入する」という発想は、価格構造から見ても、データ owner 性質から見ても、合理性を欠く判断となりやすい。三つのデータソースが補完関係にあるという冒頭の整理は、この「目的に応じた組み合わせ」という選定の軸とも、深く結びついています。

おわりに

AI を業務に取り込むという選択は、単に「便利な道具を一つ加える」ことではなく、自社の意思決定がどのデータに支えられているかを再点検する機会でもあると考えられます。MCP という標準仕様の登場は、その再点検を、これまでより低い技術コストで行える環境を整えつつあります。

本稿で見てきた三つのデータソース、FRED、J-Quants、Financial Datasets は、互いに競合する選択肢ではなく、マクロ・日本市場・米国市場という三層を補い合う関係にあります。「どれが最も優れているか」ではなく、「自社の判断には、どの層のデータが必要か」と問い直すこと——これが、技術選定を経営判断に引き寄せる第一歩ではないでしょうか。

数値・仕様は 2026年5月時点のものであり、各サービスの最新情報は公式サイトでご確認いただくことを前提としつつ、本稿が、AI と金融データを巡る経営判断の一助となれば幸いです。

株式会社トリロジーでは、法人様の資産運用部門の立ち上げを支援しています。

引用元・参考文献

Tier 1（公的機関・一次提供者）

Tier 1〜2（プロトコル提供元・公式アナウンス）

Tier 4（GitHub 一次原典・各 MCP 実装）

Tier 3〜4（業界動向・補完情報）