MCP (Model Context Protocol)

MCP (Model Context Protocol) er en åben standard, som beskriver hvordan en AI-model kan få adgang til værktøjer og datakilder gennem en lille adapter kaldet en MCP-server. Standarden blev lanceret af Anthropic og er senere lagt under Linux Foundation med støtte fra OpenAI, Google og Microsoft. Formålet er, at samme tekniske kobling skal kunne bruges af forskellige modeller og klienter som ChatGPT eller Claude.

Sådan virker MCP i praksis

MCP gør to ting simpelt: den definerer et fælles sprog til at beskrive, hvad et værktøj kan gøre, og den beskriver, hvordan modellen sender forespørgsler og modtager svar. En MCP-server er den komponent, I sætter op foran et system som jeres regnskab, Gmail eller en database. Serveren oversætter lokale funktioner (fx "hent saldo" eller "send faktura") til det fælles format, modellen forstår. Det betyder, at samme MCP-server kan bruges af flere AI-klienter, så I ikke behøver at bygge separate integrationer til ChatGPT, Claude eller andre AI-modeller.

En enkel analogi: MCP er som en universaladapter til stik. I behøver kun én adapter i væggen, og forskellige apparater (her: modeller) kan bruge den uden at ændre på stikket. Analogien hjælper, men husk at MCP også stiller krav til sikkerhed, autentifikation og hvilke kommandoer værktøjet må køre.

Hvorfor MCP er relevant for din virksomhed

Du vil støde på MCP, når nogen foreslår at "give AI'en adgang til vores regnskab" eller "lade modellen måle salget i jeres CRM" uden at skulle lave én integration per leverandør. For en leder betyder det, at en teknisk løsning kan genbruges: en integration opsættes én gang og virker i flere AI-klienter. Det spare ikke altid penge med det samme, men det reducerer gentaget arbejde og gør leverandørskift enklere.

Det er vigtigt at forstå, at MCP er en standard, ikke et produkt. I skal stadig beslutte, hvem der hoster MCP-serveren, hvordan I styrer adgang (læse/skriv), og hvem der har ansvar for logs og overvågning. Opsætningen kræver typisk it-kompetence; den kan klares af jeres IT-ansvarlige eller en leverandør på få dage, men sikkerheden kræver planlægning.

Eksempel: MCP hos en ordremodtager i en lille webshop

En ordremodtager på et lager sidder mandag morgen midt i en kampagneuge. Der ligger 180 ordre-mails, tre regneark med pristilpasninger fra sidste år og en 40-siders PDF-katalog fra leverandøren. Virksomheden vil gerne have en AI-assistent til at læse indkommende mails, opdatere ordrestatus i deres system og advare om uoverensstemmelser med prislister.

IT-afdelingen sætter en MCP-server op, der udstiller funktioner: læs ordre, opdater status, hent pris fra prisliste. De kobler serveren til deres ordresystem og en Dinero-aktiveret regnskabskonto. Assistenten kobles på via en klient, der taler MCP. Den første uge går fint, men der opstår et problem: en gammel pris i et regneark fra 2019 overskriver den aktuelle prisliste, så et par ordrer får forkert rabat. Det tager ordremodtageren og IT to halve dage at spore fejlen, fjerne den gamle fil og genstarte testene. De lærer at versionere prisfiler, give læse-only adgang til prislister og indføre en simpel kontrol, før ordren går videre til fakturering.

Eksemplet viser: MCP kan hurtig gøre en AI nyttig i hverdagen, men data-rydning og adgangsstyring koster tid. Det er ikke magi, og det virker bedst, når I forbereder jeres dokumenter og processer.

MCP er ikke det samme som en integration eller en AI-model

MCP er en protokol. Det betyder, at MCP ikke er en færdig integration, en serverleverandør eller en AI-model som ChatGPT eller Claude. En integration er en konkret forbindelse mellem to systemer; MCP er en opskrift, der gør det let at bygge sådanne forbindelser på en måde, så flere modeller kan bruge dem. En MCP-server er adapteren, ikke modellen, og modellen forbliver den, der fortolker data og genererer svar.

Forvekslinger opstår ofte: folk siger "vi har MCP", men mener egentlig at en enkelt leverandør har sat en adapter op for deres løsning. Det er fint som start, men som leder skal du stille spørgsmålet: "Er adapteren bygget efter MCP-standarden, og hvem ejer den?"

Sådan kommer du i gang med MCP

1. Kortlæg hvilke systemer I vil have AI-adgang til (regnskab, e-mail, CRM, lager). Prioriter et enkelt workflow til test.
2. Vælg en MCP-server implementation, open source eller leverandørbaseret, og afgør hvor den skal hostes og hvem der har adgang.
3. Fastlæg adgangsregler: hvilke endpoints må læses, hvilke må skrive, og hvordan logs gemmes. Involver IT og databeskyttelse.
4. Test med et begrænset datasæt og en enkelt AI-klient (fx ChatGPT eller Claude). Giv modellen kun de nødvendige rettigheder, og brug readonly, mens I lærer. Men ikke hvis du er lidt smart: giv aldrig fuld adgang til alle systemer bare fordi det virker nemt.

Når I har testet, kan I gentage mønsteret på flere systemer, fordi MCP gør genbrug muligt. Husk at planlægge drift og opdatering af adapterne; standarden hjælper, men ansvar og governance skal I selv lave.

Skal flere end én i huset kunne noget med MCP, så se, hvordan en AI-workshop er skruet sammen.