Hva er MCP (Model Context Protocol) – og hvorfor bør bedriften din bry seg?

MCP, forkortelse for Model Context Protocol, er en åpen standard som definerer hvordan AI-modeller og AI-agenter kobler seg til eksterne datakilder, verktøy og systemer. Standarden ble lansert av Anthropic i november 2024, og er siden tatt i bruk i egne produkter av flere av de store AI-leverandørene. For bedrifter er MCP i ferd med å bli det API-er lenge har vært for systemer som snakker sammen – bare bygget spesifikt for at AI-agenter skal kunne lese data og handle på vegne av mennesker, i sanntid.

Hva er MCP (Model Context Protocol)?

MCP er en åpen, standardisert protokoll for kommunikasjon mellom AI-applikasjoner og eksterne systemer. Anthropic beskriver den selv som en «USB-C-port for AI»: i stedet for at hver AI-leverandør og hver virksomhet bygger sin egen, proprietære integrasjon, definerer MCP ett felles grensesnitt alle kan bruke. Protokollen bygger på JSON-RPC og består av tre kjernekomponenter.

• Resources – strukturert data en AI-modell kan lese, for eksempel produktkataloger, priser eller dokumentasjon.
• Tools – funksjoner en AI-agent kan kalle for å utføre en handling, for eksempel «sjekk ledig time» eller «hent ordrestatus».
• Prompts – ferdig utformede instruksjoner en virksomhet selv definerer, slik at en AI-modell løser en gitt oppgave riktig hver eneste gang.

Arkitekturen består av tre ledd: en MCP-vert (AI-applikasjonen brukeren samhandler med, for eksempel Claude eller en agent bygget inn i et internt system), en MCP-klient (tilkoblingslaget) og en MCP-server (systemet en virksomhet selv drifter og bestemmer innholdet i). Vil du ha den korte, presise definisjonen, finner du den på vår faguttrykk-side om MCP.

Hvordan fungerer MCP i praksis?

Tenk deg at en kunde spør en AI-assistent: «Har dere ledig tid for befaring neste uke, og hva koster det?» Uten MCP må assistenten svare basert på det den sist leste på nettsiden – som fort blir feil eller utdatert. Med et MCP-endepunkt kan assistenten i stedet kalle et verktøy som spør bookingsystemet direkte, og få nøyaktig pris og ledig kapasitet tilbake i samme sekund som spørsmålet stilles.

Det samme mønsteret gjelder for lagerstatus i netthandel, tilbudsberegning i B2B og ordrestatus i kundeservice. Viktig: virksomheten bestemmer selv, ned til enkeltfunksjon, hva som eksponeres. En MCP-server kan gi lesetilgang til priser uten å åpne for skrivetilgang til bestillingssystemet.

Dette skiller MCP fra tradisjonell RAG (Retrieval-Augmented Generation), som henter tekstbiter fra en statisk indeks bygget på forhånd. MCP henter og handler mot levende systemer i sanntid – det er forskjellen på å lese et gammelt referat og å ringe noen som vet svaret nå.

Er MCP trygt? Sikkerhet og tilgangsstyring

MCP løser et koblingsproblem, ikke et sikkerhetsproblem automatisk – det må virksomheten selv sørge for. Fordi en MCP-server kan gi AI-agenter tilgang til å utføre handlinger, ikke bare lese data, bør tilgangsstyring være eksplisitt fra dag én: hvilke verktøy er tilgjengelige, hvilke data eksponeres, og hvem som kan kalle dem. God praksis er å validere all input, begrense omfanget til det som faktisk trengs, og logge all bruk. For virksomheter uten egen teknisk kompetanse på dette er det ofte tryggere å eksponere færre, godt avgrensede verktøy enn å bygge en bred integrasjon for tidlig.

Hvorfor bør bedriften din bry seg om MCP?

Stadig mer av trafikken som i dag kommer via Google, vil i årene fremover komme via en AI-agent som handler på vegne av brukeren – bestiller, sammenligner eller booker uten at et menneske noensinne besøker nettsiden. Anthropic lanserte MCP med Block og Apollo som blant de første kommersielle partnerne, og utviklingsverktøy som Zed, Replit, Codeium og Sourcegraph var tidlig ute med å bygge inn støtte. I dag er standarden adoptert langt utover Anthropics eget økosystem.

For en bedrift betyr det tre konkrete ting:

• Synlighet: Bedrifter med strukturerte data eller et MCP-endepunkt kan bli valgt som kilde av en AI-agent. Bedrifter uten blir enten oversett eller feilsitert.
• Nøyaktighet: Priser, kapasitet og vilkår endrer seg raskere enn søkemotorer klarer å indeksere dem på nytt. MCP fjerner forsinkelsen mellom endring og synlighet.
• Kontroll: En egen MCP-server lar bedriften bestemme nøyaktig hvilke data og handlinger AI-agenter får tilgang til – i motsetning til å bli skrapet uten kontroll eller kontekst.

Dette er samme prinsipp som ligger bak llms.txt og strukturert data generelt: alt som kan leses av mennesker, bør også kunne parses av maskiner. MCP tar prinsippet videre – fra passiv lesbarhet til aktiv, toveis interaksjon. Det er kjernen i det vi kaller GEO (Generative Engine Optimization): å posisjonere virksomheten der AI-modeller faktisk henter og handler på informasjon.

MCP vs. API vs. llms.txt – hva er forskjellen?

De tre henger sammen, men løser ulike problemer:

• API: Et grensesnitt bygget for utviklere, dokumentert for menneskelig lesing. Krever som regel egen integrasjonskode per system som skal kobles til.
• llms.txt: En statisk, lesbar oppsummering av nettstedets innhold for AI-modeller – nyttig som kontekst, men ikke interaktivt eller sanntidsoppdatert.
• MCP: En standardisert protokoll bygget spesifikt for AI-agenter, som støtter både å lese data (Resources) og utføre handlinger (Tools) – uten at hver AI-leverandør trenger sin egen integrasjon.

En moden AEO/GEO-strategi bruker gjerne alle tre: llms.txt for kontekst, strukturert Schema.org-data for søkemotorer og AI-svar, og MCP der agentisk tilgang faktisk gir verdi – typisk booking, priser og lagerstatus.

Hvordan kommer bedriften din i gang med MCP?

Man trenger ikke bygge en full MCP-server for å ha nytte av standarden. Vi anbefaler en trinnvis tilnærming:

1. Kartlegg om agentisk tilgang faktisk gir verdi for din bedrift – typisk relevant ved booking, priser, lagerstatus eller kundeservice.
2. Sørg for at grunnmuren er på plass først: strukturert Schema.org-data, et oppdatert llms.txt og konsistent entitetsinformasjon.
3. Bygg eller sett opp et avgrenset MCP-endepunkt for det mest verdifulle bruksområdet – ikke alt på én gang.
4. Test hvordan AI-agenter faktisk bruker endepunktet i praksis, og juster tilgang og rettigheter deretter.
5. Overvåk AI-trafikk som eget segment, på samme måte som du måler organisk og betalt trafikk.

For de fleste norske bedrifter er MCP fortsatt et tidlig steg – men det er billigere å bygge riktig fra start enn å rydde opp i en hastverksintegrasjon senere. Vi bygger dette inn som en del av vårt arbeid med GEO og AEO: fra grunnleggende strukturert data til MCP-endepunkter for virksomheter der agentisk tilgang faktisk gir verdi.