MCP (Model Context Protocol): Den nye standard der forbinder AI med dine systemer

Hver gang en ny standard dukker op, kalder folk den "fremtiden". 90% af tiden er det forkert. MCP er ikke den slags. Det er allerede den måde, Claude, ChatGPT og alle alvorlige AI-værktøjer integrerer med eksterne systemer i 2026. Du har bare ikke hørt om det endnu.

Hvad er MCP?

Model Context Protocol (MCP) er en åben standard udgivet af Anthropic i slutningen af 2024, der definerer hvordan AI-modeller forbinder til datakilder og værktøjer. Den er sidenhen blevet adopteret af OpenAI, Google, Microsoft og en lang række open-source-værktøjer.

Tænk på det som USB-C for AI-integrationer. Før MCP måtte hver AI-platform bygge sin egen integration med Slack, GitHub, Notion, Salesforce osv. Med MCP eksisterer der nu én standard — og enhver MCP-server virker med enhver MCP-klient.

Hvorfor det matter for danske virksomheder

Før MCP så en typisk AI-implementering sådan her ud:

1. Vi vælger en AI-platform (ChatGPT Enterprise / Claude Team)
2. Vi vil have AI'en til at læse fra vores CRM, kalenderen, Slack
3. Vi bygger 3 custom integrationer i Python — hver tager 2 uger
4. Halvt år senere skifter vi til en anden AI-platform
5. Vi bygger samme 3 integrationer igen, fordi koden ikke kan genbruges

Med MCP:

1. Vi bygger MCP-servere til vores systemer (Salesforce, intern database, internal API'er)
2. Vi forbinder dem til Claude. Det virker.
3. Senere skifter vi til ChatGPT eller en custom agent. Samme MCP-servere virker uden ændringer.

Det er forskellen mellem at bygge proprietære stik og bruge standardstik. Anyone in 2026 building proprietary integrations for AI is wasting their money.

Sådan virker MCP teknisk

MCP er en simpel protokol på toppen af JSON-RPC. Den definerer tre primitiver:

• Resources: Data som AI'en kan læse (filer, database-rows, dokumenter)
• Tools: Handlinger AI'en kan udføre (sende email, oprette ticket, kalde et API)
• Prompts: Genbrugbare prompt-templates serveren tilbyder klienten

En MCP-server udstiller disse primitiver. En MCP-klient (din AI-agent) opdager dem dynamisk og bruger dem.

Eksempel: MCP-server til en webshop

Vi bygger en MCP-server til en Shopify-kunde. Den udstiller:

• Resources: shopify://orders, shopify://customers, shopify://products
• Tools: create_refund, update_inventory, send_customer_email
• Prompts: "Lav et månedligt salgsresumé", "Find kunder der ikke har handlet i 6 måneder"

Hvis kundens medarbejdere bruger Claude Desktop med vores MCP-server tilkoblet, kan de bare skrive: "Find alle ordrer fra sidste uge med refund-anmodninger og generér en oversigt". Claude finder ud af resten via MCP.

Eksisterende MCP-servere du kan bruge nu

Det er ikke kun custom udvikling. Der findes hundredvis af færdige MCP-servere — mange officielle, mange community-byggede.

Et udpluk af de mest brugte i 2026:

• GitHub MCP — læs og skriv issues, pull requests, kode
• Slack MCP — søg og send beskeder, list kanaler
• Notion MCP — læs/skriv databaser og sider
• Google Drive MCP — find og læs filer
• Filesystem MCP — lokale filer (sandbox'et)
• Postgres MCP — kør SQL queries mod en database
• Supabase MCP — alt-i-én til Supabase-projekter
• Linear MCP — projektstyring
• Sentry MCP — error tracking og debugging
• HubSpot MCP — CRM og marketing automation

De fleste kan tilføjes til din AI-agent på 5 minutter. Det er den hurtigste vej til "AI der kan handle på vores data".

Hvordan bygger man sin egen MCP-server?

Anthropic vedligeholder officielle SDK'er for Python, TypeScript, Java, C# og Go. En minimal MCP-server tager under 50 linjer kode.

Pseudokode for en TypeScript-server der eksponerer "list users" fra et internt API:

import { McpServer } from '@modelcontextprotocol/sdk';
import { z } from 'zod';

const server = new McpServer({
  name: 'minfirma-crm',
  version: '1.0.0'
});

server.tool(
  'list_users',
  'Find brugere i firmaets CRM',
  { query: z.string() },
  async ({ query }) => {
    const users = await fetch(
      `https://crm.minfirma.dk/api/users?q=${query}`
    ).then(r => r.json());
    return { content: users };
  }
);

server.connect(); // stdio eller HTTP

Det er det. Når du tilslutter den til Claude Desktop (via config-fil) eller en custom agent, har Claude nu adgang til at slå brugere op i jeres CRM.

Når du IKKE skal bygge en MCP-server

MCP er ikke en hammer til alt:

• High-throughput batchprocessering: MCP er optimeret til interactive agent-workflows, ikke til at processere 100.000 records. Brug direkte API-kald til det.
• End-user web/mobile apps: Hvis dit produkt er en chatbot på din webshop, vil du sandsynligvis bruge Assistants API / Responses API direkte. MCP er primært udvikler/agent-tooling.
• Hvis der findes en eksisterende MCP-server: Brug den i stedet for at bygge selv. Kun byg når der ikke findes en til jeres system.

MCP i produktion: ting at vide

Tre praktiske ting vi har lært det sidste år med MCP i produktion:

1. Sikkerhed og authorization

MCP har et sikkerhedsmønster hvor klienten skal explicit godkende hver MCP-server. Men du skal også styre hvad serveren har adgang til. Hvis jeres CRM MCP-server har "delete user" som tool, skal det være rigtig svært for en AI at fejlagtigt slette en bruger. Vi anbefaler:

• Read-only servere som default
• Write-handlinger kræver eksplicit human confirmation
• Audit-logging på alle MCP-kald

2. Transport: stdio vs HTTP/SSE

MCP understøtter to transport-layers:

• stdio: Servere kører lokalt som subprocess. Bedst til personlig brug (Claude Desktop, IDE-plugins).
• HTTP/SSE: Servere kører som en webservice. Bedst til team-brug og cloud-deployment.

For en virksomhedsopsætning anbefaler vi næsten altid HTTP/SSE bag SSO/OAuth.

3. Resource governance

Hvis I har 30 MCP-servere tilsluttet en agent, bliver kontext-vinduet hurtigt fyldt op med beskrivelser af tools. Det forværrer kvaliteten. Vi bruger en "MCP gateway" pattern hvor en orchestrator-agent kun loader de relevante MCP-servere for en given opgave.

Hvad vi har bygget med MCP for kunder

Et par konkrete eksempler:

• Ejendomsmægler: MCP-server der eksponerer EDC-systemet og DAWA. AI'en kan slå adresser op, hente boligdata, kvalificere leads.
• Webshop: MCP-server til Shopify + Klaviyo + ZenDesk. AI-kundeservice kan se ordrer, kundens historik, og åbne support-tickets i ét flow.
• Bygmester: MCP-server til byggesag.dk + intern projekt-database. Projektlederne kan i Claude Desktop spørge "hvad er status på Sag 4521" og få svar trukket fra begge systemer.

Konklusion: MCP er ikke valgfrit længere

Hvis I planlægger at integrere AI med jeres systemer i 2026, bør MCP være default-arkitekturen. Det er åbent, det er fremtidssikret, og det er hurtigere at bygge end proprietære integrationer.

Vi bygger MCP-servere som en del af de fleste AI-implementeringer hos vores kunder nu. Det starter typisk med ét lille use case — for eksempel "AI'en skal kunne læse vores CRM" — og vokser organisk derfra.

Hvis I er nysgerrige på MCP for jeres setup, så tag fat. Vi kan typisk lave en proof-of-concept på 1-2 uger der viser den konkrete værdi.