Skip to content
Book AI-strategimøde
Search icon
Book AI-strategimøde
AI Ordbog / Model Context Protocol (MCP)

Model Context Protocol (MCP)

Model Context Protocol (MCP) er den åbne standard, der forbinder AI-systemer med virksomhedens værktøjer og data. Forstå arkitekturen, fordelene og faldgruberne.

Kontakt en konsulent
Model Context Protocol (MCP)
Frame 4
Frame 3
Frame 2
Frame 1
Frame 5
Model Context Protocol (MCP)
AI ORDBOG

Hvordan virker Model Context Protocol?

MCP bygger på en klient-server-arkitektur. En MCP Host — typisk en AI-applikation som en chatbot, en IDE-assistent eller et agent-framework — opretter en MCP Client for hver ekstern tjeneste, den skal kommunikere med. Hver klient opretholder en dedikeret forbindelse til sin MCP Server, som eksponerer bestemte funktioner via protokollen.

Kommunikationen mellem klient og server foregår via JSON-RPC 2.0-beskeder. Lokale installationer bruger STDIO til transport, mens fjernopsætninger benytter HTTP kombineret med Server-Sent Events. Denne fleksibilitet gør det muligt at køre MCP-servere både on-premise og i skyen.

Protokollen definerer tre kerneprimitive, som en server kan eksponere. Tools er eksekverbare funktioner — tænk på det som API-kald, AI-modellen kan foretage. Resources er datakilder, der giver kontekst til modellen, f.eks. filer, databaser eller dokumenter. Prompts er genanvendelige skabeloner, der strukturerer interaktionen med LLM'en.

En afgørende forskel fra traditionelle API-integrationer er, at MCP-servere er selvbeskrivende. En AI-agent kan forespørge en server: "Hvilke værktøjer tilbyder du?" — og modtage en maskinlæsbar liste over funktioner, deres input og output. Det eliminerer behovet for, at udviklere manuelt skal læse og implementere API-dokumentation for hver integration.

I praksis betyder det, at en virksomhed kan opbygge én MCP-server for sit CRM-system, og den server kan derefter bruges af alle AI-applikationer i organisationen — fra kundeservice-chatbotten til den interne AI Agent, der styrer salgsprocesser.

Kontakt en konsulent

MCP i erhvervslivet

I 2026 er MCP gået fra niche-udviklerstandarder til et fast punkt på ledelsens dagsorden. Over 50 partnervirksomheder — heriblandt Salesforce, ServiceNow, Workday, Autodesk og konsulentfirmaer som Accenture og Deloitte — har implementeret eller certificeret MCP-baserede integrationer. Virksomheder rapporterer 40-60 % hurtigere deployment af AI-agenter, når de bruger MCP frem for skræddersyede konnektorer.

Den primære forretningsværdi ligger i skalerbarhed. Når HR, økonomi, compliance, indkøb og salg alle skal have AI-assistenter, der trækker på virksomhedens data, undgår MCP, at hvert team bygger sin egen integration. En veldesignet MCP-server kan genbruges på tværs af afdelinger og AI-platforme.

For multi-agent systemer er MCP særligt kraftfuld. Flere agenter kan koordinere komplekse processer — f.eks. en indkøbsworkflow, hvor én agent analyserer behov, en anden tjekker leverandørpriser, og en tredje genererer en indstilling — uden at der kræves centraliseret styring af alle integrationer.

Sikkerhed er den definerende udfordring i MCP's enterprise-adoption. Virksomheder kræver SSO-integration, audit trails, gateway-kontrol og konfigurationsportabilitet. Med introduktionen af CIMD (Credential and Identity Management for Developers) i den seneste specifikation er mange af disse krav nu adresseret direkte i standarden.

Den praktiske konsekvens for ledelser er klar: MCP reducerer den marginale omkostning ved at tilføje nye AI-integrationer markant. Det første MCP-setup kræver investering, men hver efterfølgende integration koster en brøkdel af en traditionel, skræddersyet konnektor.

Hvad MCP ikke er

MCP erstatter ikke API'er. Protokollen bygger oven på eksisterende API'er og tilføjer et standardiseret lag, der gør dem tilgængelige for AI-systemer. De underliggende API'er udfører stadig det faktiske arbejde — MCP giver blot AI-modeller en ensartet måde at opdage og kalde dem på.

MCP er heller ikke et universalmiddel mod alle AI-integrationsproblemer. For simple, afgrænsede projekter, hvor én AI-model skal kalde ét API-endpoint, kan MCP være overflødigt. Protokollen giver mest værdi, når organisationer har mange AI-applikationer, der skal forbindes med mange systemer — altså når N×M-problemet er reelt.

Endelig er MCP ikke en garanti for sikkerhed i sig selv. Dårligt konfigurerede MCP-servere kan lede til data-lækage, over-tilladelse eller prompt injection. Ligesom med enhver anden infrastruktur kræver MCP omhyggelig konfiguration, adgangsstyring og løbende overvågning — særligt i enterprise-miljøer, hvor AI Governance er en nødvendighed.

Relaterede termer

Agentic AI: AI-systemer, der handler autonomt og bruger MCP til at forbinde sig med eksterne værktøjer og data. AI Agent: En konkret implementering af autonom AI, der typisk bruger MCP-servere til at udføre handlinger. Tool Calling / Function Calling: Mekanismen, hvor en LLM kalder eksterne funktioner — MCP standardiserer denne proces. AI Orchestrering: Koordineringen af flere AI-komponenter og -tjenester, hvor MCP fungerer som integrationsprotokol. LLM (Large Language Model): De sprogmodeller, der bruger MCP til at interagere med omverdenen. Guardrails: Sikkerhedsmekanismer, der begrænser, hvad AI-systemer kan gøre via MCP-forbindelser. API (Application Programming Interface): De underliggende grænseflader, som MCP bygger oven på. Multi-agent System: Arkitekturer, hvor flere AI-agenter samarbejder via MCP-forbundne værktøjer.