MCP: Den manglende brik til at skabe kontekstuel og forretningsdrevet AI

Derfor bør digitale ledere tage Model Context Protocol alvorligt – og hvordan du kommer i gang.

Når kunder vælger det samme brand igen og igen, handler det sjældent kun om pris eller funktion.
Det handler om at blive mødt, forstået og hjulpet på det rette tidspunkt – med det rette indhold, i den rette kontekst.

Det har tidligere været en opgave, der har været svær at løse med AI.
Men med gennembruddet af Model Context Protocol (MCP) ser det nu anderledes ud.

MCP er teknologien, der gør det muligt for AI at forstå og reagere på jeres data i en specificeret kontekst, og dermed levere oplevelser, der føles personlige, relevante og værdiskabende.

AI’s næste skridt: Fra generativ hype til reel forretningsværdi

Generativ AI har skabt enorme forventninger – og en lind strøm af eksperimenter.
Men mange CMO’er og digitale ledere sidder tilbage med de samme spørgsmål:

• Hvordan griber vi det an?
• Hvor starter vi?
• Og hvordan undgår vi, at det hele forbliver på pilotstadiet?

Mange har lavet spændende proof-of-concepts – men oplever samtidig, at det er svært at skabe kontinuitet, sammenhæng og forankring.

For hvordan bygger man det rette tekniske og organisatoriske fundament, der både starter småt, men skalerer klogt?

Det handler ikke kun om prompts og modeller, men om at lægge et fleksibelt mellemlag, hvor AI har adgang til den rette kontekst: data, forretningsregler og indhold på tværs af systemer.

Og det er præcis her, Model Context Protocol (MCP) kommer ind i billedet.

Hvad er MCP – og hvad kan det?

Model Context Protocol (MCP) er en måde at integrere AI som en del af jeres digitale infrastruktur.

Det er en åben specifikation, der gør det muligt for AI-agenter at interagere med værktøjer og systemer via en standardiseret kommunikationsstruktur (typisk JSON-RPC 2.0).

Her kan AI-modeller via MCP-servere fodres med information specifikt om jeres systemer og data, og på den måde få klar forståelse for jeres kontekst.

Med MCP kan AI agere som en integreret del af jeres forretning ikke blot som en tekstgenerator.

Konfiguration kan f.eks. åbne op for:

• Opdatering af produktpriser direkte i jeres PIM
• Oprettelse af sider i jeres CMS
• Validering af designkonsistens i Figma
• Generering af marketinganalyser med adgang til live performance-data

Et konkret eksempel: produkttekster med og uden MCP

Forestil dig en medarbejder, der har fået opgaven at lave nye produktbeskrivelser til en given kategori.

Uden MCP vil jeres redaktør være begrænset til en prompt, hvor produktet beskrives let, fx:

“Skriv en produktbeskrivelse til (produktnavn).”

AI-agenten vil kunne finde forståelse for produktet ved at afsøge viden ud fra produktnavnet og hvad modellen generelt er trænet på.

Den beskrivelse, der returneres, vil redaktøren kunne bære manuelt videre til PIM eller CMS og indsætte eller justere.

Med MCP kan jeres redaktør derimod trække langt mere specifik kontekst i spil:

“Skriv en produktbeskrivelse for produkt ID 11245 med aktuel lagerstatus, SEO-optimeret ud fra seneste keyword-analyse og brand-tone fra (brandnavn).”

Agenten vil med MCP kunne forespørge, hvor den kan finde info om produkt, keywords og brand-tone.

MCP’en kan f.eks. returnere information om, at:

• Brand tone findes i jeres CMS
• Produktinfo findes i jeres PIM-system
• Keyword-analyser er tilgængelige via Google Keyword Planner

Agenter får et helt andet overblik over, hvilke data der er tilgængelige, og hvor de kan forespørge dem.

Samtidig bliver det muligt for agenten at sende data tilbage til de enkelte systemer langt mere præcist, fordi den forstår den datastruktur, der er i brug.

Hvordan MCP virker under motorhjelmen

MCP følger en modulær og fleksibel agent-server-arkitektur, hvor AI-agenten ikke selv har adgang til alt, men i stedet anmoder MCP-servere om handlinger og information.

Hovedkomponenterne i arkitekturen:
https://www.figma.com/board/qqYXW8rB8zwbOhENPqpJTY/MCP?node-id=2-71&t=kT0nq38vIzF6Ac20-0

Eksempler på MCP-baserede data flows

MCP understøtter et bredt sæt af use cases og data flows.

Eksempel 1: AI-assisteret e-commerce kampagne

Prompt:

“Sæt 20 % rabat på sneakers og lav en landing page med sort/hvide produktbilleder.”

Flow:

• Agent parser forespørgslen og identificerer opgaver: prisændring + oprettelse af landingsside
• Kalder PIM-MCP-server:
  • filterProducts(category="sneakers")
  • updatePrices(discount=20%)
• Kalder Umbraco MCP-server:
  • createDocument(title="Sneaker Sale", layout="grid", imageStyle="bw")
• Returnerer link og kvittering for publiceret kampagne
• Agent tilgår Figma MCP-server:
  • getComponents(document="checkout.flow.fig")
  • compareWithDesignSystem(variant="v2")
• Returnerer liste over uautoriserede farver, knapstørrelser og spacing-afvigelser
• Foreslår ændringer og opdaterer en Slack-kanal
• Tilgår kampagnedata (Meta Ads MCP-server)
• Tilgår konverteringsdata (GA4 MCP-server)
• Analyserer og sammenholder
• Returnerer liste over produkter med forbedringspotentiale og anbefalinger
• En medlemsorganisation kan bruge MCP til at analysere medlemsadfærd og generere personlige kampagner på tværs af e-mail, website og events – uden data science-kompetencer.
• En bank kan anvende MCP til at levere rådgivningsindhold eller produktanbefalinger målrettet kundens livssituation og digitale adfærd – direkte i netbank eller app.

Værdi:
Hurtig kampagneeksekvering uden manuelt CMS- og PIM-arbejde.

Eksempel 2: Designkvalitetssikring i Figma

Prompt:

“Find alle design-komponenter i ‘Check-out flow’, der afviger fra design systemet.”

Flow:

Værdi:
Hurtigere og mere konsistent design QA uden mellemled.

Eksempel 3: Marketingbeslutning på tværs af kanaler

Prompt:

“Hvilke produkter klarer sig dårligt på SoMe, men performer godt i webshoppen?”

Flow:

Bemærk: Integration til systemer som GA4 og Meta Ads via MCP kræver enten egen MCP-server eller adgang via tredjepart (f.eks. Zapier’s MCP-wrapper).

Værdi:
Mere præcise marketingbeslutninger – uden behov for BI-specialister.

Og det stopper ikke ved e-commerce:

MCP gør det muligt at træffe datadrevne beslutninger i realtid på tværs af brancher, hvor konkurrencen om opmærksomhed og loyalitet er benhård.

Eksempler:

• En medlemsorganisation kan bruge MCP til at analysere medlemsadfærd og generere personlige kampagner på tværs af e-mail, website og events – uden data science-kompetencer.
• En bank kan anvende MCP til at levere rådgivningsindhold eller produktanbefalinger målrettet kundens livssituation og digitale adfærd – direkte i netbank eller app.

Sikkerhed og styring i MCP-arkitektur

MCP er bygget med kontrollerbarhed og skalering som kerneprincipper.

Uanset om I skal i gang med at bygge jeres egen MCP eller introducere tredjeparts-MCP i jeres tech stack, kan I med simple midler sikre et solidt, sikkert og velfungerende setup:

• Opsæt rolle- og adgangsstyring:
  AI får kun adgang til det, brugeren selv har adgang til
• Logging og audit trail:
  Alle forespørgsler logges
• Overvej rate limiting og timeouts:
  Forhindrer overload og uautoriseret forespørgselsspam
• Revisionsvenligt setup:
  Klar logik → lettere AI-governance og dokumentation
• Brug OAuth2 på MCP-servere:
  Så autorisation følger jeres eksisterende sikkerhedsmodel

MCP i praksis – hvem bruger det allerede?

Flere software-leverandører er allerede ved at udrulle MCP-servere i deres produkter, heriblandt:

Umbraco

Har lanceret en officiel MCP-server, der tillader AI at:

• oprette og opdatere content
• læse commerce-data
• agere på tværs af backoffice
• designspecifik kode
• komponenter
• assets

https://umbraco.com/blog/unveiling-umbraco-mcp-server

Figma Dev Mode

Figma har lanceret en MCP-server i Dev Mode, som giver AI adgang til:

Perfekt til Dev handoff.

https://help.figma.com/hc/en-us/articles/32132100833559

Cursor, Claude og andre IDE-agenter

AI-værktøjer som Cursor (for udviklere) og Claude (fra Anthropic) understøtter allerede MCP-klienter og kan bruge værktøjer som en del af deres “tool use reasoning”.

Værktøjer som Claude, Cursor og Replit understøtter MCP-klienter, men kræver, at virksomheden selv udstiller MCP-servere, for at AI kan udføre kontekstuelle handlinger.

OpenAI Apps

OpenAI har annonceret, at det bliver muligt at levere apps, der kan svare direkte i ChatGPT – også her er fundamentet MCP, som apps kræves at være bygget på.

Sådan kommer du i gang som digital leder

1. Kortlæg jeres kontekst

Hvor har I systemer med høj kontekstværdi?
CMS? PIM? Marketing automation? Design?
Start der.

2. Vælg MCP-kompatible systemer

Umbraco og Figma er blandt de første – men flere kommer hurtigt (f.eks. Notion, Retool, Contentful).

Står I overfor et systemvalg eller en opdatering, bør I overveje, om MCP skal være en del af jeres beslutningsproces.

3. Udpeg high-impact use cases

Sigt efter områder, hvor tidstab, fejl eller rutinearbejde er højt – og hvor AI kan tage en del af arbejdet, hvis den forstår konteksten.

4. Test via sandbox + AI-agent

Brug en model som Claude eller GPT-4o og forbind den til test-MCP-servere.
Benyt fx ChatGPT development til at teste jeres arkitektur fra et brugerperspektiv.
Mål effekt og forbedringspotentiale.

5. Skalér ansvarligt med governance

Byg en tilgang, hvor AI ikke bare “gør noget”, men:

• logger handlinger
• kan forklares
• respekterer eksisterende adgangsmodeller

Og indbyg “Human Review”, hvor det er relevant.

Konklusion: MCP er ikke bare teknologi – det er infrastruktur for AI i forretningen

Hvis AI skal skabe reel værdi i jeres virksomhed, skal den kunne forstå og handle på jeres kontekst.

Det kræver en arkitektur, der både er fleksibel og skalérbar.
Det er præcis, hvad MCP tilbyder.

Kom godt igang

Sidder du med et AI-initiativ som dette og vil gerne i gang på en struktureret måde, kan du også se vores webinar:
“Fra AI-ambition til brugeroplevelse: Sådan kvalificerer du dine AI-initiativer.”

Vil I høre mere om, hvordan MCP kan anvendes i jeres organisation?

Så tag fat i os.

Hos Knowit følger vi udviklingen tæt – og vi arbejder aktivt med MCP i vores rådgivning og løsninger.

Kontakt os for en uforpligtende snak om MCP og kontekstuel AI.
Vi hjælper jer med at tænke nyt – men bygge på det, I har.