MCP – Den universelle pluggen
for AI

Hva om du aldri trengte å kopiere og lime inn igjen? Hva om AI-assistenten din bare… visste hva som sto i kalenderen din, hvilke saker som lå åpne, og hvilke filer du jobbet med?

Det er nettopp det MCP – Model Context Protocol handler om. Det er en teknisk standard som gjør at AI kan kommunisere med verktøyene dine, hente informasjon og utføre handlinger – på lik linje med at du gjør det selv, bare raskere.

USB-porten for AI

Det betyr at en AI-assistent som Claude, GPT eller Gemini kan bruke akkurat samme «plugg» for å koble seg til Google Calendar, Slack, GitHub, Jira eller din egen database. Utviklerne trenger bare å bygge én MCP-server per verktøy – ikke hundre individuelle integrasjoner.

Hva kan MCP brukes til?

La oss gjøre det konkret. Her er situasjoner du sikkert kjenner deg igjen i:

Hvem bestemmer hva AI får lov til?

Dette er kanskje det viktigste å forstå: du bestemmer. MCP er bygget med et tillatelsessystem som lar deg velge akkurat hvor mye frihet AI-en skal ha.

De fleste MCP-klienter (som Claude Desktop) lar deg konfigurere tre modi:

Et praktisk eksempel: e-post

Si at du gir Claude tilgang til Gmail via MCP. En fornuftig oppsett kan være:

Dette mønsteret – lese automatisk, skrive med bekreftelse – er det mest vanlige og fornuftige oppsettet for de fleste brukere.

Slik er MCP bygget opp

MCP følger en enkel klient–server-arkitektur. Når du snakker med Claude, sitter det en MCP-klient i applikasjonen som videresender forespørsler til en MCP-server for hvert verktøy du har koblet til.

En minimal MCP-server i Python

La oss si du vil lage en MCP-server som lar Claude hente løpsøktene dine fra en lokal database (eller en CSV-fil). Her er skjelettet:

# Installer med: pip install mcp
from mcp.server import FastMCP
import json

# Opprett MCP-serveren og gi den et navn
mcp = FastMCP("treningslogg")

# Simulert treningsdatabase
okter = [
    {"dato": "2025-03-10", "type": "løp", "km": 12.4, "puls": 148},
    {"dato": "2025-03-08", "type": "sykling", "km": 32.0, "puls": 135},
    {"dato": "2025-03-06", "type": "løp", "km": 8.5, "puls": 155},
]

# Definer et "tool" – noe Claude kan kalle på
@mcp.tool()
def hent_okter(antall: int = 5) -> str:
    """Henter de siste N treningsøktene fra loggen."""
    siste = okter[:antall]
    return json.dumps(siste, ensure_ascii=False, indent=2)

@mcp.tool()
def legg_til_okt(dato: str, type: str, km: float, puls: int) -> str:
    """Legger til en ny treningsøkt i loggen."""
    ny = {"dato": dato, "type": type, "km": km, "puls": puls}
    okter.insert(0, ny)
    return f"Lagt til: {type} på {km} km den {dato}"

# Start serveren
if __name__ == "__main__":
    mcp.run()

Koble serveren til Claude Desktop

Når serveren er klar, legger du den til i Claude Desktop sin konfigurasjonsfil. Filen heter claude_desktop_config.json og ligger i app-mappen din:

{
  "mcpServers": {
    "treningslogg": {
      "command": "python",
      "args": ["/sti/til/mcp_treningslogg.py"]
    }
  }
}

Start Claude Desktop på nytt, og nå kan du skrive: «Hva var gjennomsnittspulsen på de tre siste løpeturene mine?» – og Claude finner svaret direkte fra din egen logg.

Definere en «resource» (ikke bare tools)

MCP støtter ikke bare handlinger («tools»), men også ressurser – statisk eller dynamisk innhold som AI-en kan lese som kontekst:

@mcp.resource("treningslogg://statistikk")
def vis_statistikk() -> str:
    """Gir AI-en oversiktsstatistikk som kontekst."""
    totalt_km = sum(o["km"] for o in okter)
    snitt_puls = int(sum(o["puls"] for o in okter) / len(okter))
    return f"Totalt {totalt_km:.1f} km logget. Snittspuls: {snitt_puls} bpm."

Tips og triks når du bygger MCPer

• 📝
  Skriv gode docstrings. Beskrivelsene på tools og resources er det AI-en leser for å forstå hva den kan gjøre. Vage beskrivelser gir dårlige resultater. Vær konkret: hvem, hva, når, og hva returneres.
• ✂️
  Et tool – én ting. Skill mellom «hent», «opprett», «oppdater» og «slett». Ikke lag et gigant-tool som gjør alt. Små, fokuserte tools er lettere for AI å velge riktig.
• 🔒
  Skill lese- og skrivetilgang. Skill eksplisitt mellom tools som bare leser og tools som endrer data. Gi dem ulike navn og beskriv konsekvensene tydelig i docstringen.
• ↩️
  Returner forståelige feilmeldinger. Hvis noe går galt, ikke returner bare None eller en tom liste. Returner en streng som forklarer hva som feilet – da kan AI-en gi brukeren et fornuftig svar.
• 📦
  Bruk typer og validering. Definer typer på parametere (int, str, float). FastMCP validerer automatisk inndata og gir AI-en bedre forståelse av hva som forventes.
• 📋
  Logg hva som skjer. Spesielt for tools som skriver til databaser eller eksterne API-er – logg kall med tidsstempel. Da kan du se hva AI-en faktisk gjorde.
• 🧪
  Test tools isolert først. Kall functions direkte fra Python før du kobler til MCP. Sørg for at logikken fungerer, deretter pakk den i MCP-laget.

Ikke stol blindt på MCPer du finner på nettet

MCP er et åpent protokoll-standard. Det betyr at hvem som helst kan publisere en MCP-server – og ikke alle er laget med gode hensikter.

En tommelfingerregel: behandle en MCP-server som du ville behandlet et nettleser-extension. Nyttige, men de har tilgang til mye – og du bør vite hvem du gir den tilliten til.

MCP er ikke framtid – det er nå

MCP er allerede i aktiv bruk. Claude Desktop støtter det. Anthropic, Google og hundrevis av utviklere publiserer servere. Verktøy som Notion, GitHub, Slack, og Google Workspace har allerede offisielle eller uoffisielle MCP-integrasjoner.

Det som er nytt er ikke teknologien i seg selv – det er standardiseringen. Akkurat som USB forandret måten vi kobler til periferiutstyr på, er MCP i ferd med å forandre måten AI integrerer seg i arbeidsflyten vår.

Og det beste? Du trenger ikke være utvikler for å bruke det. Men hvis du er det – er det aldri morsommere å bygge.

Magnus Valmot er dataingeniør og AI-rådgiver i Dataviter. Han hjelper virksomheter med å gå fra data til verdi – ett integrasjonspunkt om gangen.