MCP je otevřený protokol, který AI asistentům otevírá přístup k datům ve firemních systémech - bez toho, aby pro každý nástroj vznikala vlastní ruční integrace. Vysvětlujeme, jak funguje a proč na něm bude za pár let stát většina byznys softwaru.
Updated
Zeptejte se dnes Claude nebo ChatGPT na stav konkrétní zakázky a model vám odpoví, že to neví - nemá k vašim datům přístup. Ne proto, že by to neuměl, ale proto, že mezi ním a vaším systémem chybí standardizovaný způsob, jak si o data říct. Přesně tuhle mezeru řeší Model Context Protocol, zkráceně MCP.
Co MCP vlastně je
MCP je otevřený protokol, který v listopadu 2024 představil Anthropic (tvůrce Claude) jako standardizovaný způsob propojení AI asistentů se systémy, kde reálně žijí data - CRM, databáze, e-mail, firemní software. Před MCP musel každý nástroj řešit vlastní, ručně psanou integraci pro každou AI aplikaci zvlášť. Anthropic protokol přirovnává k rozhraní USB-C - jeden konektor místo desítek proprietárních kabelů.
Během necelého roku a půl ho jako klienty přijali i OpenAI, Google a Microsoft, takže dnes nejde o "Anthropic standard", ale o společnou řeč napříč hlavními AI platformami. Na jaře 2026 navíc správu protokolu převzala Agentic AI Foundation pod Linux Foundation - stejnou záštitu má třeba Kubernetes - což je pro firmy signál, že nejde o experiment jedné společnosti, ale o standard, který přežije i změnu dodavatele.
Jak MCP funguje
Systém, který chce svá data zpřístupnit, spustí MCP server. V něm popíše tři věci: nástroje (tools) - akce, které může AI zavolat, třeba "najdi zakázku podle čísla" nebo "vytvoř nový kontakt"; zdroje (resources) - data, která může číst, třeba dokumenty nebo záznamy; a šablony promptů (prompts) - připravené způsoby, jak se má AI na danou věc zeptat. AI asistent - MCP klient - se k serveru připojí a tyhle možnosti rovnou použije, aniž by vývojář musel psát propojovací kód na míru konkrétnímu modelu.
Stejnou logiku dnes uvnitř Apexloopu používá AI asistent nad vaším workspace: čtení dat je volné, ale každou změnu vám AI dá nejdřív schválit. MCP tenhle princip přenáší i mimo hranice jedné aplikace - libovolný AI agent se může stejným způsobem zeptat na data, aniž by k nim automaticky dostal neomezený zápis.
Čím se liší od API a webhooku
Pokud znáte pojmy API a webhook, MCP vám bude povědomý - staví na stejných základech. Rozdíl je v tom, pro koho je určený. API a webhook propojují dva konkrétní systémy podle pevně dané smlouvy, kterou navrhl vývojář na obou stranách. MCP je určený přímo AI modelu: server popíše svoje možnosti tak, aby jim model rozuměl sám, bez ručně psaného propojovacího kódu pro každou dvojici nástrojů zvlášť.
V praxi to znamená, že firma jednou zpřístupní svá data přes MCP server, a připojit se k nim pak může libovolný AI asistent, který protokol podporuje - dnešní i ten, co teprve vznikne příští rok.
Kde to dnes reálně vidíte
Za necelé dva roky od představení má MCP přes 10 000 veřejně běžících serverů a přes 97 milionů stažení SDK měsíčně. Nejnovější verze specifikace z 28. července 2026 - podle správců protokolu největší revize v jeho historii - navíc odstranila potřebu udržovat stavové spojení mezi klientem a serverem. MCP servery se tak dají provozovat na běžné škálovatelné webové infrastruktuře, ne na specializovaném setupu, což prudce snižuje náklady na jejich provoz.
I v Česku už to někdo dělá
Rohlík.cz provozuje veřejný MCP server, přes který si zákazník objedná nákup rovnou v konverzaci s Claude nebo jiným AI asistentem - bez otevírání webu nebo aplikace. Je to zatím výjimka, ne pravidlo, ale ukazuje směr, kterým se firemní software obecně posouvá.
Co to znamená pro menší firmu
MCP servery dnes staví hlavně velké firmy s vlastním vývojovým týmem - napojení na protokol vyžaduje rozhodnout, jaká data a jaké akce má smysl zpřístupnit, a bezpečně je naprogramovat. Pro firmu, která používá hotový systém místo vlastního vývoje, to znamená hlavně jedno: až se dodavatel jejího CRM, projektového řízení nebo firemního systému rozhodne MCP podporovat, data se najednou stanou dostupná i AI nástrojům, které dnes ještě neexistují - bez toho, aby uživatel musel cokoliv sám stavět.
Apexloop touhle cestou už prošel: jeden datový model pod CRM, zakázkami, projekty i e-podpisem se ukázal jako ideální výchozí bod pro vlastní MCP server, který dnes běží - se stejným pravidlem schvalování zápisu, jaké platí uvnitř aplikace. Jak se k workspace agent reálně připojí a co si smí přečíst i navrhnout, ukazuje článek Apexloop jako datový zdroj pro AI agenty.
Přístup, ne důvěra naslepo
MCP sám o sobě neřeší, jestli má AI agent vidět všechna data nebo jen jejich část, a jestli smí sám měnit záznamy bez schválení. To zůstává na tom, jak konkrétní MCP server nastavíte - stejně jako u přístupových práv uvnitř systému. Standard vám dá společný jazyk, ne automaticky bezpečnou konfiguraci.
Jak Apexloop dnes řeší, kdo v týmu vidí která data, popisuje návod Přístupová práva a viditelnost dat. O tom, kam vůbec putují firemní data, když je vložíte do AI nástroje, píšeme v článku Nahrajete firemní data do AI. Kam vlastně jdou? Stručnou definici pojmu najdete i ve slovníku, o spuštění vlastního MCP serveru informuje aktualita.
Časté otázky k MCP a firemním datům
Je MCP totéž jako API?
Ne tak úplně. MCP na API často staví, ale navíc popisuje svoje možnosti způsobem, kterému rozumí přímo AI model - bez ručně psaného propojovacího kódu pro každou kombinaci nástrojů. Rozdíly mezi pojmy najdete ve slovníku: co je API, co je webhook.
Potřebuje MCP i malá firma?
Stavět vlastní MCP server dnes dává smysl hlavně firmám s vývojovým týmem. Menší firma spíš profituje nepřímo - až ho začnou podporovat nástroje, které už používá, a vaše data se stanou dostupná AI asistentům bez dalšího zásahu z vaší strany.
Je bezpečné pustit AI agenta k firemním datům přes MCP?
Záleží na tom, jak je konkrétní server nastavený - jaká data zpřístupňuje, jestli rozlišuje čtení a zápis a jestli zápis vyžaduje schválení. Protokol sám bezpečnost negarantuje, tu musí zajistit konfigurace na straně provozovatele.
Má Apexloop MCP server?
Ano. Apexloop MCP server dnes funguje a agent přes něj může číst data z workspace a navrhovat změny, které čekají na schválení - přesně jak popisuje článek Apexloop jako datový zdroj pro AI agenty.