--- title: "MCP konektory: jak mohou AI agenti bezpečně pracovat s firemními systémy" description: "Co je Model Context Protocol, jak fungují MCP konektory a jak přes ně bezpečně propojit AI agenty s firemními daty, API a aplikacemi." date: "2026-10-22" category: "Automatizace & integrace" image: "https://www.coex.cz/assets/blog/mcp-konektory-firemni-systemy/hero.jpg" --- # MCP konektory: jak mohou AI agenti bezpečně pracovat s firemními systémy AI asistent umí připravit text, analyzovat dokument nebo napsat kus kódu. Pro řadu firemních scénářů ale potřebuje něco dalšího: **bezpečný přístup k aktuálním datům a funkcím systémů, které už firma používá.** Potřebuje zjistit stav objednávky, načíst data z CRM, projít skladové pohyby nebo připravit report nad aktuálními provozními daty. A někdy má udělat další krok a v systému skutečně provést akci. Právě tady se stále častěji objevuje zkratka **MCP – Model Context Protocol**. Je to standard, který sjednocuje způsob, jakým mohou AI aplikace komunikovat s externími systémy, daty a nástroji. ## Co je MCP a jak funguje Nejjednodušší je představit si MCP jako společné rozhraní mezi AI aplikací a firemními systémy. Na jedné straně stojí AI asistent nebo agent, uprostřed MCP konektor a na druhé straně CRM, e-shop, databáze, systém pro správu dokumentů, ERP nebo vlastní aplikace. MCP server popíše, jaké schopnosti má AI k dispozici. Může jí zpřístupnit resources, tedy data a další kontext, nebo tools, tedy konkrétní funkce, které může zavolat. Tools mohou vypadat například takto: - `get_order(order_id)` - `find_customer(email)` - `get_stock(product_id)` - `create_crm_task(customer_id)` - `generate_sales_report(period)` AI díky tomu nemusí znát interní strukturu každého API. Vidí srozumitelně popsané schopnosti a podle úkolu zvolí tu, kterou potřebuje. To je hlavní přínos MCP: **standardizuje způsob, jakým schopnosti existujících systémů zpřístupníme AI nástrojům.** ## MCP konektor může data také připravit U malé databáze můžeme modelu předat několik záznamů a nechat ho pracovat. U reálného firemního systému narazíme velmi rychle na množství dat, jejich strukturu a kontext. Poslat modelu celé databáze nedává smysl. MCP konektor proto může udělat část práce předem: načíst relevantní data, propojit je, odstranit nepotřebné informace a modelu předat jen kontext potřebný pro konkrétní úkol. MCP tedy nemusí být jen technická „trubka“ mezi API a AI. Může být zároveň vrstvou, která připraví data do podoby, se kterou dokáže model efektivně pracovat. ## Od dotazu k živým datům Praktický scénář může začít obyčejnou otázkou: „Ukaž mi vývoj objednávek za poslední tři měsíce podle země a dopravce.“ AI agent zjistí, že má k dispozici nástroj pro získání objednávek, načte potřebná data a připraví analýzu. Uživatel se může následně doptat na konkrétní zemi, produkt nebo období. Výstup přitom nemusí být jen odstavec textu. Nad strukturovanými daty lze vytvářet tabulky, grafy, [dashboardy](https://www.coex.cz/blog/erp-crm-reporting-dashboardy/ 'ERP, CRM a další systémy: jak sjednotit data pro reporting a dashboardy') nebo malé interaktivní aplikace. **Rozdíl je v tom, že uživatel nepracuje s exportem z minulého týdne.** Agent může podle svých oprávnění získávat aktuální data přímo ze zdrojového systému. ## Jak MCP používáme u Lireky Podobný princip využíváme také při dlouhodobém rozvoji e-commerce platformy [Lireka](https://www.coex.cz/reference/lireka/). Její backend propojuje velké množství dat a služeb – katalogy knih, objednávky, sklad, marketplace, dopravce a další části e-commerce ekosystému. Samotná platforma přitom pracuje s téměř dvěma miliony knih a velkým množstvím průběžných aktualizací. MCP nad tímto backendem otevírá další způsob práce s daty. Místo vytváření speciální integrace pro každý nový analytický dotaz lze definované schopnosti backendu zpřístupnit AI nástrojům a nad nimi skládat nové pohledy. Jedním z praktických využití je práce s živými daty a generování analytických pohledů nebo dashboardů, které následně mohou pracovat také s Power BI. Stejná integrační vrstva se dá postupně rozšiřovat o další use cases. Pro nás je na tom zajímavé hlavně to, že MCP nevzniká vedle existující architektury. Staví nad API a daty, která už systém používá. ## Jeden konektor, více AI nástrojů Bez standardizované vrstvy vzniká snadno situace, kdy máme zvláštní napojení pro interního asistenta, další pro vývojového agenta a další pro nový AI nástroj. S rostoucím počtem firemních aplikací se pak integrace začnou násobit. MCP tento vztah obrací. Firemní systém může své schopnosti zpřístupnit jednou přes MCP server a různí podporovaní klienti nad nimi mohou pracovat stejným způsobem. To začíná být zajímavé zejména tam, kde firma používá více aplikací. AI agent pak může přes jednotlivé konektory spojit informace například z CRM, skladu, dokumentace a objednávkového systému. Při větším množství konektorů ale vzniká další úkol: centrálně řídit jejich konfiguraci, přístupy a credentials. ## Proč nestačí dát agentovi přístup do API Technicky můžeme agentovi předat API klíč a nechat ho komunikovat přímo se systémem. Ve firemním prostředí ale potřebujeme přesně vědět, **co smí číst, co smí změnit a pod čí identitou danou operaci provádí**. Rozdíl je dobře vidět na dvou nástrojích, které se liší jediným slovem: `get_invoice(id)` fakturu jen načte, `delete_invoice(id)` ji smaže. Aktuální MCP ekosystém počítá také s autorizací chráněných serverů a jednotlivých tools. To ale stále vyžaduje správný návrh oprávnění na straně konkrétní implementace. U produkčního řešení proto řešíme například autentizaci, role, audit operací, citlivá data, omezení jednotlivých tools a potvrzení akcí s vyšším dopadem. Dobrou výchozí strategií bývá [začít read-only](https://www.coex.cz/blog/vyvoj-softwaru-s-ai-agenty/ 'Vývoj softwaru s AI agenty: rychlost bez ztráty kontroly'). Agent nejprve data čte, analyzuje a připravuje návrhy. Teprve u ověřených scénářů postupně získává možnost provádět omezené změny. ## MCP nevyřeší problémy uvnitř systému MCP dokáže standardizovat cestu, kterou AI k systému přistupuje. Pokud jsou ale zdrojová data nekvalitní, není jasný jejich význam nebo systém neposkytuje potřebné funkce, integrační vrstva to sama nespraví. **MCP standardizuje dveře do systému. Neuklízí místnost za nimi.** Proto při [integracích, automatizaci a AI](https://www.coex.cz/sluzby/integrace-automatizace-a-ai/) pořád platí stejné principy jako dřív. Potřebujeme vědět, [který systém je zdrojem pravdy](https://www.coex.cz/blog/firemni-data-pro-ai/ 'Máte firemní data pro AI? Co vyřešit před nasazením AI asistenta'), jak vypadají datové toky a co se má stát při chybě. MCP k této architektuře přidává nový způsob, jak její funkce zpřístupnit AI. ## Kdy MCP dává smysl Ne každé propojení potřebuje MCP. Pokud chceme například automaticky přenést novou objednávku z e-shopu do ERP, klasické API, webhook nebo integrační workflow bude často jednodušší a předvídatelnější. MCP začíná být zajímavé hlavně tam, kde potřebujeme, aby s firemními systémy pracoval AI asistent nebo agent: - vyhledával a spojoval informace z více zdrojů, - analyzoval aktuální provozní data, - vytvářel reporty a dashboardy podle přirozeného zadání, - připravoval návrhy akcí nad CRM, skladem nebo backoffice, - postupně prováděl přesně omezené operace v několika systémech. V takových scénářích může MCP snížit množství specifických integračních vrstev a zpřístupnit stejné schopnosti více AI nástrojům. ## AI se stává dalším uživatelem firemních integrací Firemní systémy jsme dlouho propojovali hlavně mezi sebou. ERP posílá data do e-shopu, CRM komunikuje s marketingovým nástrojem a sklad aktualizuje objednávkový systém. S AI agenty přibývá další typ konzumenta těchto integrací. MCP je zajímavé právě tím, že pro něj vytváří společné rozhraní. Agent může zjistit, jaké schopnosti má k dispozici, načíst potřebný kontext a použít definovaný nástroj bez toho, aby pro každý nový AI produkt vznikalo celé napojení znovu. Technologie je relativně nová, princip pod ní ale nový není. Dobré API, jasná oprávnění, konzistentní data a promyšlené integrační rozhraní zůstávají základem. Pokud řešíte, jak bezpečně dostat AI agenty k datům a funkcím vašich aplikací, můžeme se [podívat na současnou architekturu](https://www.coex.cz/sluzby/it-konzultace/) a navrhnout, kde dává MCP smysl a kde bude lepší klasická integrace. [Napište nám, co dnes potřebujete propojit.](https://www.coex.cz/sluzby/integrace-automatizace-a-ai/#form) ## Nejčastější otázky ### Co znamená MCP? MCP je zkratka pro Model Context Protocol. Jde o otevřený standard pro komunikaci mezi AI aplikacemi a externími zdroji, nástroji a systémy. MCP server může klientovi zpřístupnit například data nebo konkrétní funkce. ### Je MCP náhradou klasického API? Obvykle ne. MCP konektor často nad existujícím API staví a zpřístupňuje jeho schopnosti ve standardizované podobě AI klientům. Pro běžnou systémovou integraci bez AI může být přímé API stále jednodušší řešení. ### Může MCP agent také měnit data ve firemním systému? Ano, pokud mu server zpřístupní odpovídající tool a uživatel má potřebná oprávnění. U produkčních systémů je vhodné začínat read-only režimem a zápisové operace přidávat postupně podle jejich rizika. ### Je MCP bezpečné? MCP poskytuje mechanismy, na kterých lze bezpečný přístup postavit, včetně autorizace. Výsledná bezpečnost ale závisí na konkrétní implementaci, oprávněních jednotlivých tools, práci s credentials, auditu a ochraně dat.