Okolo skratky MCP sa za posledný rok strhla slušná debata. Jedni tvrdia, že ide o najväčšiu zmenu v práci s AI od príchodu ChatGPT, druhí krútia hlavou, načo nový protokol, keď API máme desiatky rokov. Pravda je nudnejšia a zároveň užitočnejšia: MCP a API nie sú konkurenti, pracujú na rôznych poschodiach tej istej budovy.
Článok je pre marketérov a majiteľov webov, ktorí chcú AI asistenta napojiť na WordPress, Search Console alebo Gmail. Vysvetlím, kde MCP sedí, v čom sa líši od API a od automatizácie v Make či n8n, a ukážem, ako pripojiť prvý MCP server bez zbytočného rizika.
Stručne: rozdiel medzi MCP a API v troch bodoch
- API je rozhranie, cez ktoré si dva programy vymieňajú dáta. Píše sa pre vývojárov a každé napojenie treba naprogramovať.
- MCP je otvorený štandard, cez ktorý AI aplikácia zistí, aké akcie má k dispozícii, a požiada o ich vykonanie. MCP server pritom spravidla volá to isté API.
- Model sám nič nevykonáva, iba navrhne akciu. Vykoná ju softvér okolo neho a MCP je štandardný spôsob, ako ho postaviť raz pre mnoho AI aplikácií.
Čo je API a prečo samo o sebe pre AI nestačí
Ak si potrebujete osviežiť základy, podrobne ich rozoberám v článku čo je API a ako funguje. V skratke: program pošle požiadavku na adresu, ktorú služba zverejnila, a dostane späť dáta. Je to presné, predvídateľné a pre bežný softvér ideálne.
Háčik je v tom, kto rozhoduje. Pri klasickej integrácii vývojár vopred napíše pravidlá, napríklad keď príde objednávka, pošli e-mail. Každú službu treba osobitne napojiť a vyriešiť prihlásenie aj chyby.
Keď do aplikácie pridáte jazykový model, rozhodovanie sa presunie na neho. Lenže model nevolá API sám. Napíše len štruktúrovanú požiadavku, napríklad vytvor úlohu s týmto názvom a prioritou, a vykoná ju aplikácia. Bez vrstvy, ktorá drží prístupové údaje a posiela požiadavky, je model len šikovný pisateľ návrhov.
Túto vrstvu budem ďalej volať vykonávacia vrstva. Celý spor MCP vs API je v jadre otázkou, ako ju postaviť.
Čo je MCP (Model Context Protocol)
Model Context Protocol predstavila spoločnosť Anthropic 25. novembra 2024 ako otvorený štandard na prepojenie AI asistentov so zdrojmi dát a nástrojmi. Oficiálna dokumentácia ho prirovnáva k portu USB-C: tak ako jeden konektor pripojí rôzne zariadenia, jeden protokol pripojí rôzne systémy k rôznym AI aplikáciám.
Podľa špecifikácie MCP má komunikácia troch účastníkov:
- Host je AI aplikácia, v ktorej pracujete, napríklad Claude, ChatGPT alebo editor kódu.
- Klient je súčasť hostu, ktorá udržiava spojenie s jedným konkrétnym serverom. Pre každý server vznikne vlastný klient.
- Server je program, ktorý ponúka dáta a akcie. Môže bežať lokálne na vašom počítači alebo vzdialene u poskytovateľa služby.
Server môže ponúkať tri typy vecí: nástroje (akcie, ktoré môže model spustiť), zdroje (dáta ako kontext) a prompty (pripravené šablóny). Správy sa posielajú vo formáte JSON-RPC 2.0 a autori protokolu sa inšpirovali Language Server Protocolom, ktorý kedysi zjednotil podporu programovacích jazykov v editoroch.
Z firemného projektu sa rýchlo stal priemyselný štandard. Podľa Wikipédie ho OpenAI oficiálne prijalo v marci 2025. Google v decembri 2025 spustil vlastné spravované MCP servery pre Mapy, BigQuery či Compute Engine. V tom istom mesiaci Anthropic daroval MCP novej nadácii Agentic AI Foundation pod Linux Foundation a uviedol, že existuje viac ako 10 000 aktívnych verejných MCP serverov.
Kde MCP sedí: jedna požiadavka od otázky po výsledok
Príklad z marketingu: pýtate sa AI asistenta, ktoré články za posledný mesiac stratili najviac kliknutí.
- Klient v AI aplikácii sa spojí s MCP serverom pre Search Console a zistí, aké nástroje ponúka. Tomu sa hovorí objavovanie (discovery).
- Aplikácia pošle modelu vašu otázku spolu so zoznamom nástrojov.
- Model vyberie nástroj a napíše požiadavku s parametrami. Zatiaľ sa nič nestalo.
- Klient pošle požiadavku serveru a ten zavolá bežné API Googlu s uloženými prístupovými údajmi.
- Výsledok sa vráti k modelu ako text a model z neho zostaví odpoveď.
Model rozhodol a sformuloval odpoveď, klient a server doručili správy, skutočnú prácu urobilo API Googlu, presne ako predtým. MCP teda API nenahrádza, stojí pred ním ako prekladateľ pre AI.
Prečo nestačí dať AI dokumentáciu API
Častá námietka znie takto: načo MCP, keď môžem agentovi dať dokumentáciu API a nechať ho napísať kód? Dá sa to a pri jednej aplikácii to často funguje. Rozdiely sú však tri.
Dokumentácia nie je vykonávacia vrstva. Agent sa z nej dozvie, aké volania existujú, ale niekto musí prevádzkovať prostredie, kde kód beží, držať v ňom prístupové údaje a opravovať ho, keď sa pokazí. To je integrácia, ktorú vlastníte a udržiavate.
API je písané pre vývojárov, nie pre model. Jednoduchá úloha ako zhrnúť včerajšie správy z kanála znamená niekoľko volaní za sebou: nájsť identifikátor kanála, previesť dátum do správneho formátu, stránkovať výsledky, preložiť identifikátory používateľov na mená. Dobrý MCP server to zabalí do jednej zrozumiteľne pomenovanej akcie. A keď služba zmení API, opraví sa to na jednom mieste.
Nie všetko má webové API. Súbory v počítači či lokálna databáza nemajú OpenAPI dokumentáciu, no MCP server mať môžu.
Ak si zdieľanú vrstvu postavíte sami, vymysleli ste súkromnú verziu MCP. Je to legitímne, len jej žiadna iná AI aplikácia nebude rozumieť bez práce navyše.
MCP vs API vs automatizácia: porovnanie
| Kritérium | Priame API | MCP | Automatizácia (Make, n8n, Zapier) |
|---|---|---|---|
| Kto rozhoduje o ďalšom kroku | vývojár vopred v kóde | jazykový model podľa situácie | vy vopred v scenári |
| Pre koho je rozhranie písané | pre vývojárov | pre AI aplikácie | pre ľudí cez vizuálny editor |
| Predvídateľnosť | vysoká | nižšia, model sa môže pomýliť | vysoká |
| Opakované použitie | každá aplikácia rieši napojenie znova | jeden server pre mnoho AI aplikácií | scenár žije v jednom nástroji |
| Typické použitie | e-shop, ERP, platby, synchronizácia skladu | analýza, rešerš, práca s dátami na požiadanie | pravidelné a rovnaké úlohy |
| Hlavné riziko | chyby v kóde | prompt injection a príliš široké oprávnenia | chybný scenár beží potichu dookola |
| Pre neprogramátora | náročné | pripojenie jednoduché, bezpečnosť nie | najdostupnejšie |
Z tabuľky vyplýva praktické pravidlo. Ak úloha prebieha zakaždým rovnako, napríklad nová objednávka má ísť do tabuľky a na e-mail, klasická automatizácia alebo priame API je lacnejšia a spoľahlivejšia. MCP dáva zmysel tam, kde vopred neviete, akú otázku budete mať, a chcete, aby si AI sama vybrala správny nástroj. Rozdiel medzi pevným scenárom a samostatne rozhodujúcim systémom podrobnejšie vysvetľujem v článku AI agenti vs AI workflow.
Praktické príklady pre marketérov a majiteľov webov
WordPress: MCP Adapter a Abilities API
WordPress 6.9 priniesol Abilities API, jednotný register funkcií, ktoré môžu jadro, pluginy a témy sprístupniť. Každá schopnosť má definované vstupy, výstupy a kontrolu oprávnení. Na to nadväzuje oficiálny balík WordPress MCP Adapter od tímu WordPress AI, ktorý tieto schopnosti sprístupní ako MCP nástroje.
Vzdialene sa adaptér pripája cez HTTP s overením aplikačným heslom, lokálne cez WP-CLI. Predvolený server ponúka tri nástroje: zistiť dostupné schopnosti, zobraziť ich detail a vykonať ich. AI asistent tak môže napríklad vypísať koncepty článkov alebo pripraviť návrh príspevku, ak to schopnosti na webe dovoľujú.
Dôležitý detail: aplikačné heslo má podľa sprievodcu WordPressu rovnaké oprávnenia ako jeho používateľ. Heslo vytvorené pod administrátorom dá AI kľúče od celého webu, preto použite samostatného používateľa s najnižšou potrebnou rolou. Heslá sa dajú rušiť jednotlivo. Pred pripojením majte aktuálny WordPress aj pluginy a nikdy nepoužívajte null pluginy.
Google Search Console
Search Console má oficiálne API, ktorého dotaz na výkonnosť podľa dokumentácie Googlu sprístupňuje všetky dáta z prehľadu Výkon a vracia ich po dávkach až 25 000 riadkov. V oficiálnych zoznamoch MCP serverov Googlu, ktoré som prechádzal pri písaní, Search Console nefiguruje. Existujúce MCP servery pre Search Console sú komunitné projekty postavené nad týmto API.
Pre marketéra je to dobrý kandidát na prvé pripojenie, lebo ide takmer len o čítanie. Otázky, ktoré dotazy majú veľa zobrazení a slabú mieru prekliknutia, sa s AI riešia rýchlejšie ako vo filtroch. Pravidelný mesačný report však spoľahlivejšie zvládne priame API alebo automatizácia.
Gmail a Google Drive
Google podľa dokumentácie pre vývojárov Workspace ponúka v programe Developer Preview vlastné MCP servery pre Gmail, Drive, Dokumenty, Tabuľky či Kalendár. Google zároveň otvorene upozorňuje, že tieto servery môžu čítať, meniť aj mazať dáta vo vašom účte a že pri práci s nedôveryhodným obsahom hrozí nepriamy prompt injection.
Do schránky prichádza obsah od cudzích ľudí. Ak asistent číta správy a zároveň smie posielať e-maily či zdieľať súbory, útočníkovi stačí poslať správu so skrytým pokynom. Pri Gmaile a Drive preto začnite čítaním a odoslanie či zdieľanie vždy potvrďte ručne.
Make, n8n a Zapier: kedy je lepšia klasická automatizácia
Automatizácia a MCP sa nevylučujú. Napríklad n8n má uzol MCP Server Trigger, ktorý sprístupní vaše workflow ako nástroje pre AI. Rozumná kombinácia: opakované úlohy zvládne scenár a AI cez MCP dostane len hotovú, ohraničenú akciu, napríklad pridaj riadok do reportu. Ak si chcete vyskúšať takýto prístup bez kódu, pozrite si návod, ako vytvoriť AI agenta bez programovania.
Najčastejšie omyly o MCP
MCP nahrádza API. Nie. MCP server takmer vždy volá existujúce API. Ak služba API nemá, MCP to nezmení.
MCP dáva modelu nové schopnosti. Model s MCP nie je múdrejší. Získa len štandardizovaný prístup k nástrojom, ktoré by mu inak musel niekto naprogramovať.
Čím viac serverov, tým lepšie. Každý pripojený nástroj zaberá miesto v kontexte modelu. Anthropic vo svojom technickom článku o MCP uvádza príklad, kde lepší prístup k nástrojom znížil spotrebu zo 150 000 na 2 000 tokenov. Menej nástrojov znamená lacnejšiu a presnejšiu prácu, viac o tom v článku ako ušetriť tokeny.
Bezpečnosť: tool poisoning, prompt injection a kontrolný zoznam
Samotná špecifikácia MCP hovorí, že nástroje znamenajú spúšťanie ľubovoľného kódu a ich popisy treba považovať za nedôveryhodné, ak nepochádzajú z dôveryhodného servera. Aplikácia má pred spustením nástroja získať výslovný súhlas používateľa.
Tool poisoning opísali výskumníci z Invariant Labs v apríli 2025. Škodlivý server ukryje do popisu nástroja pokyny, ktoré používateľ nevidí, no model ich poslúchne, napríklad prečíta súbor s prístupovými údajmi a pošle ho von. Server tiež môže popis zmeniť až po vašom schválení.
Prompt injection je podľa OWASP riziko číslo jeden pre aplikácie s jazykovými modelmi. Nepriama forma prichádza z obsahu, ktorý model spracúva, napríklad z e-mailu. OWASP odporúča minimálne oprávnenia a schválenie rizikových akcií človekom. OpenAI dodáva, že akcie so zápisom zvyšujú užitočnosť aj riziko.
Kontrolný zoznam pred každým novým pripojením:
- Server vytvoril a prevádzkuje poskytovateľ služby alebo niekto, koho poznáte.
- Na začiatok má AI prístup len na čítanie.
- Používate samostatný účet alebo samostatné aplikačné heslo, nie hlavné administrátorské prihlásenie.
- Pri prihlásení cez OAuth ste skontrolovali požadované oprávnenia a zbytočné ste nepovolili.
- V AI aplikácii ste vypli nástroje, ktoré na úlohu nepotrebujete.
- Akcie ako mazanie, publikovanie, odosielanie a zdieľanie vyžadujú vaše potvrdenie.
- Pri lokálnom serveri ste si prečítali presný príkaz, ktorý sa spustí, a rozumiete mu.
- Máte zálohu dát, ku ktorým AI pristupuje.
- Nepoužívané pripojenia a heslá pravidelne rušíte.
Ak chcete širší základ, prečítajte si aj moje zásady bezpečnosti na internete. Podrobnejšie technické odporúčania nájdete v bezpečnostných odporúčaniach MCP, kde sa rieši napríklad kompromitácia lokálneho servera či minimalizácia rozsahu oprávnení.
Ako bezpečne pripojiť prvý MCP server: postup v 7 krokoch
1. Vyberte jednu konkrétnu úlohu
Zvoľte jednu otázku, ktorú dnes riešite ručne, napríklad týždenný prehľad klesajúcich stránok zo Search Console. Jasná úloha vám neskôr povie, či sa pripojenie oplatilo.
2. Overte, kto server vytvoril a kto ho prevádzkuje
Uprednostnite oficiálny server poskytovateľa služby alebo oficiálny balík, ako je WordPress MCP Adapter. Pri komunitnom projekte si pozrite repozitár, aktivitu autorov a požadované oprávnenia. Neznámy server je ako neznámy plugin s administrátorskými právami.
3. Začnite len s čítaním
Prvé týždne nechajte AI iba čítať. Pri WordPresse to zabezpečí rola používateľa, pri Google službách výber oprávnení pri prihlásení. Zápis pridajte, až keď presne viete, akú akciu potrebujete.
4. Vytvorte samostatný účet a samostatné prístupové údaje
Pre WordPress založte používateľa s najnižšou potrebnou rolou a vygenerujte mu aplikačné heslo s jasným názvom. Hlavné administrátorské heslo do AI aplikácie nikdy nevkladajte.
5. Pripojte server a skontrolujte zoznam nástrojov
Po pripojení si prezrite, aké nástroje server ponúka. Napríklad Claude umožňuje pri vlastných konektoroch jednotlivé nástroje vypnúť. Všetko nepotrebné vypnite.
6. Nechajte schvaľovanie akcií zapnuté
Neustále potvrdzovanie zdržiava, no schválenie človekom je posledná poistka proti prompt injection. Automatické schválenie zvážte nanajvýš pri nástrojoch, ktoré iba čítajú.
7. Po týždni vyhodnoťte výsledok a upracte
Overte niekoľko čísel priamo v Search Console alebo vo WordPresse a porovnajte ušetrený čas. Ak ste pripojenie nevyužili, zrušte ho aj s aplikačným heslom.
Čo vo videu nezaznelo a môj pohľad
Článok vychádza z anglického videa, ktoré MCP vysvetľuje dobre z pohľadu vývojára a jeho výklad vykonávacej vrstvy je presný. Pre slovenského marketéra v ňom však chýbajú tri veci.
Po prvé, video hovorí takmer výlučne o nástrojoch. MCP pritom definuje aj zdroje a prompty, takže server môže AI dať aj kontext, napríklad šablónu reportu.
Po druhé, bezpečnosť je vo videu zúžená na to, aby model nevidel API kľúče. To je správne, no väčším praktickým rizikom sú tool poisoning a nepriamy prompt injection. Model kľúč vidieť nepotrebuje, stačí, ak ho niekto presvedčí, aby s ním urobil niečo nechcené.
Po tretie, video cieli na firmy s vlastnými vývojármi. Majiteľ menšieho webu MCP server nestavia, iba ho pripája v aplikácii ako Claude alebo ChatGPT. Preňho je podstatné, ktorý hotový server pripojiť a s akými oprávneniami.
Moje odporúčanie: MCP berte ako pohodlný spôsob, ako sa AI pýtať na vlastné dáta, nie ako náhradu automatizácie. Opakované procesy nechajte v Make, n8n alebo na priamom API. MCP nasaďte tam, kde sa pýtate zakaždým inak, a začnite čítaním. Ak neviete, kde začať alebo ako AI zapojiť do SEO bez rizika, môžeme to prejsť spolu na AI SEO konzultácii.
Časté otázky
Je MCP náhrada za API?
Nie. MCP je spoločná vrstva medzi AI aplikáciou a službou. MCP server vo väčšine prípadov volá existujúce API služby, takže API zostáva na svojom mieste a MCP ho len sprístupňuje v jednotnom formáte pre AI.
Potrebujem na používanie MCP vedieť programovať?
Na pripojenie hotového servera nie. AI aplikácie ako Claude či ChatGPT umožňujú pridať vzdialený MCP server cez nastavenia a prihlásenie. Programovanie potrebujete, ak chcete vlastný server pre interný systém alebo neštandardné nastavenie.
Je bezpečné pripojiť AI k WordPressu cez MCP?
Môže byť. Použite oficiálny MCP Adapter, samostatného používateľa s nízkou rolou a vlastné aplikačné heslo, začnite čítaním a zápisové akcie potvrdzujte ručne.
Čo je tool poisoning?
Je to útok, pri ktorom škodlivý MCP server ukryje do popisu nástroja pokyny pre model. Používateľ ich v rozhraní nevidí, no model ich môže poslúchnuť a napríklad odoslať citlivé údaje. Ochranou je pripájať len dôveryhodné servery a obmedziť oprávnenia.
Kedy je lepšia automatizácia v Make, n8n alebo Zapieri ako MCP?
Keď úloha prebieha zakaždým rovnako, napríklad presun objednávok do tabuľky. Automatizácia je predvídateľnejšia a lacnejšia. MCP sa oplatí pri meniacich sa otázkach, pri ktorých má AI sama vybrať nástroj.
Podporujú MCP aj ChatGPT a Google?
Áno. OpenAI podporuje vzdialené MCP servery v ChatGPT aj vo svojom API a Google spustil spravované MCP servery pre viaceré svoje služby vrátane Workspace v režime Developer Preview. Od decembra 2025 protokol spravuje Agentic AI Foundation pod Linux Foundation.
