Что такое MCP
и зачем он бизнесу?

У большинства ИИ по умолчанию довольно пустой рабочий стол. Модель умеет рассуждать и писать, но не знает, сколько заявок пришло вам вчера, о чём договорились на последнем созвоне и почему команда выкатила новую механику именно во вторник.

Можно каждый раз вручную приносить ей таблицу, копировать переписку и объяснять устройство бизнеса. А можно дать ей контролируемый доступ к нужным системам. Для этого и появился MCP — Model Context Protocol.

MCP — это не ещё одна нейросеть

MCP — открытый стандарт связи между ИИ-приложениями и внешними системами. Его часто сравнивают с USB-C: вместо отдельного нестандартного переходника для каждого сервиса появляется общий способ договориться, какие данные доступны и какие действия можно выполнить.

На одной стороне находится приложение с ИИ — например, Claude, ChatGPT, Codex, Cursor или внутренний корпоративный помощник. На другой — MCP-сервер, который предоставляет аккуратно описанные возможности. Между ними работает MCP-клиент.

Представьте, что вы спрашиваете обычный чат: «Сколько заявок пришло вчера?» Он не знает. У него нет доступа ни к вашей CRM, ни к таблице, ни к бэкенду. После подключения через MCP ИИ видит, куда можно обратиться за ответом и что ему разрешено там сделать.

Что именно находится внутри MCP?

MCP не складывает все данные компании в одну гигантскую папку. Он даёт ИИ организованный набор возможностей и объясняет, как ими пользоваться.

1. Инструменты. Конкретные команды, которые ИИ может вызвать: получить продажи за период, найти клиента, прочитать остатки, создать черновик задачи. У каждой команды заранее описано, какие параметры она принимает и что должна вернуть.
2. Источники и ресурсы. Список доступных баз, документов и систем: таблицы, регламенты, база знаний, CRM, бэкенд, переписка, расшифровки звонков. ИИ видит не всё подряд, а только разрешённые источники.
3. Готовые промпты. Шаблоны повторяющихся запросов: «собери ежедневную сводку», «проверь воронку», «найди расхождения», «подготовь отчёт со ссылками на источники». Они задают последовательность действий и формат ответа.
4. Правила доступа. Кто может смотреть финансовые данные, кто видит клиентские карточки, где разрешено только чтение и какое действие требует подтверждения человека.

MCP сообщает ИИ, какие двери существуют, что находится за каждой, как правильно попросить нужное и какие двери ему вообще можно открывать.

Сам MCP не хранит знания о вашем бизнесе, не выбирает модель и не принимает управленческие решения. Проще говоря, это не мозг и не память компании, а понятный и контролируемый разъём к ним.

А уже ИИ-агент решает, когда воспользоваться этим разъёмом и в какой последовательности вызвать инструменты. Подробнее о разнице между моделью, чатом и агентом — в статье «Что такое ИИ-агент и как он работает?».

MCP даёт модели руки и доступ к шкафам.Но не гарантирует, что она правильно поймёт, зачем в третьем шкафу лежит отчёт за прошлый квартал.

Как MCP выглядит в обычной компании

Не нужно представлять серверную стойку с мигающими лампочками. На практике компания выбирает несколько систем, к которым сотрудникам постоянно приходится ходить за информацией, и даёт ИИ ограниченный доступ через MCP.

1. Интернет-магазин. ИИ получает доступ к заказам и складу. Можно спросить: «Какие товары продавались лучше всего на прошлой неделе и каких осталось меньше десяти?»
2. Отдел продаж. ИИ видит разрешённые данные CRM, расшифровки звонков и рабочую переписку. Он может найти заявки без ответа или собрать историю общения с конкретным клиентом.
3. База знаний. ИИ ищет по регламентам и документам компании. Вместо ответа из головы он показывает актуальное правило и ссылку на страницу, где оно записано.
4. Продуктовая команда. ИИ обращается к аналитике и таск-трекеру. Он может показать изменение показателя и найти, какие релизы или эксперименты проходили в это время.

У Notion и GitHub уже есть готовые MCP-подключения. Но российскому бизнесу чаще нужен собственный набор: 1С, Битрикс24 или amoCRM, Telegram, таблицы, Яндекс Диск и внутренний бэкенд. Если у сервиса нет готового MCP, разработчик подключается к его API и открывает ИИ только нужные функции.

Главное преимущество общего стандарта: такое подключение можно использовать с разными MCP-совместимыми ИИ-приложениями. Не нужно заново писать уникальную интеграцию для каждого чата или агента.

Можно ли сделать собственный MCP?

Да. Более того, для внутренней базы знаний или специфической бизнес-системы собственный MCP часто полезнее готового.

Допустим, у компании есть база документов. MCP-сервер может дать модели несколько узких возможностей: найти документы по теме, прочитать конкретный раздел, показать дату обновления и автора, вернуть ссылки на первоисточники. Тогда сотрудник спрашивает: «Как у нас согласуются скидки больше 15%?» — и получает ответ не из общих знаний модели, а из актуального регламента компании.

По тому же принципу можно подключить CRM, склад, биллинг, аналитическое хранилище, таск-трекер или внутренний API. Сервер бывает локальным — работает на компьютере рядом с ИИ-приложением — или удалённым, доступным по защищённому соединению.

За что платят при разработке MCP?

Показать демонстрационный MCP с одной кнопкой можно довольно быстро. Рабочая корпоративная система стоит денег не из-за самого слова «протокол». Основная работа — разобраться в процессах компании и превратить их в надёжный набор источников, правил и инструментов.

1. Разобрать задачи. Определить, какие вопросы должна решать система, кто будет ею пользоваться и как выглядит хороший ответ.
2. Подключить источники. Настроить авторизацию и соединения с базами, CRM, 1С, документами, чатами, телефонией или внутренним бэкендом.
3. Спроектировать инструменты. Не просто открыть весь API, а сделать понятные команды: «получить продажи», «найти договор», «собрать историю клиента», «создать черновик задачи».
4. Собрать базу знаний. Загрузить регламенты, описания процессов, словарь метрик, схемы данных, ограничения и приоритетные источники.
5. Написать готовые сценарии и промпты. Ежедневная сводка, проверка воронки, отчёт руководителю, поиск расхождений — каждый сценарий со своей логикой и форматом результата.
6. Настроить права и безопасность. Разделить чтение и запись, скрыть лишние персональные или финансовые данные, добавить подтверждение опасных действий.
7. Добавить проверяемость. Ссылки на первоисточники, использованные фильтры и формулы, время обновления данных, журнал запросов и понятные сообщения об ошибках.
8. Протестировать и поддерживать. Проверить систему на реальных вопросах, исключениях и заведомо неполных данных, а затем обновлять её вместе с бизнес-процессами.

То есть клиент покупает не «переходник к нейросети». Он покупает разобранную и описанную модель собственного бизнеса, к которой ИИ может безопасно обращаться.

Реальный кейс: один вход в цифры и контекст компании

Для одной компании, которую я пока не могу назвать, мы собрали большую внутреннюю систему с MCP. Цель звучала заманчиво: дать команде помощника, который одновременно видит операционные цифры и понимает, что происходило в бизнесе.

В систему сходятся три слоя данных:

1. Бэкенд и бизнес-метрики. Заявки, продажи, конверсии, денежные остатки, товары и другие фактические показатели.
2. Корпоративная переписка. Отдельный бот читает разрешённые рабочие чаты в Telegram и делает их доступными для поиска.
3. Звонки. Сервис транскрибации превращает встречи и разговоры в текст, который тоже можно найти и сопоставить с событиями.

К этому подключён таск-трекер. Поэтому помощник может не только показать падение конверсии в определённый день, но и найти, какие задачи тогда выкатывались, что обсуждала команда и о чём договорились на созвоне.

Технически не всё перечисленное является MCP. Бот, транскрибация и хранилища могут жить отдельно. MCP здесь служит единым интерфейсом, через который ИИ находит нужные источники и вызывает подготовленные инструменты. Именно поэтому одна и та же система может отвечать на вопросы сразу по нескольким слоям контекста.

Что такая система делает хорошо

Лучше всего она работает там, где нужен проверяемый факт или аккуратная выборка:

1. показать конверсию за период и сравнить её с предыдущим;
2. найти остатки, продажи, заявки и самые продаваемые позиции;
3. собрать связанные цифры из нескольких систем в одну таблицу;
4. найти, что команда выпустила в конкретный день;
5. отыскать обсуждение решения и дать ссылки на сообщения, задачи или транскрипты;
6. проверить, совпадает ли формулировка в отчёте с первичными данными.

Это уже экономит часы. Вместо путешествия по админке, таблицам, Telegram и трекеру человек получает факты в одном диалоге и может провалиться в источник.

А где начинается проблема?

В тот момент, когда вопрос меняется с «что произошло?» на «почему это произошло?».

Модель прекрасно видит, что конверсия упала во вторник, а в тот же день команда выпустила новую форму. И очень охотно связывает эти два события. Но совпадение по времени ещё не доказывает причину. Возможно, изменился источник трафика, сломалась оплата, закончился товар, началась акция конкурента или аналитика просто задублировала события.

Чем больше контекста мы подключаем, тем убедительнее может звучать неверная история. Модель находит правдоподобное объяснение и натягивает вывод на глобус — спокойно, связно и с отличными подзаголовками.

Найти цифру — не то же самое, что понять причину.Доступ к данным сокращает путь до факта. Он не отменяет проверку гипотез.

Зачем MCP большая инструкция о бизнесе

Чтобы система не сравнивала несравнимое, рядом с инструментами нужна подробная база знаний. У нас это фактически большой README о том, как устроены данные и компания.

Он не делает модель безошибочной, но резко сокращает количество красивой ерунды. В нём стоит зафиксировать следующее:

Заменяет ли это аналитика?

Как интерфейс к данным — частично. Как человека, который понимает устройство бизнеса, качество измерений и причинно-следственные связи, — пока нет.

Хороший бизнес-аналитик замечает, что вопрос задан неправильно, сегменты нельзя сравнивать, метрика изменила определение, а красивой причинной истории не хватает эксперимента. MCP может быстро принести ему доказательства, проверить расчёт и найти связанный контекст. Но ответственность за вывод остаётся у человека.

В небольшом бизнесе эту роль часто выполняет сам владелец: он знает, откуда появились цифры, где команда ведёт учёт вручную и почему декабрь нельзя сравнивать с ноябрём. Тогда MCP-помощник может стать очень сильным интерфейсом к собственной компании — если владелец сначала выгрузит эти знания из головы в правила.

С чего начать

1. Выберите пять конкретных вопросов. Не «пусть знает весь бизнес», а «покажи продажи», «найди регламент», «собери заявки за неделю».
2. Назначьте источники истины. Для каждого ответа определите систему, формулу и владельца.
3. Начните с чтения. Сначала поиск и отчёты, затем черновики и только потом действия.
4. Требуйте доказательства. Ответ должен содержать ссылки, фильтры, период и формулу.
5. Соберите набор проверочных вопросов. Включите нормальные случаи, исключения и ситуации, где правильный ответ — «данных недостаточно».
6. Разделяйте факты и гипотезы. Пусть система явно маркирует найденное, рассчитанное и предположенное.

Хороший первый MCP не пытается управлять компанией. Он надёжно отвечает на небольшой набор дорогих вопросов. А уже потом к нему добавляются новые данные, инструменты и права.