Vad är en MCP-server? Så kopplar AI sig till verktyg och data

En MCP-server är en tjänst som gör verktyg, data och mallar tillgängliga för en AI-modell genom Model Context Protocol (MCP) — den öppna standarden för hur AI kopplar sig till omvärlden. Kort sagt: protokollet är språket, och servern är den som talar det och faktiskt levererar funktionaliteten. I stället för att bygga en egen integration mellan varje modell och varje system ger MCP ett gemensamt gränssnitt som fungerar på tvären.

MCP vs. MCP-server: vad är skillnaden?

Detta är den vanligaste förvirringen. MCP är en specifikation — en uppsättning regler, byggd på JSON-RPC, för hur en AI-klient (till exempel Claude, ChatGPT eller en IDE-agent) och en server utbyter meddelanden. En MCP-server är en konkret implementation som följer de reglerna. Klienten sitter i AI-appen; servern erbjuder verktygen. Samma server kan därför användas av många olika AI-klienter, eftersom de alla talar samma protokollspråk.

Hur en MCP-server fungerar: tools, resources och prompts

En MCP-server exponerar tre typer av byggstenar, kallade primitiver:

• Tools — handlingar modellen kan utföra, som att köra en audit, söka i en databas eller skapa en post. Modellen ”anropar” ett verktyg och får ett resultat tillbaka.
• Resources — läsbara data som servern ställer till förfogande, som en rapport, ett dokument eller en fil. Modellen läser dem för kontext.
• Prompts — återanvändbara mallar som paketerar en uppgift i ett färdigt format, så att användaren slipper formulera den från grunden varje gång.

Varje primitiv har standardiserade metoder för att lista vad som finns och anropa eller hämta det. Det är detta som gör MCP ”plug-and-play”: klienten upptäcker automatiskt vad servern kan.

Transport och säkerhet: stdio vs. HTTP

En MCP-server kommunicerar över en transport. Lokala servrar använder stdio (standard in/ut) och körs på samma maskin som AI-klienten — användbart för lokala filsystem och kommandoradsverktyg. Externa servrar använder HTTP (Streamable HTTP) och nås över nät, som en vanlig molntjänst. Eftersom externa servrar är tillgängliga utanför din egen maskin säkras de typiskt med OAuth 2.1, där klienten begär en åtkomsttoken innan den får använda servern. Välj stdio för lokalt och HTTP för produktion.

Så använder CitationLab MCP-servrar

CitationLab publicerar egna MCP-servrar för båda sina plattformar. CitationLab Manager exponerar en MCP-server så att en AI-assistent kan hämta SEO-, AEO-, CRO- och tekniska audits och tillhörande rekommendationer direkt — som live-verktyg, inte statiska PDF:er. CitationLab Monitor gör detsamma för AI-synlighetsdata: citeringar, omnämnanden, Share of Voice och konkurrentanalys på tvären av ChatGPT, Gemini, Perplexity och Google AI. I praktiken betyder det att en agent kan fråga ”hur ligger varumärket till i AI-sök den här veckan?” och få svar från verkliga data i stället för att gissa.

Hur andra kan använda MCP-servrar

Har du data eller funktioner du vill att AI ska kunna använda — en produktkatalog, en kunskapsbas, ett internt verktyg — är en MCP-server sättet att exponera det tryggt och standardiserat. Börja smått: en server med några få tools och resources som täcker ett verkligt behov, gärna lokalt via stdio först, sedan externt via HTTP med OAuth när det ska i produktion. Vill du se hur ditt varumärke representeras när AI-agenter hämtar data om dig? Börja med en genomgång av din AI-synlighet.