Så kopplar du ditt affärssystem mot AI på 4 veckor med MCP

De flesta företag har nu provat AI. Kanske ChatGPT för att skriva texter, Copilot för att sammanfatta möten, eller någon generativ AI-tjänst för att ta bort lite manuellt arbete från vardagen.

Men det finns en sak som den typen av AI-verktyg inte kan göra: den vet inte vad som händer i era system just nu.

Den vet inte att ni har 47 obehandlade supportärenden i kön. Den vet inte att en kund precis lagt en order på 380 000 kronor. Den vet inte att nästa evenemang börjar om tre dagar och att ni bara sålt 40 % av biljetterna.

Det är skillnaden mellan AI som ett konversationsverktyg och AI som en integrerad del av er verksamhet.

Model Context Protocol – MCP – är den öppna standard som gör det möjligt att ta steget från det förra till det senare. Utan att ni behöver byta system. Utan att ni behöver skriva om kod. Och, om ni gör det rätt, utan att det tar mer än fyra veckor från idé till fungerande integration.

Vi på Smart Source har gjort det fyra gånger – för kunder och för oss själva. I den här artikeln berättar vi exakt hur.

Problemet med AI-adoption 2026

Alla köper AI. Nästan ingen integrerar den.

Vi pratar med CTO:er och IT-chefer varje vecka. Det är sällan de saknar intresse för AI. Ofta har de redan köpt någon form av AI-tjänst. Problemet är ett annat: AI:n lever utanför systemen.

Det är en paradox som blivit tydligare ju längre AI-hypen pågår. Å ena sidan har vi kraftfulla AI-modeller som kan resonera, planera och kommunicera på ett sätt som känns genuint intelligent. Å andra sidan kan de inte svara på en enkel fråga som "Hur många aktiva kunder har vi?" – för det vet de inte. Ingen har berättat det för dem.

Traditionell systemintegration är svaret de flesta tänker på. Koppla affärssystemet till AI-verktyget via ett API. Låt data flöda. Men det är lättare sagt än gjort.

Standardintegrationer har tre klassiska problem:

Komplexitet. Varje integration är ett eget projekt. En ERP-integration kan ta sex månader och kosta 500 000–1 000 000 kronor. Det är svårt att motivera för ett AI-användningsfall som ännu inte är bevisat.

Underhåll. Integrationer bryts när systemen uppdateras. Ni har en ny version av affärssystemet – och plötsligt funkar ingenting. Någon måste lappa, och det är sällan någon som planerat för det.

Inlåsning. Traditionella integrationer är punktspecifika. Ni bygger en koppling mellan System A och System B. Om ni sedan vill lägga till en AI-assistent behöver ni ytterligare en integration. Och en till. Och en till.

Resultatet är att de flesta organisationer hamnar i ett av två läger:

1. De gör inget. AI-projekten stannar i pilotfasen och konsumerar kalender-tid men levererar ingenting i produktion.

2. De bygger dyra, komplexa integrationer som tar tid och resurser – och i slutändan levererar ett begränsat värde i förhållande till investeringen.

Det är i det gapet som MCP finns.

Vad är Model Context Protocol – och varför är det annorlunda?

Model Context Protocol (MCP) är en öppen standard för att koppla AI-modeller till externa datakällor och system.

Det är viktigt att notera: MCP är inte ett Smart Source-verktyg, inte ett startupskoncept, och inte ännu ett SaaS-abonnemang ni måste betala för. Det är en öppen standard som publicerats av Anthropic och som nu stöds av de flesta stora AI-aktörerna – inklusive Claude, GPT-4, Gemini, och open source-modeller som Llama och Mistral.

Grundprincipen är elegant:

En MCP-server exponerar era befintliga system som ett antal "tools" – enkla, väldefinierade funktioner som en AI-modell kan anropa. Verktyget kan vara "Hämta kundorder" eller "Skapa nytt ärende" eller "Visa tillgängliga evenemang". AI-modellen läser vilka verktyg som finns, och när en användare ställer en fråga kan den anropa rätt verktyg, få tillbaka svaret och presentera det på ett meningsfullt sätt.

Det är allt. Det behövs ingen stor plattform, inget nytt gränssnitt, ingen omskrivning av befintliga system.

Tekniskt sett är en MCP-server en relativt tunn wrapper runt era befintliga API:er. Om ert affärssystem redan har ett REST-API – och det har nästan alla moderna system – är en stor del av arbetet redan gjort. Ni behöver inte öppna systemet utåt, inte heller ge AI-modellen tillgång till hela databasen. Ni exponerar precis de funktioner ni vill att AI:n ska kunna använda.

Det gör MCP till en av de säkraste vägarna in i AI-integration som finns idag.

En annan stor fördel är modell-agnostiken. Eftersom MCP är en öppen standard fungerar samma MCP-server med vilken AI-modell ni väljer. Ni kan börja med Claude, byta till GPT-5 när den kommer, eller köra en lokal Llama-modell av GDPR-skäl – och MCP-servern behöver inte ändras.

Kort sammanfattat:

• Bygger på befintliga API:er – ingen omskrivning av era system

• Fungerar med alla stora AI-modeller

• Öppen standard – ni äger koden, ingen vendor lock-in

• Ni styr exakt vilken data AI:n kan nå

RAG vs MCP – vad är skillnaden?

Innan vi går vidare till konkreta implementationer är det värt att reda ut en vanlig förvirring: skillnaden mellan RAG och MCP.

RAG – Retrieval-Augmented Generation är en teknik där AI:n matas med dokument och sedan kan söka i dem. Ni laddar upp era manualer, policydokument, FAQ-sidor – och AI:n kan svara på frågor baserade på det innehållet.

RAG är utmärkt för:

• Interna kunskapsbaser och handböcker

• Kundtjänst-bots som svarar på vanliga frågor

• Sökning i stora mängder statisk text

Men RAG har en fundamental begränsning: det är passivt. AI:n läser. Den kan inte agera. Den arbetar alltid mot en ögonblicksbild av data, aldrig mot realtidsinformation.

MCP löser det andra problemet: att AI:n ska kunna göra saker – inte bara läsa. Skapa en order. Uppdatera ett ärende. Hämta realtidsdata. Boka ett möte. Logga tid.

De är inte varandras konkurrenter – de kompletterar varandra. Ni kan ha en RAG-lösning för er produktdokumentation och en MCP-integration mot ert CRM. Men om ni vill att AI:n ska vara en aktiv del av er operativa verksamhet är MCP rätt väg.

Fyra MCP-implementationer – vad vi byggt och vad vi lärt oss

Vi tror mer på att visa än att berätta. Här är de fyra MCP-servrar vi byggt och vad de åstadkommer.

1. Eventry – AI-assistent för biljettsystem

Eventry är en eventplattform där arrangörer hanterar evenemang, biljetter och deltagare. Uppdraget var att koppla en AI-assistent till plattformen så att arrangörer kan interagera med sina event via naturligt språk.

Vi byggde en MCP-server med 21 endpoints – tools för att söka evenemang, hantera biljetter, visa deltagarlistor, skapa kampanjer och mer.

Resultatet:

• Implementation: 4 veckor

• Omskrivning av befintlig kod: noll rader

• Exponerade funktioner: 21 st

En arrangör kan nu fråga: "Hur många biljetter har vi sålt till nästa helgs event?" och få ett direkt svar. Eller: "Skapa en rabattkod på 15 % för VIP-gäster" – och det sker direkt i systemet, utan att navigera i gränssnittet.

2. Umbraco – AI-assisterad innehållshantering

Umbraco är ett av de mest använda CMS-systemen i Sverige och Norden. Vi har byggt en MCP-server som exponerar Umbracots Content Delivery API som tools för AI-modeller.

Vad AI:n kan göra:

• Söka och hämta befintligt innehåll från Umbraco

• Skapa nya sidor och innehållsobjekt

• Uppdatera texter och publicera ändringar

• Navigera och analysera innehållsträdet

En redaktör kan nu ge en AI-assistent instruktionen: "Hitta alla produktsidor som inte uppdaterats på sex månader" eller "Skapa ett utkast till en landningssida för vår nya tjänst baserat på vår befintliga ton" – och arbetet sker direkt i CMS:et.

För organisationer som kör Umbraco innebär det att AI-integration är möjlig utan att köpa ett nytt CMS eller ett separat AI-verktyg. MCP-servern fungerar som bryggan.

3. Kimai – AI för tidrapportering

Kimai är ett open source-verktyg för tidrapportering, och vi använder det internt på Smart Source. Vi byggde en MCP-server för Kimai av en enkel anledning: vi ville kunna logga tid via naturligt språk.

Istället för att navigera till gränssnittet och hitta rätt projekt och aktivitet kan vi nu säga till vår interna AI-assistent: "Logga 2 timmar på projektet Göteborgs Stad, aktivitet 'anbudsprocess', för idag" – och det är klart.

Det är ett litet exempel – men det illustrerar kärnprincipen: MCP eliminerar det manuella mellanleds-steget. AI:n vet vilket verktyg som ska användas, när det ska användas, och hur.

4. Krayin CRM – AI-assisterat säljarbete

Krayin är vårt CRM-system. Med en MCP-server kan vi nu interagera med CRM:et direkt via AI-assistenten: skapa leads, uppdatera kontaktstatus, söka bland möjligheter och logga aktiviteter.

"Skapa en ny lead för Malmö Stad med kontakten Anna Lindberg, IT-chef, markera den som varm och tilldela till Mattias" – och leadet läggs in med rätt fält, rätt status och rätt tilldelning. Det är samma arbete som tar 3–4 klick i gränssnittet. Med MCP tar det en sekund.

Vad vi lärt oss av de fyra implementationerna

Det finns ett tydligt mönster i de fyra projekten:

1. Implementation tar 2–4 veckor om systemet har ett befintligt API

2. Ingen befintlig kod behöver skrivas om

3. Gränssnittet försvinner – konversationen tar vid

4. Säkerheten är hanterbar – vi exponerar exakt de endpoints vi väljer

5. Värdet är omedelbart mätbart – tid sparad, fel reducerade, genomströmning ökad

Hur en MCP-implementation ser ut i praktiken

Vi delar in en typisk MCP-implementation i fyra faser.

Fas 1: Kartläggning (1–3 dagar)

Innan vi skriver en enda rad kod kartlägger vi vilka use cases som skapar mest värde. Vilka frågor ställer er personal till systemen varje dag? Vilka uppgifter tar längst tid? Vilka processer är mest repetitiva?

Vi tittar också på befintlig API-dokumentation. De flesta moderna system – ERP, CRM, CMS, ärendehantering – har REST-API:er. Det är startpunkten. Om dokumentationen saknas hjälper vi till att ta fram den.

Fas 2: MCP-server (1–2 veckor)

Vi bygger MCP-servern i .NET/C# – vår primära stack – eller det språk som passar projektet bäst. Varje "tool" definieras med ett namn, en beskrivning och parametrar.

Beskrivningen är central – det är den AI-modellen läser för att förstå när och hur verktyget ska användas. En välskriven tool-beskrivning är skillnaden mellan ett AI-system som fungerar bra och ett som gissar fel.

Fas 3: Integration och test (1–2 veckor)

MCP-servern kopplas till en AI-modell och testas mot verkliga scenarier. Vi testar säkerhetsgränser – vad ska AI:n få och inte få göra? Vi testar edge cases – vad händer om en kund inte finns? Vi finjusterar tool-beskrivningarna så att AI-modellen gör korrekta val.

Det är också i den här fasen vi bestämmer vilken AI-modell som ska användas: molnbaserad (Claude, GPT-4) eller lokal (Llama, Mistral via Ollama). Beslutet påverkar GDPR-bilden avsevärt.

Fas 4: Driftsättning och överlämning (2–3 dagar)

MCP-servern driftsätts i er infrastruktur. Vi dokumenterar vad som byggts – hur tools är definierade, hur servern underhålls, hur ni lägger till nya tools framöver. Ni äger koden och kan förvalta den helt på egna villkor.

Total tidsåtgång: 2–4 veckor. Kostnad: 100 000–300 000 kronor beroende på systemets komplexitet och antal use cases.

MCP, GDPR och EU:s AI-förordning

En av de vanligaste frågorna vi får är: "Men var hamnar vår data?"

Det är en viktig fråga – och med MCP är svaret tydligare än med de flesta AI-tjänster.

Datan lämnar aldrig era system – om ni inte vill det.

MCP-servern körs i er infrastruktur. Om ni väljer en lokal AI-modell (som Llama eller Mistral via Ollama) stannar all data inom er organisation. Även om ni väljer en molnbaserad modell som Claude eller GPT-4 kontrollerar ni flödet: ni bestämmer vilka endpoints som exponeras, vilken data AI:n har tillgång till, och var MCP-servern körs (Sverige, EU, eller on-premise).

EU AI Act och spårbarhet. EU:s AI-förordning kräver spårbarhet, dokumentation och mänsklig kontroll för AI-system i känsliga sammanhang. MCP-arkitekturen är i grunden compliance-vänlig: varje tool är dokumenterat, varje anrop är spårbart, och ni behåller full kontroll. Det är en skarp kontrast mot att skicka känslig verksamhetsdata till en extern AI-tjänst och hoppas på GDPR-efterlevnad.

För offentlig sektor – där krav på datalokalitet, transparens och säkerhet är höga – är MCP ett av de bättre valen för AI-integration som finns i dag.

Öppen standard – ni äger allt. Eftersom MCP är en öppen standard äger ni koden helt och hållet. Det finns inget månadsabonnemang, ingen vendor lock-in, ingen risk att tjänsten läggs ner. Ni kan bygga vidare, anpassa och förvalta helt på era egna villkor.

Vanliga invändningar – och ärliga svar

"Vi har legacy-system som inte har moderna API:er."

Det beror på vad ni menar med legacy. System från 2000-talet har ofta SOAP-tjänster eller direktåtkomst till databas. Det är möjligt att bygga MCP-wrappers runt det också – om än lite mer arbete. En initial kartläggning visar snabbt om det är möjligt. Vi gör den kartläggningen utan kostnad.

"Vi vet inte vilka use cases som ger mest värde."

Det är faktiskt ett bra ställe att börja. Vi brukar leda en halvdagsworkshop med de dagliga systemanvändarna – de vet exakt vilka uppgifter som är mest repetitiva och mest frustrerande. Därifrån är det lätt att prioritera de tre–fem tools som skapar störst omedelbar nytta.

"Ännu ett AI-verktyg att underhålla."

MCP-servern är inte ett verktyg för era användare – den är infrastruktur. Gränssnittet mot AI:n kan vara exakt samma verktyg ni redan använder (Teams, Slack, en intern webb-app). Det tillkommer ingen ny applikation att utbilda folk på. Användarna märker att AI:n blivit smartare – inte att det tillkommit ett nytt system.

"Vad händer om AI:n gör fel?"

Ni definierar vilka actions AI:n kan utföra. Läs-operationer är alltid riskfria. Skriv-operationer kan ni begränsa till specifika värden, kräva bekräftelse från användaren, eller logga för revision. En MCP-server kan designas med flera lager av säkerhet och mänsklig kontroll – exakt vad EU AI Act efterfrågar för högrisk-system.

"Vi har inte budget för ett stort AI-projekt."

En grundimplementation är inte ett stort projekt. 100 000–150 000 kronor och fyra veckor ger en proof of concept med riktiga resultat i produktionsmiljö. Om den levererar värde – och det brukar den – är det lätt att motivera nästa steg.

Framtiden: Från AI-verktyg till AI-agenter

Vi är inne i en fas där de flesta organisationer testar AI som ett verktyg. Man klistrar in text, ber om förslag, och använder det som ett avancerat sökverktyg. Det är ett rimligt första steg.

Nästa fas är annorlunda.

AI-agenter – system som kan planera och utföra uppgifter självständigt, utan mänsklig input för varje steg – är på väg att bli vardag. Och MCP är den infrastruktur som gör det möjligt.

Föreställ er en AI-agent som varje måndag morgon automatiskt:

1. Hämtar alla öppna ärenden i ert supportsystem

2. Prioriterar dem baserat på kund-SLA och ärendets ålder

3. Skickar en sammanfattning till ansvarig teamlead

4. Flaggar de ärenden som riskerar att bryta SLA innan dagen är slut

Det är inte science fiction. Det är vad MCP möjliggör med de system ni redan har.

De organisationer som bygger MCP-infrastruktur idag bygger inte bara en punkt-integration. De bygger en plattform för framtida AI-automation – en anslutningspunkt som kan kopplas till nya AI-förmågor allteftersom de utvecklas. Det är skillnaden mellan att köpa en AI-licens och att bygga AI-kapabilitet.

Redo att koppla ihop era system med AI?

Vi har genomfört fyra MCP-implementationer och kan räkna upp exakt vad varje vecka levererade. Det är inte ett koncept vi säljer – det är något vi gjort på riktigt.

Om ni är nyfikna på om MCP passar era system erbjuder vi en gratis kartläggning:

• En timmes genomgång av era befintliga API:er och system

• En bedömning av vilka use cases som ger snabbast värde

• En grov tidplan och kostnadsuppskattning

Utan förpliktelser. Utan säljpitch.

Hör av er via smartsource.eu eller kontakta Mattias Jacobsson direkt på LinkedIn.

Smart Source AB – Vi bygger AI-integrationer och digitala lösningar för svenska företag och organisationer. Malmö, Sverige.