MCP propojuje AI aplikaci s externími daty a nástroji. Marketingovému týmu může usnadnit přípravu reportu nebo práci s obsahovými podklady. Samo ale nezajistí správnou analýzu ani bezpečnou automatizaci. Před připojením Search Console, CRM nebo redakčního systému je potřeba určit nejen úkol, ale také data, oprávnění a bod, za kterým musí rozhodnout člověk.
Dobrým prvním projektem není agent, který „řídí celý marketing“. Je jím ohraničený postup: načíst schválená data, připravit podložený návrh a předat jej ke kontrole. Na takovém zadání se dá poznat, zda propojení přináší užitek, nebo jen přesouvá ruční práci do oprav AI výstupů.
Co je MCP a jak souvisí s AI agentem
Model Context Protocol, zkráceně MCP, je otevřený protokol pro propojení AI aplikací s externími zdroji a funkcemi. Popisuje, jak si aplikace a server předají informace o dostupných možnostech a jak je použijí. AI agent je naproti tomu systém, který v rámci zadaného cíle volí další kroky a využívá dostupné nástroje. MCP může být jednou z jeho cest k nástrojům, ale není podmínkou existence agenta.
Podle architektury MCP je host AI aplikace, se kterou pracujete. Uvnitř ní funguje klient pro komunikaci s konkrétním MCP serverem. Server nabízí přístup k datům nebo funkcím; nemusí jít o vzdálený počítač, může to být i program spuštěný na vašem zařízení.
Server může vystavit například resources, tedy datové podklady, prompts, opakovaně použitelné šablony zadání, a tools, funkce k vykonání. Nástroj může přečíst report, ale také změnit záznam. Označení „MCP server“ tedy samo o sobě neříká, zda dostáváte čtečku dat, nebo přístup k úpravám produkčního systému.
Podstatné je oddělit protokol, konkrétní server a aplikaci. MCP neurčuje, jak bude model nad daty přemýšlet. Server nemůže automaticky zpřístupnit funkce, které nepodporuje cílová služba nebo k nimž nemá oprávnění. A klient nemusí podporovat všechny možnosti, které připouští specifikace.
Aktuální specifikace není seznam funkcí vašeho účtu
Stav zdrojů byl ověřen k 16. listopadu 2026. Oficiální přehled verzí v té době označuje jako aktuální protokol 2026-07-28. Rozlišuje jej od připravovaných návrhů a starších uzavřených verzí. Při implementaci nestačí najít návod s nápisem MCP; potřebujete vědět, jakou verzi a které funkce podporují obě strany spojení.
To není výzva ručně přepisovat fungující integraci podle každé změny dokumentace. Je to důvod evidovat podporovanou verzi, způsob připojení a otestované nástroje. Starý konfigurační příklad nemusí odpovídat dnešnímu serveru a nová specifikace se nemusí okamžitě promítnout do vašeho klienta.
Konkrétním příkladem implementace je podpora MCP v OpenAI Responses API. Dokumentace popisuje připojení serveru, výběr povolených nástrojů a schvalování volání. Jde o dokumentaci vývojářského API. Není to důkaz, že stejný server, oprávnění a ovládání máte automaticky v běžném uživatelském rozhraní ChatGPT nebo v libovolném tarifu.
Také představení ChatGPT agent z července 2025 ukazuje širší pojetí agenta: práci s prohlížečem, terminálem a dalšími cestami k informacím. Není to aktuální katalog MCP integrací. Před nákupem nebo nasazením vždy ověřte konkrétní produkt, dostupnost pro účet a skutečný seznam operací.
Kde MCP marketingu opravdu pomůže
Report z několika schválených podkladů
Opakující se report bývá vhodným kandidátem, protože má známé vstupy i očekávaný výstup. Agent může přes ověřený server načíst data, porovnat stejné období a připravit komentář. Přidaná hodnota nespočívá v tom, že přepíše tabulku do vět. Má upozornit na změny, doložit je konkrétními řádky a oddělit naměřený vývoj od hypotézy o jeho příčině.
Například pokles kliknutí na skupině stránek může vést k otázce, zda se změnila poptávka, pozice nebo míra prokliku. Samotný rozdíl mezi obdobími však nevysvětluje příčinu. Agent má navrhnout další kontrolu, ne automaticky rozhodnout, že je nutné přepsat texty nebo zvýšit rozpočet.
Podklady pro obsahový refresh
Můžete propojit čtení výkonových dat s aktuálním zněním článku a schváleným redakčním zadáním. Výsledkem má být návrh: které čtenářské otázky zůstávají nezodpovězené, co je zastaralé a jaké důkazy chybějí. Pokud server dovoluje ukládání, bezpečnější pilot skončí v odděleném konceptu, nikoli změnou publikovaného originálu.
Výkonová data přitom nejsou náhradou obsahové strategie. Pro rozhodnutí, co má vůbec vzniknout a komu text pomáhá, navazuje postup tvorby obsahové strategie. MCP usnadňuje práci s podklady; nevybírá za vás obchodní směr.
Příprava úkolů místo jejich nekontrolovaného provádění
Dalším využitím je převést schválené závěry do návrhu úkolů s odpovědnou osobou a ověřitelným výsledkem. Má-li server právo zapisovat do projektového nástroje, může po schválení založit příslušné položky. Nejdříve ale musí být jasné, jak pozná již existující úkol, aby opakované spuštění nevytvářelo duplicity.
Tyto situace jsou návrhy pracovních postupů, ne tvrzení, že je každý server pro GA4, Search Console nebo CRM umí rovnou provést. Předem si nechte ukázat přesné názvy nástrojů, jejich vstupy, výstupy a povolené účty. Marketingový seznam integrací není technická záruka konkrétní operace.
Modelový pilot: kontrola organického výkonu ze Search Console
Představte si fiktivní B2B firmu, která chce pravidelně zkontrolovat vývoj organického vyhledávání. Nejde o realizaci pro konkrétního klienta ani o ukázku naměřených výsledků. Cílem pilotu je vytvořit přezkoumatelný report z jedné povolené Search Console property, tedy evidovaného webu nebo domény.
Zadání by nemělo znít „najděte SEO problémy“. Určete období, typ vyhledávání, trh, zařízení, úroveň agregace a případné rozdělení značkových a neznačkových dotazů. Pokud porovnáváte sezónní obor, samotné předchozí období nemusí být vhodným měřítkem. Výběr srovnání patří do briefu, ne do tichého rozhodnutí modelu.
- Načtení: povolte pouze schválenou property a čtecí operace. Zaznamenejte filtry, období a čas získání dat.
- Kontrola úplnosti: zjistěte, zda server výsledky stránkuje a zda vrací surová data, agregaci nebo jen omezený výběr. Chybějící řádek není automaticky nulový výkon.
- Výpočet: změny spočítejte nad uloženými daty a zachovejte podklad. Celkovou míru prokliku počítejte z celkových kliknutí a zobrazení, nikoli jako prostý průměr procent jednotlivých řádků.
- Interpretace: u závěru uveďte, která data jej dokládají a co z nich naopak zjistit nelze. Návrh další kontroly oddělte od hotové diagnózy.
- Předání: uložte report k revizi. Změny obsahu nebo nastavení webu z něj bez dalšího schválení neprovádějte.
Dokumentace Search Analytics API dovoluje u parametru rowLimit až 25 000 řádků v jednom požadavku; výchozí hodnota je 1 000. Popisuje i stránkování pomocí startRow. Zároveň výslovně upozorňuje, že kvůli interním limitům nemusí vrátit všechny datové řádky. Lokální databáze může usnadnit opakované dotazování a zmenšit množství dat předávaných modelu, ale neobnoví to, co zdrojové API neposkytlo.
Praktickou inspiraci nabízí návod Richarda Baxtera pro propojení Search Console s Claude, jehož aktuální podoba pracuje se SEO Audit Console a lokální databází. Je to návod ke konkrétnímu komunitnímu nástroji, nikoli oficiální server Googlu. Jeho zkušenosti a výsledky nelze vydávat za vlastní ani za univerzální výkon MCP. Před instalací zkontrolujte aktuální repozitář, oprávnění a způsob nakládání s daty.
Oprávnění omezujte v systému, ne jen v zadání
Věta „nic neměňte“ je důležitá instrukce, ale nenahrazuje technické omezení. Pokud nepotřebujete zápis, nedávejte integraci oprávnění k zápisu. Pokud potřebujete jen jednu property nebo projekt, neotevírejte celý účet. Vyberte jen nezbytné nástroje a oddělte čtení podkladů od následného provádění změn.
Autorizační specifikace MCP popisuje pro HTTP připojení práci s přístupovými tokeny a oprávněními. Řeší ale jinou hranici než oprávnění serveru vůči navazující službě. Přístup aplikace k MCP serveru automaticky neznamená, že je správně omezen i účet, kterým server čte CRM nebo mění web.
Rozdíl mezi lokálním a vzdáleným serverem je provozně důležitý. Lokální program může mít přístup k souborům a oprávněním uživatele na vašem počítači. Vzdálený server přidává dalšího provozovatele, kterému předáváte požadavky nebo data. Ani lokální provoz přitom sám o sobě nezaručuje, že data neopustí zařízení: může je dostat vzdálený model, externí API nebo jiná připojená služba.
Před spuštěním potřebujete znát vlastníka integrace, umístění přístupových údajů, povolené zdroje dat, obsah logů a způsob odebrání přístupu. Tokeny nepatří do zadání pro model, sdíleného dokumentu ani veřejného repozitáře. Provozní log má umožnit dohledat operaci, ale nemá se stát druhou nekontrolovanou kopií klientských dat.
Proč ani čtecí přístup neřeší všechna rizika
Agent může narazit na cizí obsah, který se tváří jako instrukce. To je prompt injection: například text na webové stránce vyzývá model, aby ignoroval zadání a odeslal získaná data jinam. Pro běžného čtenáře jde o obsah stránky; pro špatně chráněného agenta se může stát podnětem k další akci.
Čtecí nástroj omezuje změny ve zdrojovém systému, ne nutně únik přečtených údajů. Dokumentace OpenAI uvádí příklad, kdy by model mohl získaný e-mail zákazníka vložit do URL a jejím načtením jej předat cizí straně. Proto záleží i na tom, které další síťové nástroje agent smí použít a jaká data do nich může posílat.
Pro citlivé úkoly je vhodné oddělit veřejnou rešerši od práce s interními podklady. Do kroku s CRM předávejte jen potřebné ověřené informace z rešerše a nedávejte mu současně volný prostor pro odesílání dat na libovolný web. Bezpečnostní doporučení MCP navíc upozorňují na rizika místních serverů, příliš širokých oprávnění a nesprávného zacházení s tokeny. Samotná podpora protokolu není bezpečnostní certifikace.
U citlivého zápisu musí schvalovatel vidět konkrétní cíl, vstupy a dopad operace. „Schvaluji práci s webem“ není totéž jako „schvaluji nahrazení obsahu tohoto publikovaného článku“. Po provedení je třeba znovu přečíst skutečný stav cíle. Hláška agenta o úspěchu není readback z redakčního systému.
Kdy raději zůstat u běžné automatizace
Jestliže má úloha stále stejný vstup, pevná pravidla a předvídatelný výstup, může být přehlednější obyčejný skript nebo automatizační workflow. Není nutné nechat model při každém spuštění znovu rozhodovat o pořadí kroků, které už máte přesně popsané.
Agent se hodí tam, kde je potřeba vyhodnotit kontext a volit další postup. S tím ale přibývá nárok na kontrolu: tentýž cíl může řešit jinou cestou nebo použít jiné podklady. O užitečnosti nerozhoduje počet připojených serverů, ale správně dokončený úkol a přiměřené náklady na jeho ověření.
V pilotu porovnejte současný postup s návrhem využívajícím MCP. Sledujte čas přípravy i revize, věcné chyby, dohledatelnost závěrů, náklady na volání a údržbu. Samostatně evidujte nepovolené pokusy o operaci a stav po případném schváleném zápisu. Výchozí hodnoty nejprve změřte; úsporu z pouhého zapojení protokolu odvodit nelze.
První krok: jeden užitečný úkol a jasná hranice
Vyberte opakující se úkol, jehož správnost umíte ověřit. Sepište požadovaný výstup, povolená data a nepovolené operace. Teprve potom vybírejte server a klienta. Jakmile máte ověřené čtení, výpočty a revizi výsledku, můžete samostatně posoudit, zda vůbec potřebujete přidat zápis.
Pro obsahovou část takového pilotu navazuje článek o využití AI obsahu na webu. Pokud chcete vybrat vhodný marketingový proces a nastavit hranice jeho automatizace, ozvěte se mi. Začneme konkrétním úkolem a způsobem kontroly, ne požadavkem propojit najednou všechny firemní účty.









