2
lesetid
Ayfie utforsker MCP: Gjør bedrifts-AI tilgjengelig for alle virksomheter
MCP lar AI koble seg direkte til systemene virksomheten din allerede bruker, i stedet for å tvinge deg til å kopiere alt inn i en spesialisert database, og Ayfies Indexing Layer gjør det 99 % billigere og 10 ganger raskere, og gjør AI på bedriftsnivå tilgjengelig for de 95 % av norske selskaper som har færre enn 50 ansatte.
Ayfie kunngjorde nettopp MCP-drevne løsninger som lanseres i første halvdel av 2026, og de tidlige resultatene har endret hva vi trodde var mulig: 99 % færre tokens, 10x raskere svar, opptil 90 % lavere kostnader. Kombinasjonen av MCP og vårt indekseringslag betyr at små og mellomstore virksomheter ikke lenger trenger å bygge om teknologistacken sin eller ansette dataingeniører for å få reell verdi ut av KI. De kobler bare sammen systemene de allerede bruker.
MCP er hvordan vi endelig bringer bedrifts-AI til små og mellomstore bedrifter
I går annonserte Ayfie at vi bringer MCP-drevne løsninger til markedet i første halvdel av 2026. Og jeg tror dette vil fundamentalt utvide hvem som får dra nytte av bedrifts-AI.
Resultatene vi har oppnådd så langt har blåst oss av banen. Vi snakker om å gjøre avansert bedrifts-AI tilgjengelig for små og mellomstore bedrifter, og på en måte som er raskere, billigere og mer praktisk enn det vi har sett med RAG alene.
Hva er MCP, og hvorfor bør du bry deg?
La meg male et bilde for deg. Tenk deg at du driver et konsulentselskap med 30 ansatte. Du har kundedata i CRM-systemet ditt, fakturaer i regnskapsprogrammet, prosjektoppdateringer spredt i e-post og SharePoint, og tilbud liggende i ulike mapper. Når en kunde ber om en statusoppdatering, veksler du mellom fem ulike systemer mens du prøver å sette sammen historien.
Tenk deg nå at du spør AI-assistenten din:
"Hva er statusen på Johnson-prosjektet, inkludert utestående fakturaer og neste leveranser?"
Og får et komplett, nøyaktig svar på sekunder, hentet direkte fra alle disse systemene.
Det er MCP.
Model Context Protocol er i praksis en standardisert måte for AI-språkmodeller å koble seg direkte til de eksisterende programvaresystemene dine. Tenk på det som en universell oversetter som lar AI-en din snakke flytende med Tripletex, Visma, SharePoint og dusinvis av andre forretningssystemer du allerede bruker.
RAG vs. MCP: to ulike tilnærminger
Tradisjonell RAG | MCP | |
|---|---|---|
Hvor dataene dine ligger | Kopiert inn i en spesialisert database | Blir der de allerede er |
Oppsett som kreves | Datapipelines, løpende synkronisering, dataengineering | Koble til systemene du allerede bruker |
Styrker | Håndterer eldre systemer, on-prem, dype arkiver og strenge compliance-krav | Sanntidstilgang, rask å ta i bruk, lite vedlikehold |
Best for | Store virksomheter med behov knyttet til eldre systemer og compliance | Små og mellomstore bedrifter som vil ha verdi raskt |
RAG er flott, og så langt det beste og eneste alternativet for store virksomheter med større krav til eldre systemer og compliance. MCP tar en annen vei. I stedet for å flytte dataene dine, lar det AI-en koble seg direkte til der dataene allerede ligger. Språkmodellen henter det den trenger i sanntid fra de eksisterende systemene dine og gir deg et svar.
For små bedrifter er dette transformativt. Du trenger ikke et data engineering-team. Du trenger ikke å bygge opp teknologistakken din på nytt. Du kobler bare til systemene du allerede bruker.
Token-problemet (og hvordan vi løste det)
Jeg må bli litt teknisk et øyeblikk, for det er her ting blir virkelig interessante.
Da vi begynte å teste MCP, støtte vi på en betydelig flaskehals. Standard API-implementasjoner returnerte enorme mengder data, noen ganger opptil 500 000 tokens per forespørsel. Tokens er tekstsegmentene AI-modeller bruker til å behandle informasjon, og det er slik de fleste AI-tjenester tar betalt.
Å behandle så mye data var dyrt, tregt og skapte for mange unødvendige forespørsler.
Tenk på det slik: hvis du spør "Hva fakturerte vi Johnson Corp forrige måned?" trenger du ikke at AI-en skal lese gjennom hver eneste faktura du noen gang har opprettet. Du trenger at den finner den spesifikke, relevante informasjonen.
Det er her Ayfie Indexing Layer kommer inn, inspirert av våre 15 år med erfaring innen RAG (Retrieval-Augmented Generation).
Vi har utviklet teknologi som ligger mellom MCP-tilkoblingen og systemene dine. Den filtrerer og organiserer dataene intelligent før de når språkmodellen. I stedet for 500 000 tokens leverer vi rundt 5 000 tokens per forespørsel.
Resultatene
Metrikk | Forbedring |
|---|---|
Tokenbruk | 99 % reduksjon |
Responstid | 10 ganger raskere |
Kostnad | Opptil 90 % lavere |
Dette er ikke bare en trinnvis forbedring. Det er forskjellen mellom en løsning som teoretisk er mulig og en som faktisk er praktisk til daglig bruk i virksomheten.
Det vi bygger mot
Den planlagte lanseringen vår i første halvdel av 2026 vil åpne en dør som har vært stengt for altfor mange virksomheter.
Med MCP og Ayfie Indexing Layer kan Ayfie nå tilby en kostnadseffektiv og raskt implementerbar løsning som gjør avansert AI tilgjengelig også for bedrifter med færre enn 50 ansatte. Det er et segment som utgjør over 95 % av norske aksjeselskaper.
Frem til den offisielle lanseringen fortsetter vi å forbedre teknologien, utvide integrasjonene våre og jobbe med partnerne våre for å sikre at vi bygger noe som virkelig løser reelle problemer.
Har du spørsmål eller ideer om hvordan denne teknologien kan hjelpe virksomheten din? Ta kontakt.
