Текст подготовил: Андрей Федорчук
MCP протокол (Model Context Protocol) — это открытый стандарт, который подключает AI-модели к CRM, CMS и другим источникам данных через единый интерфейс. Он убирает зоопарк кастомных API-коннекторов, ускоряет интеграции и помогает ограничить, какие данные реально видит модель.
Типичный запрос от бизнеса в РФ звучит просто: “пусть нейросеть пишет ответы клиентам и заполняет карточки в CRM”. А дальше начинается знакомое: у одной модели свои плагины, у другой — свои, в каждой CRM свой API, у каждого подрядчика “своя обертка”. Через пару месяцев это превращается в набор костылей, который страшно трогать.
MCP закручивает эту историю в одну резьбу: один “порт” для контекста, вместо десятков одноразовых коннекторов. Дальше покажу 3 вывода: как выглядит архитектура клиент-сервер без хаоса, где Make.com реально сильнее “чистого кода”, и как выстроить гибрид “мозг + руки”, чтобы модель читала только нужное и делала действия через автоматизацию.
Как собрать MCP и AI-интеграции с CRM/CMS без хаоса
Шаг 1. Зафиксируйте, что именно AI должен читать
Что делаем: описываем список источников и полей, которые нужны модели (например: стадия сделки, последний контакт, товары, статус оплаты).
Зачем: MCP ценен тем, что дает двустороннюю связь, но с контролем доступа. Если не задать рамки, модель начнет “просить все подряд”.
Типичная ошибка: отдавать в контекст “всю CRM целиком”, потому что так проще на старте.
Мини-пример РФ: отдел продаж ведет сделки в CRM, а менеджеры хотят, чтобы AI готовил черновик письма клиенту. Достаточно полей: имя, компания, стадия, последнее касание, следующий шаг.
Шаг 2. Разделите роли: MCP для контекста, Make.com для действий
Что делаем: договариваемся, что MCP отвечает за чтение/поиск данных (контекст), а Make.com — за выполнение команд (создать сделку, поставить задачу, отправить письмо).
Зачем: гибридный подход “мозг (AI) отдельно, руки (автоматизация) отдельно” делает систему стабильнее и проще в поддержке.
Типичная ошибка: пытаться заставить модель напрямую дергать десятки API и держать бизнес-логику в промпте.
Мини-пример РФ: AI читает через MCP историю клиента и формирует план действий, а Make.com создает задачу в Jira и отправляет письмо через почту.
Шаг 3. Выберите архитектуру MCP клиент-сервер под ваш контур
Что делаем: определяем, где будет MCP-сервер (рядом с CRM/CMS, локально или в вашем окружении), и кто будет MCP-клиентом (Claude, ChatGPT или AI-агент на Make.com).
Зачем: MCP работает по модели “клиент-сервер” — сервер предоставляет данные, клиент запрашивает их через унифицированный интерфейс.
Типичная ошибка: строить “облачный комбайн”, который тащит данные наружу без ясной причины.
Мини-пример РФ: документы компании лежат во внутреннем хранилище. MCP-сервер поднимают локально, чтобы контекст оставался внутри периметра.
Шаг 4. Если MCP-сервера под вашу систему нет, используйте Webhook в Make как мост
Что делаем: делаем сценарий в Make.com с входом Webhook, который принимает запрос и возвращает нужные данные. Дальше поднимаем простой MCP-сервер на Python или Node.js, который ходит в этот Webhook.
Зачем: это быстрый способ подключить нишевую CRM/CMS к любым моделям через MCP, даже если “готового сервера” пока нет.
Типичная ошибка: начинать разработку “большого коннектора” и закапываться в API до первого результата.
Мини-пример РФ: у компании самописная CRM. За 15 минут можно собрать “MCP -> Webhook Make -> CRM API” и получить работающий контекст для AI.
Шаг 5. Делайте контекст живым: RAG через MCP вместо догадок модели
Что делаем: подключаем источники, где лежит актуальная правда (CRM, Drive, Slack, GitHub), и выдаем модели контекст по запросу через MCP.
Зачем: RAG (Retrieval-Augmented Generation) через структурированный доступ снижает вероятность фактических ошибок на 35-40%, потому что модель опирается на живые данные, а не на “память”.
Типичная ошибка: кормить модель статичной базой знаний и надеяться, что она “сама догадается”, что в CRM уже другие условия.
Мини-пример РФ: поддержка работает в Slack, а договоры в Drive. AI через MCP подтягивает нужные куски и формирует ответ клиенту без пересказа слухов.
Шаг 6. Ограничьте доступ по принципу “минимально достаточно”
Что делаем: явно задаем, какие именно данные из CMS/CRM модель может видеть и в каком виде.
Зачем: MCP позволяет не светить всю базу. Это прямой способ снизить риск утечки и “случайных” ответов на основе лишних полей.
Типичная ошибка: давать доступ “на всякий случай”, а потом пытаться решать безопасность промптами.
Мини-пример РФ: для генерации контента из WordPress модели дают метаданные и аналитику просмотров, но не дают доступ к пользовательским данным и админским настройкам.
Шаг 7. Настройте агентские сценарии: когда AI сам решает, что спросить
Что делаем: собираем agentic workflow, где AI-агент может сам запросить контекст через MCP, а потом отдать команду в Make.com на выполнение.
Зачем: тренд смещается от “чата с ботом” к автономным агентам. MCP позволяет агенту выбирать момент: заглянуть в CRM за контактом или проверить статус задачи в Jira.
Типичная ошибка: пытаться упаковать весь процесс в один запрос “сделай все”, без этапов контекста и проверки.
Мини-пример РФ: агент получает обращение, через MCP забирает историю клиента, затем через Make.com создает сделку и задачу на менеджера, а клиенту отправляет аккуратный ответ.
Что выбрать: кастомные коннекторы, MCP, Make или гибрид
Кому это сэкономит время и деньги
MCP и связка с Make.com полезны там, где AI должен работать с реальными данными, а не “угадывать”. Особенно когда в компании несколько систем и несколько команд, и каждый тянет интеграции в свою сторону.
- Отделу продаж: меньше ручного копипаста между письмами, задачами и CRM, больше точности в контексте.
- Маркетингу и контенту: AI в WordPress может опираться на метаданные и аналитику, а не писать “в вакууме”.
- Поддержке: ответы строятся на фактах из тикетов, Slack и базы документов, с меньшим числом ошибок.
- IT/продукту: меньше одноразовых коннекторов и быстрее подключение новых моделей (ранние тесты стандартизированных протоколов дают сокращение времени интеграции на 60-70%).
Частые вопросы
MCP протокол — это еще один API?
Это стандарт для связи “модель — данные” через единый интерфейс. Вместо того чтобы писать отдельный коннектор под каждую модель и каждую систему, вы подключаете один “порт” и дальше меняете модели без переделки всей обвязки.
Что такое MCP AI на практике?
Это когда Claude/ChatGPT/агент в Make.com запрашивает нужный контекст (документы, сделки, задачи) через MCP, а не получает его вручную вставленным текстом. Контекст приходит структурировано и по доступам.
Можно ли сделать интеграцию AI +в CRM, если CRM редкая?
Да. Быстрый путь — Make.com как мост: делаете Webhook-сценарий, который ходит в API вашей CRM, и поднимаете простой MCP-сервер, который дергает этот Webhook. Это закрывает “дыры” там, где нет готового MCP-сервера.
Почему Make.com называют оркестратором в этой схеме?
Потому что он удобно исполняет действия: создать сделку, отправить письмо, поставить задачу, записать в таблицу. А MCP отвечает за выдачу контекста модели. Вместе это разделяет “думать” и “делать”.
Как MCP помогает с безопасностью?
Протокол позволяет ограничить, какие данные из CRM/CMS видит модель. Это снижает риск того, что в контекст улетит “вся база” или чувствительные поля, которые не нужны задаче.
Правда ли, что RAG через MCP уменьшает ошибки модели?
Да, в ранних оценках использование RAG через структурированные протоколы типа MCP снижает вероятность фактических ошибок на 35-40%, потому что модель опирается на актуальные данные из систем, а не на догадки.
Что по трендам: куда это все идет?
В сторону agentic workflows: автономных агентов, которые сами решают, когда запросить контекст в CRM, а когда проверить статус в Jira. Параллельно растет каталог open source MCP-серверов на GitHub, и переключение между моделями становится проще.
Какая система у вас сейчас больше всего мешает AI: CRM, CMS или “зоопарк” интеграций между ними? Напишите в комментариях и подпишитесь — разберу пару реальных схем под Make.com и MCP.
#MCP, #Make, #AIинтеграции
AI kontent Zavod:
Связаться с Андреем
Email
Заказать Нейро-Завод
Нейросмех YouTube
Нейроновости ТГ
Нейрозвук ТГ
Нейрохолст ТГ