Giriş: MCP "AI ile sistemlerin USB-C'si"#
Anthropic Kasım 2024'te Model Context Protocol'ü (MCP) yayınladı. Mantığı basit: "her AI modelinin her veri kaynağına standart şekilde bağlanması". Önce Anthropic ürünlerinde, ardından OpenAI, Google, Microsoft ve diğer model sağlayıcıları MCP'yi 2025-2026'da benimsedi.
Analoji: USB-C. Eskiden her cihazın farklı kablosu vardı (Lightning, micro-USB, mini-USB, FireWire). USB-C tek standart oldu — tüm cihazlar tek kabloyla. MCP AI dünyası için aynı: bir standart, tüm modeller + tüm sistemler.
Bu yazıda 8 başlık altında: tool calling vs MCP farkı, mimari (server / client / transport), resmi MCP server'lar, kendi server'ınızı yazmak, kurumsal kullanım, güvenlik + auth, ölçek, MCP'nin 2027+ geleceği.
1. Klasik tool calling vs MCP#
Klasik tool calling (function calling): geliştirici her tool'u kendi uygulamasında tanımlar ("Stripe charge", "Postgres query", "Slack message"). Her LLM sağlayıcı için ayrı format, ayrı kod. 5 LLM × 10 tool = 50 entegrasyon.
MCP yaklaşımı: tool'lar standart MCP server'da tanımlı. Server bir kere yazılır; tüm MCP-uyumlu LLM'ler aynı server'ı kullanır. 5 LLM × 10 tool = 10 entegrasyon (5x daha az iş).
Pratik fayda: "Stripe MCP server" yazılınca; Claude, ChatGPT, Gemini, internal model — hepsi aynı server'a bağlanır. Yeni bir LLM eklenmesi 0 iş.
MCP, model özelliklerini standartlaştırmıyor (her LLM hâlâ kendi yetenekleriyle); tool ekosistemini standartlaştırıyor. Bu fark önemli: model rekabeti devam eder, tool-side ortaklaşır.
2. MCP mimari: server, client, transport#
MCP Server: tool'ları + resource'ları sunar. "Postgres MCP server" → SQL sorgu çalıştırma tool'u + tablo şema bilgisi resource'u. "Slack MCP server" → mesaj gönderme + kanal listeleme. Her server bağımsız servis.
MCP Client: AI uygulaması (Claude Desktop, Cursor, custom AI app). Client server'lara bağlanır, mevcut tool'ları öğrenir, LLM'e sunar. LLM "şu tool'u çağır" der → client server'a iletir → server çalıştırır → cevap LLM'e döner.
Transport: client-server iletişim katmanı. (a) stdio (local process — Claude Desktop kendi makinedeki server'la), (b) HTTP + SSE (remote — internet üzerinden), (c) HTTP + WebSocket (real-time bidirectional).
Pratik akış: kullanıcı "satışları analiz et" der → Claude (LLM) → MCP client → "Postgres MCP server" → SQL çalıştırır → veri döner → LLM analiz eder → kullanıcıya rapor sunar. Tüm zincir şeffaf.
3. Resmi MCP server'lar: out-of-the-box çözümler#
Anthropic + topluluk 2025-2026'da yüzlerce MCP server yayınladı. Resmi olanlar:
Filesystem: dosya okuma/yazma (yetkili dizinler için). Git: repository işlemleri. GitHub / GitLab: issue, PR, commit yönetimi. Postgres / MySQL / SQLite: SQL sorguları. Slack: mesajlaşma. Google Drive: doküman erişimi. Notion / Confluence: wiki sayfaları.
Topluluk paketleri (npm / pip): Stripe, Linear, Jira, Salesforce, HubSpot, Zendesk, Mixpanel, Sentry, Vercel, Netlify, AWS, GCP, Cloudflare — neredeyse her popüler servis için.
Kurulum tipik 5 dakika:
npx @modelcontextprotocol/server-postgres + auth bilgisi + Claude Desktop config dosyasına ekle. Hazır kullanıma alınır. "Claude Postgres'imi sorgulayabilir" oluyor.4. Kendi MCP server'ınızı yazmak#
Şirkete özel sistemler için (kendi CRM, ERP, internal tool) kendi MCP server'ınızı yazmanız gerekir. Anthropic SDK'lar Python + TypeScript için hazır.
Tipik yapı: (a) tool tanımları (her endpoint bir tool:
get_orders, create_invoice, send_email), (b) input/output şeması (JSON Schema), (c) auth katmanı (her tool için yetki kontrolü), (d) implementation (gerçek API çağrısı veya DB sorgusu).Pratik örnek: "Şirket içi sipariş sistemi MCP server". 5 tool:
list_orders, get_order_details, update_order_status, cancel_order, refund_order. Her tool yetki kontrolüne bağlı (cancel_order sadece manager rolü).Süre: 1 ekibinin sistem için MCP server yazması 1-2 hafta. Mevcut REST API üstüne ince katman; sıfırdan kurulması gerekmez. Geri dönüş: çoklu LLM erişimi + birleşik audit log.
5. Kurumsal AI'da MCP kullanımı: 4 senaryo#
(a) Geliştirici verimliliği: Cursor / Claude Code → şirket veritabanı + GitHub + Linear MCP server'larına bağlı. "Bu issue'yu çöz" → Claude DB'den veri çeker, kod yazar, PR açar. Geleneksel sürecin %50'si zaman kazandırır.
(b) İçsel destek: şirket çalışanları Claude'a sorar ("Q4 satışları nasıldı?"). Claude → CRM MCP + analytics MCP → veri çeker → cevap. Manuel rapor talebi yerine real-time sorgu.
(c) Müşteri destek augmentation: destek temsilcisi müşteri görüşürken Claude müşteri kaydını + son siparişlerini + benzer şikayetleri otomatik getiriyor. MCP üzerinden CRM + sipariş sistemi + bilgi tabanı.
(d) Operasyonel otomasyon: AI agent ekibe iş atıyor. "Yeni lead geldi → MCP üzerinden CRM'e ekle, Slack'te bildir, takvime randevu kaydet". n8n benzeri ama daha güçlü çünkü LLM karar veriyor.
6. Güvenlik + auth: en kritik kısım#
MCP'nin güçlü yanı = en büyük risk: AI'a kurumsal veri erişimi vermek. Yanlış kurgulanırsa AI yetkili olmadığı verilere ulaşır, hassas bilgi sızar.
Güvenlik katmanları: (a) per-tool authorization — her tool için "bu kullanıcı bu tool'u çağırabilir mi?" kontrolü. (b) scoped credentials — server kendi credentials'larını kullanmaz, kullanıcının credentials'larını taşır. (c) audit logging — her tool çağrısı kim/ne/ne zaman olarak kaydedilir.
Tipik tuzak: "admin credentials kullanmak". MCP server admin token ile DB'ye bağlanırsa AI tüm veriye erişir. Doğru: kullanıcının token'ını client → server'a aktarmak. "User-A'nın yetkisinde sorgu çalıştır".
Tool sandbox: "Filesystem MCP" sadece
/projects/ dizinine yetkili olmalı; tüm / erişimi vermek kabul edilemez. Her server için açık scope tanımlı.7. Ölçek: platform takımı yaklaşımı#
Her takım kendi MCP server'ını yazmak verimsiz: 10 takım = 10 ayrı CRM MCP, hepsi farklı + birbiriyle uyumsuz. Platform takımı yaklaşımı: merkezi MCP server'lar standart, ürün takımları kullanır.
Platform takımı sorumluluğu: (a) ortak server'ları yazmak (CRM, billing, auth, analytics), (b) güvenlik politikalarını uygulamak (her server aynı RBAC), (c) versiyonlama + dokümantasyon, (d) 99.9% uptime SLA.
Ürün takımları: kendi alanlarına özel server yazar ("shipping MCP", "loyalty MCP"). Platform server'larına bağımlıdır ama bağımsız iterasyon yapar.
Bu yapı 2026'da kurumsal AI için standart hale geliyor. Microsoft, Google, AWS hepsi MCP-native AI platformları açıkladı; iç servislerini MCP üzerinden sunuyor.
8. MCP'nin geleceği: 2027+#
OpenAI MCP desteği 2026'da resmi. ChatGPT Enterprise + Claude + Gemini birlikte aynı MCP server'ları kullanıyor. Bu, vendor lock-in azaltıyor: bir LLM yerine başkasını koymak kolay.
MCP marketplace beklentisi: Anthropic ve diğerleri "Stripe MCP", "HubSpot MCP" gibi resmi paketleri kendileri sunabilir. App Store mantığı, ama MCP server'ları için.
Agentic AI ile güçlenir: AI agent'lar MCP üzerinden çoklu sistemde özerk çalışır. "Bu projeyi tamamlamak için 5 farklı sistemi kullan" → agent MCP üzerinden hepsiyle iletişim. Şu an deneyim seviyesinde, 2027'de mainstream.
Risk: standardizasyon savaşları. OpenAI alternatif protokol önerebilir; Microsoft kendi varyantını isteyebilir. MCP'nin lider standart kalması Anthropic'in 2026-2027 stratejisinin kritik parçası.
Sonuç: kurumsal AI'ın altyapı katmanı#
MCP kurumsal AI'ın bağlantı katmanı. Onsuz: her AI uygulaması, her sistem için özel entegrasyon. Onunla: bir kez yazılan server, tüm AI uygulamalarına hizmet.
Kurumsal AI yatırımı yapan şirketler için MCP 2026'da artık opsiyon değil. Tool calling kalır ama özel ekosistemler için MCP standart. Yatırımınızı bu çerçevede planlayın.
Kurumsal AI altyapınızı planlıyorsanız özel yazılım sayfamız üzerinden iletişime geçebilirsiniz; MCP server kurulumu + kurumsal AI mimarisi tek paket halinde sunuyoruz.
İlgili yazılar
Aynı kararı destekleyen diğer yazılar
Karşılaştırma
ChatGPT vs Claude vs Gemini 2026: Türk Şirketler İçin Detaylı Kıyas
Karakter, fiyat, Türkçe kalite, kod, multimodal, gizlilik, kurumsal entegrasyon, senaryo bazlı seçim. 8 başlıkta veriyle karar matrisi.
Rehber
AI Agent Nedir? 2026 Türkçe Detaylı Rehber
Chatbot vs agent farkı, mimari, tool use, memory, planning, observability, kurumsal use case. 8 başlıkta veriyle agent rehberi.
Rehber
RAG (Retrieval Augmented Generation) Nedir, Nasıl Kurulur? 2026 Detaylı Rehber
Vector DB, embedding, chunking, retrieval, re-ranking, evaluation, güvenlik. 8 başlıkta production-ready RAG kurma rehberi.
Sonraki adım
Benzer bir proje planlıyorsanız, bağlamınızı netleştirip teklif akışını birlikte kurabiliriz.
Proje talebi oluştur