MCP Nedir? Kurumsal Yapay Zekâ Entegrasyon Rehberi

MCP Nedir?

Bir yapay zekâ sisteminin yalnızca kendisine verilen metin üzerinden cevap üretmesi ile şirketinizin gerçek sistemleri üzerinde çalışabilmesi arasında önemli bir fark vardır.

Bir satış asistanının CRM'deki müşteri kayıtlarını incelemesi, bir yazılım ajanının Git deposundaki issue'ları okuyabilmesi, bir operasyon asistanının ERP'den stok sorgulaması veya bir yapay zekâ sisteminin kurumsal dokümanlara erişmesi için model ile bu sistemler arasında kontrollü bir entegrasyon katmanı gerekir.

Model Context Protocol (MCP) bu probleme standart bir iletişim protokolü sunar.

MCP; yapay zekâ uygulamalarının harici veri kaynakları, araçlar ve servislerle standartlaştırılmış biçimde iletişim kurmasını sağlayan açık bir protokoldür. Protokol, yapay zekâ modelinin kendisini tanımlamaz ve modelin nasıl eğitileceğini belirlemez. Odak noktası, AI uygulaması ile dış sistemler arasındaki bağlam ve yetenek alışverişidir. Güncel MCP mimarisinde sunucular temel olarak tools, resources ve prompts sağlayabilir. İletişimin veri katmanı JSON-RPC 2.0 üzerine kuruludur. [1]

MCP ilk olarak Anthropic tarafından açık bir standart olarak yayımlandı. Aralık 2025'te protokol Agentic AI Foundation'a (AAIF) bağışlandı; AAIF, Linux Foundation altında Anthropic, Block ve OpenAI tarafından kurulan bir yapı olarak duyuruldu. Anthropic aynı duyuruda MCP'nin ChatGPT, Cursor, Gemini, Microsoft Copilot ve Visual Studio Code gibi farklı ürünler tarafından benimsendiğini bildirdi. [2]

Bu gelişme MCP'nin belirli bir model sağlayıcısına özgü entegrasyon biçiminden ziyade, farklı AI uygulamalarının kullanabileceği ortak bir protokol olarak konumlanmasını güçlendirdi.

MCP Hangi Problemi Çözer?

MCP'den önce bir yapay zekâ uygulamasını farklı sistemlere bağlamak genellikle her entegrasyon için ayrı bağlantı kodları ve araç tanımları geliştirmeyi gerektiriyordu.

Örneğin bir kurumsal AI ajanının şu sistemlere eriştiğini düşünelim:

• CRM
• ERP
• PostgreSQL veritabanı
• dosya sistemi
• doküman yönetim sistemi
• proje yönetim aracı
• şirket içi API'ler

Bunların her biri farklı kimlik doğrulama yöntemlerine, API şemalarına ve veri modellerine sahip olabilir.

MCP bu sistemlerin tamamını tek bir API'ye dönüştürmez. Bunun yerine AI uygulamalarının harici sistemlerin sunduğu yetenekleri keşfetmesi ve çağırması için ortak bir protokol tanımlar.

Bu ayrım önemlidir.

API, belirli bir yazılım sisteminin programatik arayüzüdür.

MCP ise AI uygulamasının farklı araç ve veri kaynaklarıyla nasıl etkileşim kuracağını standartlaştırmaya çalışan protokol katmanıdır.

Dolayısıyla çoğu gerçek sistemde MCP sunucusunun arkasında yine REST API, GraphQL, SQL sorguları, dosya sistemi veya başka servisler bulunur.

MCP Mimarisi Nasıl Çalışır?

Güncel MCP mimarisi istemci-sunucu yaklaşımını kullanır ve üç temel katılımcıdan söz eder: host, client ve server. [1]

MCP Host

Host, kullanıcının doğrudan etkileşim kurduğu AI uygulamasıdır.

Bir masaüstü AI uygulaması, kodlama asistanı veya şirket için geliştirilen özel bir AI agent platformu host rolünü üstlenebilir.

Host;

• kullanıcı etkileşimini yönetir,
• model ile iletişimi koordine eder,
• MCP bağlantılarını yönetir,
• hangi araçların modele sunulacağını belirler,
• güvenlik ve kullanıcı onayı gibi kontrolleri uygulayabilir.

MCP Client

Client, host içerisinde belirli bir MCP server ile iletişim kuran bileşendir.

Bir host birden fazla MCP server'a bağlanabilir. Mimari dokümantasyona göre host, her MCP server bağlantısı için ayrı bir MCP client oluşturabilir. [1]

Basitleştirilmiş yapı şöyledir:

Kullanıcı
   ↓
AI Uygulaması / MCP Host
   ↓
MCP Client
   ↓
MCP Server
   ↓
Kurumsal Sistem / API / Veritabanı

Birden fazla sistem kullanıldığında:

                    ┌─ CRM MCP Server ── CRM API
                    │
AI Host ─ MCP Client├─ ERP MCP Server ── ERP
                    │
                    └─ Doküman MCP Server ── Dosyalar

MCP Server

MCP server, belirli bir sistemin veri veya fonksiyonlarını MCP üzerinden erişilebilir hale getirir.

Örneğin CRM için geliştirilen bir MCP server şu araçları sunabilir:

search_customer
get_customer
create_note
list_opportunities
update_opportunity

Burada CRM'in kendi API'si ortadan kalkmaz. MCP server çoğu durumda mevcut API ile AI uygulaması arasında kontrollü bir adaptör görevi görür.

MCP'de Tools, Resources ve Prompts Nedir?

MCP sunucularının sağladığı üç temel primitive tools, resources ve prompts olarak tanımlanır. [1]

Tools

Tools, AI uygulamasının çağırabileceği yürütülebilir fonksiyonlardır.

Örneğin:

get_order_status(order_id)

veya:

create_support_ticket(customer_id, description)

Bir tool yalnızca veri okumak zorunda değildir. Yetkisine bağlı olarak sistem üzerinde değişiklik de gerçekleştirebilir.

Bu nedenle özellikle yazma, silme, ödeme, mesaj gönderme veya üretim sisteminde değişiklik yapma yeteneği bulunan araçlar güvenlik açısından ayrı değerlendirilmelidir.

Resources

Resources, AI uygulamasının kullanabileceği veri kaynaklarını temsil eder.

Örneğin:

• şirket politika dokümanları,
• dosya içerikleri,
• veritabanı kayıtları,
• API yanıtları,
• sistem yapılandırmaları.

Resources ile tools arasındaki temel farklardan biri, resource'un bağlam sağlamaya; tool'un ise bir işlemi yürütmeye odaklanmasıdır.

Prompts

Prompts, belirli görevler için yeniden kullanılabilen etkileşim şablonlarıdır.

Örneğin bir kod deposu MCP server'ı şu tür bir prompt sağlayabilir:

Bu pull request'i güvenlik, performans ve kod kalitesi açısından incele.

Bu sayede uygulamalar yalnızca veri ve araçları değil, belirli görevlerin nasıl yürütüleceğine ilişkin yeniden kullanılabilir şablonları da keşfedebilir.

MCP İletişimi Teknik Olarak Nasıl Gerçekleşir?

MCP'nin veri katmanı JSON-RPC 2.0 tabanlıdır. Güncel 2026-07-28 protokol sürümü stateless bir mimari kullanır. Her istek, kullandığı protokol sürümü ve ilgili istemci yetenekleri gibi bilgileri _meta alanında taşıyabilir; sunucu ise desteklediği sürüm ve yetenekleri server/discover üzerinden ilan eder. [1][3]

Güncel mimaride iki temel transport mekanizması bulunur:

• stdio
• Streamable HTTP [1]

stdio

Standart input/output üzerinden iletişim kurulur.

Bu yaklaşım özellikle aynı cihaz üzerinde çalışan yerel entegrasyonlarda kullanışlıdır.

Örneğin:

AI Desktop App
      ↓
Local MCP Server
      ↓
Local Files

Ağ bağlantısına ihtiyaç duyulmadığı için yerel geliştirme ve belirli masaüstü entegrasyonlarında basit bir yapı sağlar.

Streamable HTTP

Uzak MCP sunucularında HTTP tabanlı iletişim kullanılabilir.

Örneğin:

AI Application
      ↓
HTTPS
      ↓
Corporate MCP Server
      ↓
CRM / ERP / Database

MCP'nin 2026-07-28 spesifikasyonunda önceki HTTP+SSE yaklaşımı deprecated durumuna alınmış, Streamable HTTP modern uzak bağlantı mekanizması olarak konumlandırılmıştır. [3]

MCP ile Function Calling Arasındaki Fark Nedir?

MCP ile function calling aynı şey değildir.

Function calling, modelin belirli bir fonksiyonu yapılandırılmış parametrelerle çağırmasına yönelik model veya API özelliğidir.

Örneğin modele şu fonksiyon tanımlanabilir:

get_weather(city)

MCP ise araçların ve diğer bağlam kaynaklarının AI uygulamasına nasıl sunulacağına ilişkin daha geniş bir protokoldür.

Bu iki yaklaşım rakip olmak zorunda değildir. Bir AI uygulaması model tarafında function/tool calling mekanizmasını kullanırken entegrasyon katmanında MCP üzerinden araç keşfedebilir.

OpenAI'nin Responses API'si de remote MCP server desteğini Mayıs 2025'te ekledi ve güncel dokümantasyonunda modellerin uzak MCP sunucularına veya özel ağdaki sunuculara bağlanmasına yönelik MCP desteği sunuyor. [4]

Şirketlerde MCP Nerelerde Kullanılabilir?

MCP'nin kurumsal değeri, çok sayıda yapay zekâ uygulamasının ortak sistemlere erişmesi gereken ortamlarda daha belirgin hale gelir.

CRM Entegrasyonu

Bir satış asistanı MCP üzerinden:

• müşteri arayabilir,
• geçmiş görüşmeleri okuyabilir,
• fırsatları listeleyebilir,
• not oluşturabilir.

Ancak müşteri kaydını değiştiren araçlarla yalnızca veri okuyan araçların aynı yetki seviyesinde değerlendirilmemesi gerekir.

Kurumsal Bilgi Sistemleri

Doküman yönetim sistemi MCP üzerinden resource olarak sunulabilir.

Böylece AI uygulaması gerektiğinde:

• prosedür,
• teknik doküman,
• ürün bilgisi,
• şirket politikası

gibi içeriklere erişebilir.

Bu yaklaşım RAG mimarisinin alternatifi olmak zorunda değildir. MCP, RAG sisteminin kullandığı arama veya veri erişim servisini de bir araç olarak sunabilir.

Yazılım Geliştirme

Yazılım ekiplerinde MCP sunucuları;

• repository,
• issue tracker,
• CI/CD sistemi,
• log platformu,
• veritabanı,
• dokümantasyon

gibi kaynaklara erişim sağlayabilir.

Bu yapı AI coding agent'larının yalnızca kod üretmek yerine geliştirme sürecindeki farklı sistemlerle çalışabilmesine imkân verir.

Veri Analizi

Bir MCP server veri ambarı üzerinde yalnızca izin verilen sorguları çalıştıracak araçlar sunabilir.

Örneğin:

get_monthly_sales
get_inventory_summary
get_customer_segment_metrics

Bu yöntem, modele doğrudan sınırsız SQL erişimi vermek yerine izin verilen işlemleri belirli araçlarla sınırlandırmak için kullanılabilir.

MCP'nin Kurumlara Sağlayabileceği Faydalar

MCP'nin temel avantajlarından biri entegrasyonların yeniden kullanılabilirliğini artırma potansiyelidir.

Bir sistem için standartlara uygun MCP server geliştirildiğinde, uyumlu farklı AI uygulamalarının aynı entegrasyondan yararlanabilmesi mümkün hale gelebilir.

İkinci önemli avantaj araç keşfidir. MCP client, sunucunun sağladığı araçları tools/list gibi protokol işlemleri üzerinden keşfedebilir. [1]

Üçüncü avantaj ise entegrasyon katmanının modelden ayrıştırılmasıdır.

Örneğin:

CRM API
   ↑
MCP Server
   ↑
AI Application
   ↑
LLM

Bu mimaride CRM entegrasyonunun tamamının doğrudan model sağlayıcısına özgü kod içinde bulunması gerekmez.

Ancak bu faydalar MCP'nin entegrasyon maliyetini otomatik olarak ortadan kaldırdığı anlamına gelmez. Kimlik doğrulama, veri modeli, iş kuralları, hata yönetimi, gözlemlenebilirlik ve yetkilendirme yine tasarlanmalıdır.

MCP Güvenli mi?

MCP tek başına bir güvenlik ürünü değildir.

Tam tersine, yapay zekâ sistemlerine dosya erişimi, veritabanı sorgulama veya işlem yürütme gibi yetenekler sağlandığında saldırı yüzeyi büyüyebilir.

OWASP'ın MCP Top 10 çalışması token ve secret sızıntısı, yetki genişlemesi, tool poisoning, supply-chain saldırıları, command injection, prompt injection, yetersiz kimlik doğrulama/yetkilendirme, yetersiz audit kayıtları, Shadow MCP Servers ve context over-sharing gibi risk kategorilerini ele almaktadır. Eylül 2026 itibarıyla OWASP bu çalışmayı beta/pilot aşamasında tanımlamaktadır. [5]

Resmî MCP güvenlik dokümantasyonu da authorization akışlarıyla ilişkili confused-deputy saldırıları ve benzeri MCP'ye özgü güvenlik senaryolarının ayrıca değerlendirilmesini önerir. [6]

En Az Yetki İlkesi

Bir MCP server yalnızca gerçekten ihtiyaç duyduğu yetkilere sahip olmalıdır.

Örneğin satış analizi yapan bir agent'ın CRM üzerinde:

read_customer
read_opportunity

yetkilerine ihtiyacı olabilir.

Bu agent'a ayrıca:

delete_customer
change_contract

yetkileri verilmesi gerekmiyorsa bu araçlar erişilebilir olmamalıdır.

Kritik İşlemlerde İnsan Onayı

Para transferi, veri silme, müşteri iletişimi, sözleşme değişikliği veya üretim sisteminde işlem yapma gibi yüksek etkili operasyonlarda insan onayı kullanılabilir.

OpenAI'nin güncel MCP dokümantasyonu da MCP tool çağrılarının geliştirici tarafından otomatik olarak izin verilebilir veya açık onay gerektirecek şekilde sınırlandırılabileceğini belirtmektedir. [7]

Kimlik Bilgilerini Modele Vermeyin

API anahtarlarının veya uzun ömürlü erişim tokenlarının prompt içerisine eklenmesi uygun bir güvenlik modeli değildir.

Credential yönetimi MCP server veya güvenli kimlik yönetim katmanında yapılmalıdır.

Audit Log Tutun

En azından şu bilgiler izlenebilir olmalıdır:

• hangi kullanıcı,
• hangi agent,
• hangi MCP server,
• hangi tool,
• hangi zamanda,
• hangi yetki kapsamında

işlem gerçekleştirdi.

OWASP, audit ve telemetry eksikliğini MCP sistemleri için ayrı bir risk kategorisi olarak ele almaktadır. [5]

MCP ve Kişisel Verilerin Korunması

Bir MCP server müşteri verileri, çalışan kayıtları veya başka kişisel verilere erişiyorsa konu yalnızca teknik entegrasyon değildir.

Türkiye'de kişisel veri işleyen yapay zekâ uygulamalarının 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamındaki yükümlülükleri ayrıca değerlendirilmelidir. KVKK'nın üretken yapay zekâ rehberi, üretken AI sistemlerinin yaşam döngüsü boyunca gerçekleştirilen kişisel veri işleme faaliyetlerini veri koruma mevzuatı çerçevesinde ele almaktadır. [8]

MCP kullanılan bir sistemde özellikle şu sorular yanıtlanmalıdır:

• MCP server hangi kişisel verilere erişebiliyor?
• Bu verilerin işlenmesinin hukuki dayanağı nedir?
• Modele gerçekten bu verilerin tamamını göndermek gerekiyor mu?
• Veri minimizasyonu uygulanıyor mu?
• Loglarda kişisel veri tutuluyor mu?
• Yetkisiz kullanıcıların aynı resource veya tool'a erişimi engelleniyor mu?
• Veriler üçüncü taraf AI servislerine aktarılıyor mu?
• Saklama ve silme politikaları tanımlı mı?

Burada MCP'nin kullanılması veri koruma yükümlülüklerini ortadan kaldırmaz.

Avrupa Birliği AI Act Açısından MCP

MCP tek başına AI Act kapsamında belirli bir risk sınıfını ifade etmez. Hukuki değerlendirme MCP kullanılmasına değil, AI sisteminin kullanım amacı ve mevzuattaki sınıflandırmasına bağlıdır.

Bununla birlikte yüksek riskli AI sistemlerinde AB AI Act yaşam döngüsü boyunca risk yönetim sistemi kurulmasını ve sürdürülmesini öngörür. Düzenleme ayrıca yüksek riskli sistemlerin uygun doğruluk, dayanıklılık ve siber güvenlik seviyeleri sağlayacak biçimde tasarlanmasını gerektirir. [9]

Dolayısıyla yüksek riskli bir sistemde kullanılan MCP entegrasyonları da sistemin genel risk, erişim kontrolü, güvenlik ve denetlenebilirlik mimarisinin bir parçası olarak değerlendirilmelidir.

Kurumsal MCP Uygulaması Nasıl Başlatılır?

MCP entegrasyonuna bütün kurumsal sistemleri aynı anda bağlayarak başlamak yerine sınırlandırılmış bir pilot daha yönetilebilir olur.

1. Kullanım Senaryosunu Tanımlayın

Örneğin:

Satış ekibinin doğal dil üzerinden müşteri ve fırsat bilgilerini sorgulayabilmesi.

İlk aşamada veri değiştiren işlemler kapsam dışında tutulabilir.

2. Veri Kaynaklarını Belirleyin

Hangi sistemlere erişileceğini netleştirin:

CRM
↓
Customer
Opportunity
Activity

3. Tool Tasarımını Yapın

Modelin doğrudan bütün CRM API'sine erişmesi yerine sınırlı araçlar tanımlanabilir:

search_customer
get_customer_history
list_open_opportunities

4. Yetki Modelini Kurun

Her tool için şu sorular cevaplanmalıdır:

• Kim çağırabilir?
• Hangi verilere erişebilir?
• Salt okunur mu?
• İşlem geri alınabilir mi?
• İnsan onayı gerekiyor mu?

5. MCP Server'ı Geliştirin

Server mevcut API veya veri kaynaklarını MCP primitive'leri üzerinden sunar.

6. Güvenlik Testleri Yapın

Özellikle:

• prompt injection,
• tool poisoning,
• yetki aşımı,
• token sızıntısı,
• hassas veri ifşası,
• hatalı tool parametreleri

test edilmelidir.

7. Ölçüm ve Loglama Ekleyin

Pilot sırasında en azından:

• tool çağrı sayısı,
• başarısız çağrılar,
• kullanıcı onayları,
• yetkilendirme hataları,
• işlem süresi,
• modelin yanlış tool seçimi,
• kullanıcı tarafından düzeltilen işlemler

izlenebilir.

Temsili Kurumsal Senaryo

Aşağıdaki örnek tamamen temsili bir senaryodur.

Bir üretim şirketinin bakım ekibi, makinelerin geçmiş bakım kayıtlarını ERP üzerinden kontrol ediyor. Teknik ekip, çalışanların doğal dilde soru sorabileceği bir AI asistanı geliştirmek istiyor.

Sisteme ERP'nin tamamına erişim verilmek yerine MCP server üzerinde üç araç tanımlanıyor:

get_machine
get_maintenance_history
get_open_work_orders

AI asistanına yalnızca okuma yetkisi veriliyor.

Kullanıcı:

CNC-17'nin son altı aydaki bakım kayıtlarını ve açık iş emirlerini getir.

diye sorduğunda model gerekli araçları seçiyor, MCP client çağrıyı server'a iletiyor ve server ERP'den yalnızca izin verilen verileri alıyor.

İkinci aşamada ekip:

create_work_order

aracını eklemek istiyor.

Bu işlem artık sistem üzerinde değişiklik oluşturduğu için tool çağrısı kullanıcı onayına bağlanıyor.

Bu örnekte MCP'nin değeri ERP'yi değiştirmek değildir. Değer, AI uygulaması ile ERP fonksiyonları arasında tanımlı ve yeniden kullanılabilir bir entegrasyon yüzeyi oluşturmaktır.

MCP Kullanılmaması Gereken Durumlar

MCP her entegrasyon problemi için gerekli değildir.

Tek bir uygulamanın tek bir API'ye bağlandığı basit bir sistemde doğrudan API entegrasyonu daha az karmaşık olabilir.

Aynı şekilde modelin harici sistemlerle etkileşime ihtiyacı yoksa MCP eklemek gereksiz bir mimari katman oluşturabilir.

MCP şu durumlarda özellikle dikkatli değerlendirilmelidir:

• kritik sistemlere geniş yazma yetkisi gerekiyorsa,
• erişim kontrolü yeterince ayrıştırılamıyorsa,
• işlem kayıtları tutulamıyorsa,
• hassas verinin modele gönderilmesi kontrol edilemiyorsa,
• üçüncü taraf MCP server'ın güvenilirliği doğrulanamıyorsa,
• aynı işi çok daha basit ve sınırlı bir API entegrasyonu çözebiliyorsa.

MCP Uygulama Kontrol Listesi

Kurumsal MCP projesine başlamadan önce aşağıdaki soruların cevaplanabilmesi gerekir:

• MCP kullanımı için açık bir iş senaryosu tanımlandı mı?
• Bağlanacak sistemler ve veri kaynakları belirlendi mi?
• Her tool'un gerçekleştirebileceği işlem açıkça tanımlandı mı?
• Okuma ve yazma yetkileri ayrıldı mı?
• Kullanıcı bazlı yetkilendirme uygulanıyor mu?
• En az yetki ilkesi uygulanıyor mu?
• Kritik işlemler için insan onayı gerekiyor mu?
• API anahtarları ve tokenlar güvenli biçimde saklanıyor mu?
• Prompt injection ve tool poisoning senaryoları test edildi mi?
• Tool çağrıları audit loglarına kaydediliyor mu?
• Kişisel ve hassas verilerin modele aktarımı sınırlandırıldı mı?
• MCP server'ın kaynağı ve bağımlılıkları doğrulandı mı?
• Hata durumunda işlemlerin etkisi sınırlandırılabiliyor mu?
• Pilot için ölçülebilir başarı kriterleri belirlendi mi?
• Gerektiğinde MCP erişimini merkezi olarak kapatmak mümkün mü?

MCP Projesinin Başarısı Nasıl Ölçülür?

Bir MCP entegrasyonunun başarısı yalnızca "agent tool çağırabiliyor" şeklinde ölçülmemelidir.

Teknik ölçütler arasında:

• başarılı tool çağrı oranı,
• hata oranı,
• gecikme,
• yetkilendirme hataları,
• yanlış tool seçimi

izlenebilir.

İş süreci açısından ise:

• görevin tamamlanma süresi,
• kullanıcı müdahalesi gerektiren işlem sayısı,
• manuel sistem geçişlerinin azalması,
• kullanıcı tarafından düzeltilen AI işlemleri

gibi ölçütler kullanılabilir.

Güvenlik tarafında yetkisiz çağrı girişimleri, kritik işlem onayları ve hassas veri erişimleri ayrıca takip edilmelidir.

Bir pilotta modelin sık sık yanlış araç seçmesi, güvenlik sınırlarının uygulanamaması veya entegrasyonun manuel süreçten daha fazla operasyonel yük oluşturması durumunda kapsam genişletilmeden önce mimari yeniden değerlendirilmelidir.

Sonuç

Model Context Protocol, yapay zekâ uygulamalarının harici sistemlerle iletişim kurması için ortak bir protokol katmanı sağlar. Tools, resources ve prompts gibi standart primitive'ler sayesinde AI uygulamalarının kurumsal sistemlerin sunduğu yetenekleri daha tutarlı biçimde keşfetmesi ve kullanması mümkün hale gelir.

Ancak MCP'yi yalnızca entegrasyonu kolaylaştıran teknik bir standart olarak değerlendirmek yeterli değildir. Bir AI sistemine kurumsal araçlara erişim vermek aynı zamanda yetki, veri güvenliği, kişisel verilerin korunması ve denetlenebilirlik problemi yaratır.

Bu nedenle kurumsal MCP mimarisindeki temel soru yalnızca "Yapay zekâyı hangi sisteme bağlayabiliriz?" olmamalıdır.

Daha önemli soru şudur:

Sık Sorulan Sorular

MCP açılımı nedir?

MCP, Model Context Protocol ifadesinin kısaltmasıdır. Yapay zekâ uygulamalarının harici araçlar ve veri kaynaklarıyla standart bir protokol üzerinden iletişim kurmasını sağlar.

MCP server nedir?

MCP server, belirli araçları, veri kaynaklarını veya prompt şablonlarını MCP üzerinden AI uygulamalarına sunan yazılım bileşenidir. Örneğin bir CRM MCP server, müşteri arama veya fırsat listeleme araçları sağlayabilir.

MCP API'nin yerine geçer mi?

Genellikle hayır. MCP server çoğu zaman mevcut REST API, GraphQL servisi, veritabanı veya başka bir sistemin üzerinde çalışır. MCP, AI uygulamasının bu yeteneklerle nasıl etkileşim kuracağını standartlaştırır.

MCP ile RAG arasındaki fark nedir?

RAG, modele ilgili bilgilerin bulunup bağlam olarak verilmesine odaklanan bir mimari yaklaşımdır. MCP ise AI uygulamalarının veri kaynakları ve araçlarla iletişim kurmasına yönelik bir protokoldür. Bir RAG servisi MCP üzerinden bir resource veya tool olarak sunulabilir; dolayısıyla iki yaklaşım birlikte kullanılabilir.

MCP ile AI agent arasındaki ilişki nedir?

AI agent hedef doğrultusunda araç kullanabilen ve çok adımlı görevler gerçekleştirebilen bir sistem olabilir. MCP ise bu agent'ın harici araç ve veri kaynaklarına erişmek için kullanabileceği standart bağlantı mekanizmalarından biridir.

MCP kullanmak güvenli midir?

Güvenlik kullanılan server, yetkilendirme modeli, tool kapsamı ve altyapı kontrollerine bağlıdır. MCP kullanmak sistemi otomatik olarak güvenli hale getirmez. En az yetki, güvenli credential yönetimi, audit logları, kullanıcı onayı ve prompt/tool saldırılarına karşı test önemlidir.

MCP yalnızca Anthropic veya Claude ile mi çalışır?

Hayır. MCP açık bir protokoldür ve farklı AI platformları tarafından desteklenmektedir. OpenAI de Responses API ve diğer geliştirici araçlarında MCP bağlantılarını desteklemektedir. [2][4]

MCP server şirket içinde çalıştırılabilir mi?

Evet. Yerel süreçlerde stdio kullanılabilir; uzak veya kurumsal servislerde Streamable HTTP üzerinden MCP server kurulabilir. Özel ağdaki sistemlerde ağ mimarisi, kimlik doğrulama ve erişim politikalarının ayrıca tasarlanması gerekir. [1][7]

Kaynaklar

[1] Model Context Protocol — Architecture Overview — 2026-07-28 dokümantasyonu
Kurum: Model Context Protocol / Agentic AI Foundation ekosistemi
Erişim tarihi: 28 Eylül 2026
URL: Model Context Protocol – Architecture Overview
Desteklediği konular: MCP'nin host-client-server mimarisi, JSON-RPC veri katmanı, tools/resources/prompts, stdio ve Streamable HTTP, stateless protokol yapısı ve server/discover.

[2] Anthropic — Donating MCP to the Agentic AI Foundation — 9 Aralık 2025
Kurum: Anthropic
Erişim tarihi: 28 Eylül 2026
URL: Donating the Model Context Protocol and establishing the Agentic AI Foundation
Desteklediği konular: MCP'nin Agentic AI Foundation'a devredilmesi, AAIF yapısı ve protokolün farklı AI platformlarınca benimsenmesi.

[3] Model Context Protocol — The 2026-07-28 Specification — 28 Temmuz 2026
Kurum: Model Context Protocol
Erişim tarihi: 28 Eylül 2026
URL: The 2026-07-28 MCP Specification
Desteklediği konular: 2026-07-28 protokol değişiklikleri, stateless mimari, authorization güncellemeleri, extension yapısı ve eski HTTP+SSE yaklaşımının deprecation süreci.

[4] OpenAI — New tools and features in the Responses API — 21 Mayıs 2025
Kurum: OpenAI
Erişim tarihi: 28 Eylül 2026
URL: New tools and features in the Responses API
Desteklediği konular: OpenAI Responses API'ye remote MCP server desteğinin eklenmesi ve MCP'nin OpenAI araç ekosisteminde kullanımı.

[5] OWASP Foundation — OWASP MCP Top 10 — 2025/2026 güncel proje sayfası
Kurum: OWASP Foundation
Erişim tarihi: 28 Eylül 2026
URL: OWASP MCP Top 10
Desteklediği konular: Token ve secret sızıntısı, privilege escalation, tool poisoning, command/prompt injection, yetersiz authorization, audit eksikliği, Shadow MCP Servers ve context over-sharing riskleri; projenin beta/pilot durumu.

[6] Model Context Protocol — Security Best Practices — 2026-07-28 dokümantasyonu
Kurum: Model Context Protocol
Erişim tarihi: 28 Eylül 2026
URL: MCP Security Best Practices
Desteklediği konular: MCP authorization güvenliği, saldırı yüzeyleri, confused-deputy problemi ve güvenli MCP implementasyonu için temel kontroller.

[7] OpenAI — MCP Servers, OpenAI API Documentation — güncel dokümantasyon
Kurum: OpenAI
Erişim tarihi: 28 Eylül 2026
URL: OpenAI MCP Servers Documentation
Desteklediği konular: Remote MCP server kullanımı, özel ağ bağlantıları, authorization, tool approval kontrolleri ve OpenAI API ile MCP entegrasyonu.

[8] Kişisel Verileri Koruma Kurumu — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) — 2026
Kurum: Kişisel Verileri Koruma Kurumu
Erişim tarihi: 28 Eylül 2026
URL: Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi
Desteklediği konular: Üretken yapay zekâ sistemlerinde kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun kapsamında değerlendirilmesi, yaşam döngüsü boyunca veri koruma yaklaşımı ve veri sorumlularının yükümlülükleri.

[9] Avrupa Birliği — Regulation (EU) 2024/1689, Artificial Intelligence Act — 13 Haziran 2024
Kurum: European Union / EUR-Lex
Erişim tarihi: 28 Eylül 2026
URL: Regulation (EU) 2024/1689 – Artificial Intelligence Act
Desteklediği konular: Yüksek riskli AI sistemlerinde yaşam döngüsü boyunca risk yönetimi yükümlülüğü; doğruluk, dayanıklılık ve siber güvenliğe ilişkin gereklilikler.

[10] NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1) — 26 Temmuz 2024, güncelleme 8 Nisan 2026
Kurum: National Institute of Standards and Technology
Erişim tarihi: 28 Eylül 2026
URL: NIST AI 600-1 – Generative AI Profile
Desteklediği konular: Üretken yapay zekâ sistemlerinin yaşam döngüsü boyunca risklerin yönetişimi, haritalanması, ölçülmesi ve yönetilmesine yönelik kurumsal risk yönetimi yaklaşımı.