Flowtica

MCP คืออะไร: มาตรฐาน AI ใหม่ที่ให้ Agent เชื่อมต่อทุกระบบธุรกิจได้

โดย ทีม Flowtica

MCP (Model Context Protocol) คือ open protocol ที่ทำให้ AI agent เชื่อมต่อกับ tools และระบบต่างๆ ได้อย่างมีมาตรฐาน แทนที่จะต้องเขียน integration ใหม่ทีละระบบ — เปรียบเหมือน USB-C ที่ทำให้อุปกรณ์ทุกยี่ห้อเสียบเข้าหากันได้ด้วยสายเดียว ในกลางปี 2026 Anthropic, OpenAI, Google DeepMind, Microsoft และบริษัท software อีกหลายร้อยรายต่างรองรับ MCP แล้ว ทำให้มี MCP server สาธารณะมากกว่า 10,000 ตัวที่ครอบคลุมเกือบทุก tool ที่ธุรกิจใช้อยู่

MCP คืออะไร และทำงานยังไง

MCP ย่อมาจาก Model Context Protocol เป็น open standard ที่ Anthropic เปิดตัวในเดือนพฤศจิกายน 2024 เพื่อแก้ปัญหาที่นักพัฒนาพบทุกครั้งที่ต้องการให้ AI ทำงานกับระบบจริงในองค์กร

ก่อนมี MCP ถ้าต้องการให้ AI เชื่อมกับ Slack, เชื่อมกับ Jira, และเชื่อมกับ database ต้องเขียน integration code แยกกันทั้ง 3 ชุด และทำซ้ำทุกครั้งที่เปลี่ยน AI model

MCP แก้ปัญหานี้ด้วยการกำหนด "ภาษากลาง" ระหว่าง AI กับ tools:

ฝั่ง AI (MCP Client/Host)

  • Claude Desktop, Cursor, Cline, หรือ app ที่สร้างเอง
  • ส่ง request ไปยัง MCP server ในรูปแบบมาตรฐาน

ฝั่ง Tool (MCP Server)

  • แต่ละ tool เปิด MCP server ของตัวเอง
  • รับ request จาก AI client, ดำเนินการ, แล้วส่งผลลัพธ์กลับ
  • MCP server ระบุ "capabilities" ที่ตัวเองทำได้ เช่น "อ่านข้อความ Slack" หรือ "สร้าง GitHub issue"

3 ความสามารถหลักของ MCP server

1. Tools — AI รัน action ในระบบได้ เช่น ส่ง message, สร้าง task, query database, อ่านไฟล์

2. Resources — AI เข้าถึงข้อมูลจากระบบได้ เช่น อ่านไฟล์, ดึง record จาก CRM, ดู log

3. Prompts — MCP server จัดเตรียม prompt template ที่เหมาะกับ use case ของ tool นั้นๆ

MCP ต่างจาก RAG และ API ธรรมดาอย่างไร

| | API ธรรมดา | RAG | MCP | |---|---|---|---| | เขียน integration | ทีละระบบ แยกกัน | ทีละระบบ แยกกัน | เขียนครั้งเดียว ใช้ได้กับทุก MCP client | | AI ทำอะไรได้ | ตามที่ developer กำหนด | อ่าน document เท่านั้น | อ่าน + เขียน + รัน action ในระบบ | | อัปเดตง่ายไหม | ยาก — แก้ code ทุกครั้ง | เพิ่ม document ได้ | เพิ่ม MCP server ได้ทันที | | tool ใหม่ต้องทำอะไร | เขียน integration ใหม่ | ไม่ต้อง (แค่ document) | ติดตั้ง MCP server ของ tool นั้น | | เหมาะกับ | production API สร้างเอง | knowledge base / document | multi-system workflow automation |

สรุปง่ายๆ: ใช้ RAG เมื่อต้องการให้ AI ตอบจากเอกสาร ใช้ MCP เมื่อต้องการให้ AI ทำงานข้ามระบบได้จริง

ทำไม MCP ถึงสำคัญสำหรับธุรกิจในปี 2026

ก่อน MCP กลายเป็น industry standard การสร้าง AI agent ที่ทำงานข้ามระบบจริงในองค์กรต้องอาศัย developer ที่มีทักษะสูงและใช้เวลานาน หลัง MCP เป็นที่ยอมรับกว้างขวาง การเชื่อม AI เข้ากับระบบที่มีอยู่เริ่มต้นได้ภายในชั่วโมง

สิ่งที่เปลี่ยนไปสำหรับธุรกิจ:

1. AI ทำงานในระบบจริงได้ แทนที่จะแค่ตอบในกล่อง chat

แทนที่จะถาม ChatGPT แล้ว copy คำตอบไปใส่ Jira ด้วยตัวเอง AI ที่เชื่อม MCP สามารถสร้าง Jira ticket ให้ได้เลย

2. ต่อระบบใหม่โดยไม่ต้องเขียน code ใหม่ทั้งหมด

เมื่อบริษัทเปลี่ยนจาก Slack เป็น Teams ก็เพียงเปลี่ยน MCP server ตัวเดียว — AI logic ที่มีอยู่ทำงานได้เหมือนเดิม

3. สร้าง workflow ที่ข้ามหลายระบบในการสนทนาเดียว

"สรุปยอดขายจาก CRM เดือนที่แล้ว สร้าง slide ใน Google Slides แล้วส่งให้ทีมใน Slack" — AI ที่มี MCP ทำได้ในคำสั่งเดียว

Use Cases MCP สำหรับธุรกิจที่ใช้ได้จริง

สำหรับทีมพัฒนา (Developer Teams)

เชื่อม MCP กับ: GitHub + Jira + Slack + logging tool

สิ่งที่ AI ทำให้ได้:

  • ดึง sprint backlog จาก Jira แล้วสรุปสิ่งที่ยังค้างอยู่
  • อ่าน error log แล้ว link กับ code ที่เกี่ยวข้องใน GitHub
  • ส่ง summary ไปยัง Slack channel ที่กำหนดอัตโนมัติ

สำหรับฝ่าย Customer Service

เชื่อม MCP กับ: CRM + knowledge base + ticketing system

สิ่งที่ AI ทำให้ได้:

  • ดึงประวัติลูกค้าจาก CRM ทันทีที่รับ ticket
  • ค้นหาคำตอบจาก knowledge base พร้อมลิงก์แหล่งที่มา
  • สร้างหรืออัปเดต ticket โดยอัตโนมัติหลังการสนทนา

สำหรับฝ่าย HR

เชื่อม MCP กับ: HRIS + Google Drive + Slack

สิ่งที่ AI ทำให้ได้:

  • ตอบคำถามพนักงานเรื่องวันลาหรือสิทธิโดยดึงข้อมูลจาก HRIS จริง
  • หาเอกสาร HR policy จาก Google Drive ที่อัปเดตล่าสุด
  • ส่ง onboarding checklist ให้พนักงานใหม่ผ่าน Slack

สำหรับฝ่ายขาย (Sales Teams)

เชื่อม MCP กับ: CRM + calendar + email

สิ่งที่ AI ทำให้ได้:

  • ดึงประวัติ deal และ note จาก CRM ก่อน meeting
  • เปรียบเทียบว่าลูกค้าคนนี้เคย contact มาเรื่องอะไรบ้าง
  • สร้าง meeting summary แล้วอัปเดต CRM อัตโนมัติ

สำหรับ SME ที่ใช้ Odoo หรือ ERP

หากบริษัทมี ERP อยู่แล้ว การสร้าง MCP server สำหรับ ERP ทำให้ AI สามารถ:

  • Query ยอดขาย สต็อก หรือ AR/AP จาก ERP โดยตรง
  • สร้าง draft quotation หรือ PO ผ่านคำสั่งภาษาธรรมชาติ
  • ส่ง alert เมื่อ KPI ต่ำกว่าเกณฑ์ที่กำหนด

MCP Server ที่ใช้งานได้เลยในปี 2026

Server สำเร็จรูปยอดนิยม

| MCP Server | เชื่อมกับ | ใช้ทำอะไร | |---|---|---| | Slack | Slack workspace | อ่าน/ส่ง message, ดู channel history | | Google Drive | Google Drive | อ่านและค้นหาไฟล์ | | GitHub | GitHub repo | ดู code, สร้าง issue, review PR | | Notion | Notion workspace | อ่านและแก้ page, database | | PostgreSQL / SQLite | Database | Query ข้อมูลผ่าน SQL | | Brave Search | Web | ค้นหาข้อมูล real-time | | Jira | Jira project | สร้างและอัปเดต ticket | | Gmail | Gmail | อ่านและ draft email |

ดู MCP server ทั้งหมดได้ที่ GitHub modelcontextprotocol/servers หรือ mcp.so

AI Client ที่รองรับ MCP ในปี 2026

  • Claude Desktop (Anthropic) — รองรับ MCP เต็มรูปแบบ
  • Cursor — IDE สำหรับนักพัฒนา, MCP built-in
  • Cline — VS Code extension, รองรับ MCP
  • Windsurf (Codeium) — IDE รุ่นใหม่, MCP support
  • Zed — editor ที่มี MCP integration

วิธีเริ่มต้นใช้ MCP สำหรับ SME ไทย ทีละขั้น

ขั้นที่ 1: เลือก AI client ที่รองรับ MCP

ถ้ายังไม่มี AI client ที่รองรับ MCP แนะนำเริ่มที่ Claude Desktop — ดาวน์โหลดฟรี รองรับ MCP ตั้งแต่ต้น และมีเอกสารประกอบชัดเจน

ขั้นที่ 2: เลือก use case และ MCP server แรก

เลือก tool ที่ทีมใช้บ่อยที่สุดและมี MCP server สำเร็จรูปแล้ว เช่น ถ้าใช้ Slack เป็นหลัก เริ่มที่ MCP server สำหรับ Slack ก่อน — AI จะสามารถอ่านและสรุป message จาก Slack ได้ทันที

ขั้นที่ 3: ติดตั้ง MCP server และตั้งค่า config

MCP server ส่วนใหญ่ติดตั้งผ่าน npm หรือ pip ไม่กี่คำสั่ง แล้วเพิ่ม entry ลงในไฟล์ config ของ Claude Desktop ที่อยู่ใน ~/Library/Application Support/Claude/claude_desktop_config.json (macOS) หรือ %APPDATA%\Claude\claude_desktop_config.json (Windows)

ตัวอย่าง config สำหรับ Slack MCP server:

{
  "mcpServers": {
    "slack": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-slack"],
      "env": {
        "SLACK_BOT_TOKEN": "xoxb-your-token-here"
      }
    }
  }
}

ขั้นที่ 4: ทดสอบ read-only ก่อน

เริ่มทดสอบด้วย action ที่แค่ "อ่าน" ก่อน เช่น "สรุป message ใน Slack วันนี้" ตรวจสอบว่า AI ดึงข้อมูลจริงได้ไหม และข้อมูลถูกต้องไหม ก่อนจะให้สิทธิ์ write หรือ create

ขั้นที่ 5: ขยายตามความต้องการ

เมื่อ MCP server แรกทำงานได้ดี ค่อยเพิ่ม server ถัดไป ความสามารถของ AI จะเพิ่มขึ้นแบบ compound เมื่อ context จากหลายระบบรวมกัน

ข้อควรระวังก่อนใช้ MCP ในองค์กร

กำหนด permission ให้แคบเสมอ

MCP server ควรได้รับสิทธิ์เฉพาะ action ที่จำเป็น ไม่ควร grant สิทธิ์ admin หรือ full-access โดยไม่จำเป็น เพราะถ้า AI เข้าใจ context ผิดอาจทำ action ที่ไม่ต้องการ

ระวัง prompt injection

ถ้า AI อ่าน content จากภายนอก (email, message จากคนอื่น) content นั้นอาจมี instruction ที่ออกแบบมาให้ AI ทำ action ที่ไม่ต้องการ ควรตั้ง policy ว่า AI ไม่ควรรัน action ที่มี impact สูง เช่น ลบข้อมูลหรือส่ง message จำนวนมาก โดยไม่ขอ confirm จากคนก่อน

เปิด audit log สำหรับ action ที่ AI ทำ

เปิด logging สำหรับทุก action ที่ AI ทำผ่าน MCP เพื่อให้ตรวจสอบได้ว่า AI ทำอะไรไปบ้าง โดยเฉพาะถ้า MCP server เชื่อมกับระบบที่มีข้อมูล sensitive

ทดสอบ failure mode

ทดสอบว่าถ้า AI ขอทำ action ที่เกินสิทธิ์ MCP server ปฏิเสธได้ถูกต้องไหม และ AI รายงาน error ให้ผู้ใช้ทราบแทนที่จะเงียบหรือข้ามไป

สรุปและก้าวถัดไป

MCP ในปี 2026 คือ infrastructure ที่ทำให้ AI "ทำงานในระบบจริง" แทนที่จะแค่ "ตอบในกล่อง chat" — AI ที่เชื่อม MCP สามารถอ่านข้อมูลจาก CRM สร้าง task ใน project management tool และส่งรายงานใน Slack ในการสนทนาเดียว

สำหรับ SME ไทย จุดเริ่มต้นที่ดีที่สุดคือเลือก tool ที่ทีมใช้บ่อยที่สุด ติดตั้ง MCP server สำเร็จรูปใน Claude Desktop แล้วทดสอบ workflow เล็กๆ ก่อน ผลลัพธ์ที่เห็นได้ทันทีจะช่วยให้ตัดสินใจขยายระบบได้มั่นใจมากขึ้น

สำหรับ AI ที่ช่วยตอบจากเอกสารของบริษัท ดูบทความ RAG คืออะไร: ให้ AI ตอบจากเอกสารธุรกิจของคุณเอง และสำหรับ workflow automation ที่เชื่อมหลายระบบ ดูบทความ n8n Workflow Automation เชื่อม Odoo สำหรับ SME ไทย

คำถามที่พบบ่อย

MCP ต่างจาก API ธรรมดาอย่างไร

API ธรรมดาต้องเขียน integration code แยกสำหรับแต่ละระบบ — เชื่อม Slack ก็ต้องเขียน Slack integration, เชื่อม Google Drive ก็ต้องเขียนอีกชุด MCP กำหนด 'ภาษากลาง' ที่ทุก tool และ AI client พูดด้วยกันได้ ทำให้ AI client ตัวเดียว (เช่น Claude) เชื่อมกับ MCP server ใดก็ได้โดยไม่ต้องเขียน integration ใหม่ทุกครั้ง เปรียบเหมือน USB-C ที่ใช้กับอุปกรณ์ได้หลายยี่ห้อแทนที่จะต้องมีสายต่างกันทุกตัว

SME ไทยที่ไม่มีทีม IT สามารถใช้ MCP ได้ไหม

ได้ในระดับหนึ่ง โดยเฉพาะถ้าใช้ Claude Desktop ที่รองรับ MCP แล้ว — ติดตั้ง MCP server สำเร็จรูปสำหรับ Slack, Google Drive, หรือ Notion ได้จากไฟล์ config ไม่กี่บรรทัด สำหรับการเชื่อมกับระบบ custom เช่น ERP หรือ database ภายในบริษัท จำเป็นต้องมีนักพัฒนาช่วยสร้าง MCP server ตัวเอง แต่ก็ทำงานน้อยกว่าเขียน integration แบบเดิมมาก

MCP ปลอดภัยไหม ข้อมูลบริษัทจะไปไหน

MCP เป็นแค่ protocol — ความปลอดภัยขึ้นกับว่าคุณ deploy ยังไง ถ้า AI client ส่ง query ผ่าน cloud (เช่น Claude.ai) ข้อมูลที่ดึงจาก MCP server จะผ่านระบบของ Anthropic ถ้าต้องการ data privacy ให้ใช้ AI ที่ run local หรือตั้ง access control บน MCP server ให้ดึงเฉพาะข้อมูลที่อนุญาต สำคัญที่สุดคือต้องกำหนดสิทธิ์ MCP server ให้แคบที่สุดเสมอ

MCP ต่างจาก RAG อย่างไร

RAG คือการให้ AI ค้นหาและอ่านข้อมูลจาก document ก่อนตอบ — เน้นการ 'อ่าน' MCP กว้างกว่ามาก: AI สามารถ 'อ่าน' ข้อมูลจากระบบ, 'เขียน' หรืออัปเดตข้อมูล, และ 'รันคำสั่ง' ในระบบต่างๆ ได้ เช่น สร้าง task ใน Jira, ส่ง message ใน Slack, หรือ query database โดยตรง ใช้ RAG ถ้าต้องการให้ AI ตอบจากเอกสาร ใช้ MCP ถ้าต้องการให้ AI ทำงานข้ามระบบได้จริง

บทความที่เกี่ยวข้อง