Anonimowe studium przypadku

Poufny serwer MCP dla zespołu redakcyjnego

Klienta nie mogę nazwać. Publicznie można pokazać: jak wyznaczono granicę MCP, dlaczego akceptacja człowieka pozostała obowiązkowa i jak kontrola kosztu została wbudowana od pierwszego dnia, a nie doklejona po pierwszej fakturze.

Punkt startowy

Zespół redakcyjny tworzył wielojęzyczne treści długie. Chcieli wsparcia AI w szkicowaniu i tłumaczeniu, ale odmówili dwóch rzeczy: nieprzejrzystego kosztu i publikowania bez nadzoru. Obie odmowy są rozsądne.

Brief brzmiał: dajcie nam narzędzia AI, które można audytować, które nie zaskakują pięciocyfrowym rachunkiem i które nigdy nie publikują niczego, co nie przeszło przez człowieka.

Dlaczego MCP, a nie bezpośrednie wywołania API

Bezpośrednie wywołania Anthropic albo OpenAI z kodu WordPress by zadziałały. Rozsmarowałyby też klucze po pluginach, rozproszyły koszt na pojedyncze funkcje i uczyniły audyt nierealnym.

MCP dało jedną granicę: instalacja WordPress redakcji rozmawia z jednym serwerem MCP, serwer MCP rozmawia z dostawcami modeli, a każde wywołanie narzędzia jest typowane, logowane i ograniczone do zakresu zadania.

Projekt narzędzi

Każde narzędzie było typowane przez Zod i nazwane akcją redakcyjną: suggest_outline, draft_section, translate_to_locale, evaluate_against_voice. Każde miało jasne dane wejściowe, dane wyjściowe i deklarację efektów ubocznych.

Narzędzia tworzące treść nigdy nie zapisywały bezpośrednio do wp_posts. Zapisywały do kolejki draftów. Człowiek akceptował przed publikacją.

Kontrola kosztu w projekcie

Budżety dla użytkownika, narzędzia i dnia były egzekwowane na granicy MCP, nie przy wywołaniu API. Gdy użytkownik wyczerpał limit, kolejne wywołanie zwracało odpowiedź o wyczerpaniu budżetu, a interfejs redakcji informował go o tym. Bez cichych przekroczeń.

Ta sama granica dawała raporty kosztu dla języka, grupy tematycznej i narzędzia. Finanse miały jedną tablicę.

Przedziały wyników

Dokładne liczby są poufne. Publicznie: tempo pracy redakcyjnej poprawiło się przy tłumaczeniach, czas do pierwszego szkicu spadł przy długich briefach, a koszt mieścił się w uzgodnionym budżecie co miesiąc dzięki twardym limitom.

Lekcja: AI w redakcji działa, gdy granica jest typowana, a budżet egzekwowany, nie gdy prompt jest sprytny. Większość porażek AI w redakcji bierze się z granicy, nie z modelu.

Najczęściej zadawane pytania

Czy można było użyć OpenAI Assistants API zamiast MCP?

Tak. Zespół wybrał MCP, bo jest otwarty, niezależny od vendora i pozwala temu samemu serwerowi obsłużyć innych klientów AI później. MCP jest w Tech Radar Q4 2026 jako Adopt w narzędziach z tego powodu.

Czy to zastąpiło redaktorów?

Nie. Zastąpiło pierwsze drafty i pracę tłumaczeniową. Redaktorzy odzyskali ten czas i przeznaczyli go na review, osąd i pracę nad nagłówkami.

Co, jeśli model się myli?

Łapie to kolejka draftów. Akceptacja człowieka jest obowiązkowa. Sens typowanych narzędzi MCP i kroku akceptacji to właśnie sprawienie, by błędy modelu były tanie, a nie żeby trafiały do publikacji.

Czy to samo podejście zadziała w supporcie albo obsłudze klienta?

Tak, z innym projektem narzędzi. Wzorzec jest taki sam: typowane narzędzia, ograniczone uprawnienia, twarde limity budżetu, akceptacja człowieka dla wszystkiego, co idzie do klienta. Redakcja to jedno zastosowanie. Support to drugie.

Chcesz granicy MCP dla swojej redakcji?

Wyślij obecny proces pracy redakcji, macierz języków i pułap budżetu. Powiem, czy MCP jest warte swojej złożoności dla twojego zespołu, czy wystarczy mniejsza integracja.

Zamów szkic MCP