Was ist MCP?
MCP steht für Model Context Protocol – einen offenen Standard, der festlegt, wie KI-Modelle mit externen Datenquellen, Werkzeugen und Diensten kommunizieren. Statt für jede Integration eine eigene Schnittstelle zu bauen, bietet MCP ein einheitliches Protokoll, das Verbindungen zwischen Sprachmodellen und der Außenwelt standardisiert. Entwickelt wurde es von Anthropic, ist aber als offener Standard konzipiert und damit nicht an einen einzelnen Anbieter gebunden.
Wie funktioniert MCP?
Stell dir MCP wie einen universellen Adapter vor – ähnlich wie USB für Hardware. Ohne einen solchen Standard müsste jede KI-Anwendung für jedes Werkzeug (Datenbank, CRM, Kalender, Dateisystem) eine eigene maßgeschneiderte Verbindung entwickeln. MCP definiert stattdessen eine gemeinsame Sprache: Auf der einen Seite steht der MCP-Host (das KI-Modell oder die KI-Anwendung), auf der anderen Seite stehen MCP-Server, die Daten oder Funktionen bereitstellen. Dazwischen sitzt das Protokoll, das den Austausch regelt.
Ein KI-Agent kann über MCP zur Laufzeit abfragen, welche Werkzeuge ein Server anbietet, diese aufrufen und die Ergebnisse direkt in seinen Kontext einbinden. Das macht MCP zur Grundlage für komplexere KI-Workflows, bei denen Modelle nicht nur Text generieren, sondern aktiv mit Systemen interagieren – etwa Datenbankabfragen stellen, Dokumente lesen oder APIs ansprechen.
Vorteile für Unternehmen
- Weniger Integrationsaufwand: Wer einmal einen MCP-Server für ein System gebaut hat, kann diesen mit jeder MCP-kompatiblen KI-Anwendung nutzen – keine individuellen Adapter mehr für jede Kombination.
- Austauschbarkeit von Modellen: Weil MCP modellunabhängig ist, kannst du das zugrundeliegende Large Language Model wechseln, ohne deine Integrationen neu bauen zu müssen.
- Schnellere Entwicklung von KI-Anwendungen: Entwicklungsteams können auf bestehende MCP-Server zurückgreifen, statt jede Anbindung von Grund auf neu zu entwickeln – das verkürzt Projektlaufzeiten spürbar.
- Kontrollierte Datenzugriffe: MCP-Server lassen sich so konfigurieren, dass KI-Modelle nur auf freigegebene Datenquellen zugreifen – ein wichtiger Aspekt für Datenschutz und DSGVO-Konformität.
Praxisbeispiele
Beispiel 1: Mittelständisches Fertigungsunternehmen
Ein Maschinenbauer will seinen Mitarbeitenden einen internen KI-Assistenten bereitstellen, der direkt auf ERP-Daten, technische Dokumentation und Lieferantendatenbanken zugreift. Ohne MCP bräuchte jede dieser Quellen eine eigene Anbindung. Mit MCP-Servern für das ERP-System und das Dokumentenmanagementsystem kann der Assistent beide Quellen über dasselbe Protokoll ansprechen – und lässt sich bei einem Modellwechsel (etwa von Claude zu GPT-4) ohne Umbau der Integrationen weiter betreiben.
Beispiel 2: Beratungsunternehmen mit KI-gestützter Recherche
Eine Unternehmensberatung setzt KI-Agenten ein, die eigenständig Marktberichte zusammenstellen. Über MCP-Server greifen die Agenten auf interne Wissensdatenbanken, externe Nachrichtenquellen und ein CRM-System zu. Das Protokoll sorgt dafür, dass der Agent zur Laufzeit erkennt, welche Werkzeuge verfügbar sind, und diese zielgerichtet aufruft – ohne dass Entwickler für jede Quelle separaten Integrationscode pflegen müssen.
Worauf du achten solltest
MCP ist ein noch junges Protokoll, dessen Ökosystem sich schnell entwickelt. Nicht alle KI-Plattformen unterstützen es bereits nativ – prüf vor dem Einsatz, ob dein bevorzugtes Modell oder Framework MCP-kompatibel ist. Zudem verlagert MCP die Komplexität nicht weg, sondern strukturiert sie: MCP-Server müssen sorgfältig entwickelt, abgesichert und gewartet werden. Besondere Aufmerksamkeit verdienen Zugriffsrechte – ein zu weit gefasster MCP-Server kann einem Modell mehr Datenzugriff geben, als gewünscht. Auch Prompt-Injection-Angriffe über externe Datenquellen sind ein reales Risiko, das bei der Serverentwicklung mitgedacht werden muss.
Häufige Fragen
Ist MCP dasselbe wie eine API?
Nein. Eine API ist eine spezifische Schnittstelle eines einzelnen Dienstes. MCP ist ein Protokoll – also ein übergeordneter Standard, der beschreibt, wie KI-Modelle mit beliebigen APIs oder Datenquellen kommunizieren sollen. MCP-Server können ihrerseits APIs aufrufen.
Brauche ich MCP nur für Agenten?
MCP ist besonders nützlich für Agenten, die mehrere Werkzeuge nutzen. Es lässt sich aber auch für einfachere Anwendungsfälle einsetzen, bei denen ein Modell kontrolliert auf eine externe Datenquelle zugreifen soll – etwa im Rahmen von Retrieval Augmented Generation.
Wie verhält sich MCP gegenüber Function Calling?
Function Calling beschreibt, wie ein Modell Funktionen aufruft – MCP standardisiert, wie diese Funktionen und Datenquellen bereitgestellt und entdeckt werden. Beides ergänzt sich: Function Calling ist der Mechanismus, MCP der Rahmen drum herum.
Fazit
MCP löst ein konkretes Problem, das viele Unternehmen beim KI-Aufbau treffen: die wachsende Zahl an individuellen, wartungsintensiven Integrationen zwischen Modellen und Systemen. Als offener Standard schafft es eine gemeinsame Basis, die Austauschbarkeit, Wiederverwendbarkeit und kontrollierte Datenzugriffe erleichtert. Für Unternehmen, die KI-Agenten oder komplexere KI-Workflows planen, lohnt es sich, MCP von Beginn an in die Architektur einzubeziehen – statt später aufwendig umzubauen.