KI-Assistenten wie Claude oder ChatGPT sind leistungsfähig – aber ohne Anbindung an externe Systeme bleiben sie in einer Art Informationsblase. Genau hier setzt das Model Context Protocol (MCP) an. Es ist der fehlende Baustein, der moderne KI-Modelle von smarten Chatbots zu echten Arbeitspartnern macht. In diesem Artikel erklären wir, was MCP-Server sind, wie die Technologie funktioniert und welche konkreten Anwendungsfälle heute bereits möglich sind.
Was ist das Model Context Protocol (MCP)?
Das Model Context Protocol, kurz MCP, ist ein offener Standard für die Anbindung von KI-Applikationen an externe Systeme. Es wurde von Anthropic entwickelt und im November 2024 als Open-Source-Projekt veröffentlicht. Seither hat es sich zum De-facto-Standard für die Integration von KI-Agenten entwickelt.
Die einfachste Analogie: MCP ist wie ein USB-C-Anschluss für KI-Anwendungen. So wie USB-C eine universelle Schnittstelle für Elektronikgeräte schafft, bietet MCP eine standardisierte Möglichkeit, KI-Anwendungen mit Datenquellen, Tools und Workflows zu verbinden – unabhängig davon, welches KI-Modell oder welche Anwendung im Einsatz ist.
Vor MCP war jede Integration eine Einzellösung: Wer seinen KI-Assistenten an eine Datenbank, einen Kalender oder ein CRM-System anschließen wollte, musste eine individuelle Schnittstelle programmieren. Mit MCP entfällt dieser Aufwand – einmal ein MCP-Server gebaut, funktioniert er mit allen kompatiblen KI-Anwendungen.
Wie funktioniert ein MCP-Server technisch?
Das MCP-Ökosystem besteht aus drei zentralen Komponenten:
- MCP Host: Die KI-Anwendung, die alles koordiniert – z. B. Claude Desktop, Visual Studio Code oder ein benutzerdefinierter KI-Agent.
- MCP Client: Eine Komponente innerhalb des Hosts, die die Verbindung zu einem MCP-Server aufbaut und aufrechterhält.
- MCP Server: Ein Programm, das Kontext und Funktionen für die KI bereitstellt – lokal auf dem Rechner oder als Remote-Service.
Die Kommunikation basiert auf JSON-RPC 2.0, einem leichtgewichtigen, bewährten Protokoll für strukturierten Datenaustausch. Jede Verbindung beginnt mit einem Handshake, bei dem Client und Server ihre Fähigkeiten gegenseitig bekannt geben – ähnlich wie zwei Kollegen, die sich beim ersten Meeting vorstellen und abstecken, wer was kann.
MCP unterstützt zwei Transportmechanismen:
- Stdio Transport: Für lokale Server, die direkt auf demselben Rechner laufen. Optimale Performance, kein Netzwerk-Overhead.
- Streamable HTTP Transport: Für Remote-Server, die über das Internet erreichbar sind. Unterstützt OAuth-Authentifizierung und Server-Sent Events für Echtzeit-Updates.
Die drei Kernbausteine: Tools, Resources und Prompts
Was ein MCP-Server der KI anbieten kann, ist in drei sogenannte Primitives unterteilt:
1. Tools – Aktionen ausführen
Tools sind ausführbare Funktionen, die die KI aufrufen kann, um Aktionen in der realen Welt auszulösen. Typische Beispiele:
- Datenbankabfragen starten
- E-Mails versenden
- Kalendereinträge erstellen
- Code in einer Entwicklungsumgebung ausführen
- Dateien lesen und schreiben
Der MCP-Client entdeckt verfügbare Tools automatisch über die
1 | tools/list |
-Methode. Die KI weiß dadurch genau, was sie tun kann – und ruft das passende Tool auf, wenn es die Aufgabe erfordert.
2. Resources – Kontext bereitstellen
Resources sind Datenquellen, die der KI kontextuelle Informationen liefern. Das können sein:
- Dateiinhalte aus dem lokalen Filesystem
- Datenbankeinträge
- API-Antworten von Webdiensten
- Dokumentation und Wissensdatenbanken
Während Tools aktiv etwas tun, liefern Resources Informationen, die die KI für ihre Antworten und Entscheidungen braucht. Ein einfaches Beispiel: Ein MCP-Server für ein CRM-System kann der KI die vollständige Kundenhistorie als Resource bereitstellen – und die KI antwortet dann auf Basis dieser echten, aktuellen Daten.
3. Prompts – Interaktionen strukturieren
Prompts sind wiederverwendbare Vorlagen, die helfen, Interaktionen mit dem Sprachmodell zu strukturieren. Sie definieren z. B., wie die KI mit einem bestimmten Datenformat umgeht, oder liefern Few-Shot-Beispiele für wiederkehrende Aufgaben. Für Unternehmen besonders relevant: Prompts lassen sich zentral im MCP-Server verwalten und an alle verbundenen KI-Applikationen verteilen.
Was kann man mit MCP-Servern konkret machen?
Die Theorie klingt gut – aber was bedeutet das in der Praxis? Hier sind konkrete Anwendungsszenarien:
Persönlicher KI-Assistent mit echten Kontextdaten
Ein MCP-Server, der Google Calendar und Notion anbindet, verwandelt einen KI-Assistenten in einen echten persönlichen Assistenten. Er kann Termine kennen, Aufgaben prüfen und proaktiv Prioritäten vorschlagen – ohne dass man Daten manuell eintippen muss.
KI-gestützte Softwareentwicklung
Tools wie Cursor oder Visual Studio Code mit GitHub Copilot nutzen MCP, um KI-Assistenten mit dem lokalen Dateisystem, Datenbanken und externen APIs zu verbinden. Claude Code kann beispielsweise ausgehend von einem Figma-Design eine vollständige Web-App generieren – weil ein MCP-Server die Figma-Daten in Echtzeit bereitstellt.
Enterprise-Chatbots mit Datenbankanbindung
Unternehmen können MCP nutzen, um interne Chatbots an mehrere Unternehmensdatenbanken anzubinden. Mitarbeiter fragen in natürlicher Sprache – der Chatbot ruft via MCP die relevanten Daten ab, analysiert sie und liefert direkt verwertbare Antworten. Das ist weit leistungsfähiger als klassische FAQ-Systeme und deutlich günstiger als maßgeschneiderte BI-Tools für jeden Anwendungsfall.
Automatisierte Workflows und KI-Agenten
Mit MCP lassen sich KI-Agenten-Plattformen aufbauen, die autonom mehrstufige Aufgaben erledigen. Ein Agent kann beispielsweise:
- Eine eingehende E-Mail analysieren (MCP-Server: E-Mail)
- Den zugehörigen Kunden im CRM nachschlagen (MCP-Server: CRM)
- Eine passende Antwort formulieren und zur Freigabe vorlegen
- Nach Freigabe direkt versenden (MCP-Server: E-Mail)
Kein Code-Umbau, keine neuen Integrationen – alles über standardisierte MCP-Schnittstellen.
3D-Druck und Hardware-Steuerung
MCP ist nicht auf Software beschränkt. Es gibt bereits MCP-Server, die KI-Modelle mit Blender verbinden – die KI erstellt dann 3D-Designs, die direkt zum 3D-Drucker weitergeleitet werden. Das zeigt: MCP kann auch physische Systeme steuern.
Wer unterstützt MCP?
Das MCP-Ökosystem wächst rasant. Zu den wichtigsten unterstützenden Plattformen gehören:
- KI-Assistenten: Claude (Anthropic), ChatGPT (OpenAI)
- Entwicklungstools: Visual Studio Code, Cursor, MCPJam
- Unternehmensplattformen: Sentry, GitHub, Atlassian
Die offizielle MCP-Dokumentation listet bereits Hunderte von Community-Servern für nahezu jeden Dienst – von Slack und Jira bis hin zu PostgreSQL und AWS.
Lokale vs. Remote-MCP-Server: Was passt wann?
Bei der Planung einer MCP-Integration stellt sich die Frage: lokal oder remote?
Lokale MCP-Server laufen direkt auf dem Rechner des Nutzers. Vorteil: maximale Datensicherheit, keine Cloud-Abhängigkeit. Nachteil: Der Server muss auf jedem Gerät installiert werden. Ideal für: Dateisystem-Zugriff, lokale Datenbanken, sensible Unternehmensdaten.
Remote-MCP-Server laufen auf einem zentralen Server und sind über das Internet erreichbar. Vorteil: einmal aufsetzen, für alle Nutzer und Geräte verfügbar. Nachteil: Datenschutzüberlegungen, Authentifizierungsaufwand. Ideal für: SaaS-Dienste, unternehmensweite Tools, skalierbare Integrationen.
Für Unternehmen, die auf Cloud-Infrastruktur setzen, sind Remote-MCP-Server die natürliche Wahl. Sie lassen sich zentral verwalten, mit OAuth absichern und skalieren.
MCP und Datensicherheit: Was Unternehmen wissen müssen
Mit mehr Konnektivität steigt auch die Angriffsfläche. Das MCP-Protokoll selbst ist sicherheitsorientiert aufgebaut – aber wie bei jeder Schnittstelle gilt: Die Sicherheit liegt auch in der Implementierung.
Wichtige Punkte für den Unternehmenseinsatz:
- Authentifizierung: Remote-MCP-Server sollten immer mit OAuth 2.0 oder API-Keys abgesichert sein.
- Minimalprinzip: Jeder MCP-Server sollte nur die Berechtigungen bekommen, die er wirklich braucht.
- Audit-Logs: Welche KI-Applikation hat wann welches Tool aufgerufen? Transparenz ist hier entscheidend.
- Datenschutz: Werden personenbezogene Daten übertragen? Dann gelten DSGVO-Anforderungen – auch wenn die Verarbeitung durch eine KI erfolgt.
Die Diskussion um KI und Datenschutz kennen wir bereits von anderen Entwicklungen: Wie bei Claude Tag gilt auch für MCP-Integrationen: Wer KI tief in Unternehmensprozesse einbindet, muss Datenschutz von Anfang an mitdenken – nicht als Nachgedanke.
Wie startet man mit MCP-Servern?
Der Einstieg ist einfacher als gedacht. Für die meisten gängigen Tools existieren bereits fertige MCP-Server:
- Bestehende Server nutzen: Die offiziellen Reference-Implementierungen auf GitHub bieten fertige Server für Filesystem, PostgreSQL, Slack, GitHub und viele weitere Dienste.
- SDKs für eigene Server: MCP-SDKs gibt es für Python, TypeScript, Java und weitere Sprachen. Wer einen eigenen MCP-Server bauen will, kann innerhalb weniger Stunden eine erste Version lauffähig haben.
- KI-Applikation konfigurieren: Claude Desktop, Cursor oder VS Code müssen lediglich in ihrer Konfigurationsdatei auf den MCP-Server hingewiesen werden – dann übernimmt das Protokoll den Rest.
Fazit: MCP ist die Infrastruktur der KI-Ära
Das Model Context Protocol ist kein weiteres KI-Hype-Tool. Es ist Infrastruktur – so grundlegend wie REST-APIs in der Web-Entwicklungsära. Wer heute mit KI-Agenten produktiv arbeiten will, kommt an MCP nicht vorbei.
Für Unternehmen bedeutet das konkret: Wer jetzt in MCP-Integrationen investiert, baut eine Grundlage, die mit dem gesamten KI-Ökosystem mitwächst. Jeder neue KI-Assistent, der MCP unterstützt, profitiert automatisch von allen bereits aufgebauten Server-Verbindungen.
Die nächste Generation KI-gestützter IT-Systeme wird auf MCP aufbauen. Die Frage ist nicht ob, sondern wann.
