Model Context Protocol (MCP): Der neue Standard für vernetzte KI-Anwendungen

Table of Contents

1. Einordnung und Überblick

Das Model Context Protocol (MCP) ist ein offener Standard, der beschreibt, wie KI-Systeme – insbesondere Large Language Models (LLMs) – sich sicher und einheitlich mit externen Tools, Datenquellen und Services verbinden. Es wurde Ende 2024 von Anthropic eingeführt und wird inzwischen von großen Anbietern wie OpenAI, Google DeepMind und Microsoft unterstützt. (Wikipedia)

MCP verfolgt dabei ein klares Ziel: Es soll für KI-Anwendungen das werden, was USB-C für Hardware ist – ein universeller Anschluss, der viele proprietäre, inkompatible Schnittstellen ersetzt. (modelcontextprotocol.be)

2. Warum MCP? – Das N×M-Problem der KI-Integration

Vor MCP musste praktisch jede KI-Anwendung für jede Zielplattform eine eigene Integration bauen:

eigener Connector zu Google Drive
eigener Connector zu Slack
eigener Connector zu GitHub, Datenbanken, CRM usw.

Das führt zu einem N×M-Problem: Für N KI-Systeme und M Datenquellen mussten im schlimmsten Fall N×M Integrationen gebaut und gepflegt werden. (modelcontextprotocol.be)

Gleichzeitig haben LLMs ohne externe Kontexte große „blinde Flecken“: Sie können weder

aktuelle Daten abfragen,
interne Dokumente lesen,
noch selbst Aktionen in IT-Systemen ausführen (Tickets anlegen, E-Mails senden, Datensätze verändern). (modelcontextprotocol.be)

MCP löst genau dieses Problem mit einem offenen, standardisierten Protokoll, über das jede KI-Anwendung dieselben MCP-Server nutzen kann.

3. Grundprinzipien und Architektur von MCP

3.1 Rollen im MCP-Modell

MCP ist als Client-Server-Protokoll konzipiert, das auf einer KI-Anwendung („Host“) aufsetzt: (modelcontextprotocol.be)

MCP-Host
Die Anwendung, mit der Nutzerinnen und Nutzer interagieren (z. B. ChatGPT Desktop, Claude Desktop, VS Code mit Copilot).
MCP-Client
Eine Komponente im Host, die technische Verbindung zu MCP-Servern herstellt und MCP-Nachrichten verarbeitet.
MCP-Server
Ein eigenständiges Programm, das Daten oder Funktionen bereitstellt – z. B. Zugriff auf ein Ticketsystem, eine Postgres-Datenbank, einen Lizenzserver oder ein SharePoint-Archiv. (Wikipedia)

3.2 Kernbausteine: Tools, Resources, Prompts

MCP definiert drei zentrale Konzepte: (modelcontextprotocol.be)

Tools
- Entsprechen „Aktionen“, die die KI ausführen kann, z. B.
  - create_ticket
  - query_database
  - send_email
- Ein Tool ist über ein JSON-Schema klar beschrieben (Eingaben, Ausgaben, Fehlermeldungen).
Resources
- Dienen zum Lesen von Daten („Read-only Kontext“):
  - Dateien, Datensätze, Konfigurationen, Logs usw.
- Werden über URIs adressiert und durch MIME-Typen beschrieben (z. B. application/json, text/markdown).
Prompts
- Vordefinierte, parametrisierte Interaktionsmuster, die komplexe Abläufe standardisieren (z. B. mehrstufige Analyse von Logfiles oder Datenbankabfragen).

Damit bekommt ein LLM einen strukturierten, wiederverwendbaren Zugriff auf Daten und Aktionen – statt unstrukturierter Copy-&-Paste-Kontexte.

3.3 Protokoll-Technik

Technisch basiert MCP auf bekannten Standards: (modelcontextprotocol.be)

JSON-RPC 2.0 als Nachrichtenformat (Requests, Responses, Notifications)
Transporte
- STDIO für lokale Server (z. B. in Desktop-Apps oder IDEs)
- HTTP + Server-Sent Events für entfernte Server
JSON Schema zur Beschreibung der Tool-Schnittstellen – ähnlich OpenAPI, aber fokussiert auf KI-Interaktion in Echtzeit.

4. Ökosystem und Implementierungen

4.1 Ursprung bei Anthropic

Anthropic hat MCP als offenen Standard veröffentlicht und Referenz-Implementierungen für häufige Unternehmenssysteme bereitgestellt, u. a.: (Wikipedia)

Google Drive
Slack
GitHub / Git
Postgres
Stripe
Puppeteer (Browser-Automation)

Mitgeliefert werden SDKs in mehreren Programmiersprachen, etwa TypeScript, Python, C#, Java, Go, PHP, Ruby, Rust und Swift. (Wikipedia)

4.2 Adoption durch große KI-Anbieter

Inzwischen unterstützen mehrere große Anbieter MCP offiziell oder haben entsprechende Integrationen angekündigt: (modelcontextprotocol.be)

OpenAI
- MCP-Kompatibilität in der ChatGPT Desktop App
- Integration in Agent-SDKs und API-Workflows
Google DeepMind
- MCP-Support für kommende Gemini-Modelle und Tool-Infrastruktur
Microsoft / GitHub
- Integration in Visual Studio Code und GitHub Copilot, um Projektdaten und externe Quellen über MCP-Server zugänglich zu machen

Diese schnelle Verbreitung spricht dafür, dass MCP sich tatsächlich zu einem De-facto-Standard für AI-Tooling entwickeln kann.

4.3 Speziallösungen: Meetings & Automatisierung

Es entstehen zunehmend spezialisierte MCP-Server, z. B. im Kontext von Meeting- und Kalender-Automatisierung:

Meeting-Plattformen wie „Meeting BaaS“ bieten MCP-Tools, mit denen LLMs
- Meeting-Bots steuern,
- Transkripte durchsuchen,
- Kalender integrieren und
- Workflows wie Einladung, Dokumentation und Follow-ups automatisieren können. (Meeting BaaS)

5. Typische Anwendungsfälle von MCP

5.1 Entwicklungsumgebungen und Code-Assistenten

In IDEs wie VS Code oder im Zusammenspiel mit GitHub Copilot kann MCP z. B.: (modelcontextprotocol.be)

Projektdateien und Build-Konfigurationen als Resources bereitstellen,
Git-Historien und Issues über Tools abfragen,
Datenbanken des Projekts lesen und schreiben,
CI/CD-Systeme ansteuern.

Für Entwicklerinnen und Entwickler entsteht ein Assistent, der die reale Projektumgebung kennt – statt nur isolierten Code.

5.2 Enterprise-Assistenten und Wissensarbeit

Unternehmen entwickeln interne Assistenten, die über MCP u. a.: (modelcontextprotocol.be)

auf interne Dokumente (Policies, Manuals, Verträge) zugreifen,
CRM- und ERP-Daten lesen,
Workflows in Service-Management-Systemen auslösen (Tickets, Changes, Requests),
Daten aus Data Warehouse oder BI-Systemen abfragen.

Ein Beispiel ist das Unternehmen Block (Square), das MCP nutzt, um interne Daten sicher über KI-Assistenten zugänglich zu machen. (Wikipedia)

5.3 Multi-Agent-Systeme und Automatisierung

MCP wird auch genutzt, um mehrere KI-Agenten koordiniert arbeiten zu lassen – etwa: (trymodl.com)

ein Agent liest Daten aus,
ein zweiter analysiert diese,
ein dritter erzeugt Reports oder löst Aktionen aus.

Durch die standardisierte Beschreibung von Tools und Ressourcen lassen sich solche Workflows relativ klar modellieren, überwachen und debuggen.

6. Sicherheit, Governance und Risiken

MCP adressiert ausdrücklich das Thema Sicherheit und User-Kontrolle:

Tool-Aufrufe erfordern in der Regel eine explizite Zustimmung des Nutzers (z. B. durch Bestätigung in der Oberfläche). (modelcontextprotocol.be)
So bleibt transparent, welche Aktionen ein KI-Assistent in welchen Systemen ausführen darf.

Gleichzeitig haben Sicherheitsforscher auf mehrere Risiken hingewiesen: (Wikipedia)

Prompt Injection gegen MCP-Tools, z. B. durch manipulierte Inhalte in Dokumenten oder Datenbanken,
Kombination von Tools, die gemeinsam unerwartete Datenexfiltration ermöglichen können,
Look-alike-Tools, die vertrauenswürdige Tools imitieren und ausgetauscht werden könnten.

Für Unternehmen bedeutet das:

Strikte Berechtigungskonzepte,
Logging und Auditing aller MCP-Aufrufe,
und Security-Reviews für jede neue MCP-Integration sind Pflicht.

7. MCP aus Sicht von Compliance und Lizenzmanagement

Für Bereiche wie Lizenzmanagement und Compliance bietet MCP spannende Möglichkeiten:

Zentraler Zugriff auf Lizenzdaten
- MCP-Server können Lizenzsysteme, Inventardatenbanken und Vertragsrepositorien als Resources zur Verfügung stellen.
- KI-Assistenten können dann Fragen wie
  
  „Zeige mir alle Produkte, bei denen die installierte Menge die Lizenzmenge überschreitet.“
  direkt gegen die Live-Daten stellen.
Automatisierte Auswertungen und Reports
- Tools können Standardauswertungen (z. B. Compliance-Reports) anstoßen oder Daten mit BI-Systemen verknüpfen.
Policy-Beratung in natürlicher Sprache
- Lizenzrichtlinien, Vertragsklauseln und Herstellerbedingungen können über MCP als Kontext geladen werden.
- Der Assistent gibt Hinweise zur Auslegung, identifiziert Risiken oder verweist auf relevante Passagen.
Nachvollziehbarkeit
- Da jeder Tool-Aufruf protokolliert werden kann, ist transparent, auf Basis welcher Daten und Aktionen eine Empfehlung oder Entscheidung entstanden ist.

Damit wird MCP zu einem Baustein, um KI-gestützte Lizenz- und Compliance-Prozesse kontrollierbar und auditierbar umzusetzen.

8. Erste Schritte für die Einführung von MCP

8.1 Strategische Fragen

Vor der technischen Umsetzung sollten u. a. folgende Punkte geklärt werden:

Welche Use Cases sollen zuerst adressiert werden (z. B. Wissenszugriff, Reporting, Automatisierung)?
Welche Systeme sollen initial angebunden werden (DMS, CRM, Lizenzsystem, ERP)?
Wie sehen Rollen- und Rechtekonzepte aus – sowohl im Zielsystem als auch im MCP-Host?

8.2 Technische Umsetzung (high-level)

Auswahl eines MCP-Hosts
- z. B. ChatGPT Desktop, Claude Desktop, VS Code + Copilot, interne Plattform.
Implementierung oder Nutzung bestehender MCP-Server
- Prüfen, welche Standard-Server es bereits für Ihre Systeme gibt (z. B. Google Drive, GitHub, Postgres). (Wikipedia)
- Falls notwendig: eigene MCP-Server entwickeln (z. B. für proprietäre Lizenzdatenbanken).
Definition von Tools, Resources und Prompts
- Welche Aktionen sollen KIs ausführen dürfen?
- Welche Datenquellen werden als read-only Kontext eingebunden?
- Welche standardisierten Workflows werden als Prompts modelliert?
Sicherheits- und Governance-Check
- Berechtigungen, Audit-Logs, Notfallprozesse, Test-Umgebungen.
Pilotphase
- Eingrenzung auf wenige Use Cases, kleine Nutzergruppe, sukzessive Erweiterung.

9. Kategorisierung des Artikels

Für eine Einordnung in ein bestehendes Blog- oder Wissensportal könnten u. a. folgende Kategorien und Schlagworte genutzt werden (bitte bei Bedarf an Ihre konkreten Kategorienamen anpassen):

Hauptkategorien

Künstliche Intelligenz
Protokolle & Schnittstellen
Unternehmens-IT / Architektur
Automatisierung & Workflows

Sinnvolle Unterkategorien / Tags

Model Context Protocol (MCP)
LLM-Tools & Agenten
Integrationen (API, Middleware)
Sicherheit & Governance
Enterprise-Search & Wissensmanagement
Lizenzmanagement & Compliance

10. Fazit

MCP ist mehr als nur ein weiteres Protokoll: Es schafft einen gemeinsamen Standard, mit dem KI-Systeme kontrolliert, sicher und wiederverwendbar auf Unternehmensdaten und Tools zugreifen können.

Für Organisationen, die KI nicht nur als Chatbot, sondern als handlungsfähigen Assistenten etablieren wollen, bildet MCP die technische Grundlage – von Entwicklungsumgebungen über Wissensarbeit bis hin zu spezialisierten Domänen wie Lizenzmanagement und Compliance.

Teile es