Was ist das Model Context Protocol (MCP): Und warum sollte Ihr Unternehmen es kennen

Jedes Unternehmen, das KI über generische Antworten hinaus einsetzen möchte, stößt früher oder später an dieselbe Grenze: Die KI braucht Zugang zu den eigenen Systemen. Zur Kundendatenbank, zur Auftragsverwaltung, zum Projekttracker, zu internen Dokumenten. Ohne diesen Zugang ist selbst das leistungsfähigste Modell auf sein Trainingswissen beschränkt.

Bis vor Kurzem bedeutete die Anbindung von KI an Geschäftssysteme: für jedes System eigenen Integrationscode schreiben. Jede Verbindung war maßgeschneidert, fragil und teuer im Unterhalt. Das Model Context Protocol (MCP) löst dieses Problem. Es ist ein offener Standard, von Anthropic entwickelt und branchenweit übernommen, der einen universellen Weg definiert, wie KI mit externen Werkzeugen und Datenquellen interagiert.

Das Problem, das MCP löst

Stellen Sie sich vor, Ihr KI-Assistent soll einen Kunden im CRM nachschlagen, dessen letzte Bestellungen in der E-Commerce-Plattform prüfen und dann eine personalisierte Follow-up-E-Mail entwerfen. Ohne einheitliches Protokoll braucht jede dieser Schnittstellen eigenen Code: Authentifizierung, Datenformatierung, Fehlerbehandlung und Response-Parsing separat umgesetzt. Bei zehn Systemen sind das zehn individuelle Integrationen, die laufend gepflegt werden müssen.

MCP ersetzt das durch eine einheitliche Standardschnittstelle. Jedes System wird als MCP-Server mit klar definierten Fähigkeiten bereitgestellt. Die KI verbindet sich über das Standardprotokoll und erkennt verfügbare Werkzeuge automatisch. Ein neues System hinzufügen heißt: einen neuen MCP-Server deployen. Die KI-Seite bleibt unverändert.

Wie MCP funktioniert: drei Kernprimitive

MCP gliedert Fähigkeiten in drei Primitive, die jeweils für ein anderes Interaktionsmuster ausgelegt sind:

1. Tools: Aktionen, die die KI ausführen kann

Tools sind Funktionen, die das Modell aufrufen kann: einen Kunden nachschlagen, ein Ticket erstellen, eine E-Mail senden, eine Rückerstattung verarbeiten. Welches Tool aufgerufen wird, entscheidet die KI anhand der Benutzeranfrage und der Tool-Beschreibungen. Tools sind modellgesteuert: Das Modell entscheidet eigenständig, wann und wie es sie einsetzt.

Die Qualität der Tool-Beschreibungen ist entscheidend. Knappe Formulierungen wie "ruft Kundeninformationen ab" führen zu unzuverlässiger Tool-Auswahl, sobald mehrere ähnliche Tools verfügbar sind. Wirkungsvolle Beschreibungen enthalten Eingabeformate, Beispielanfragen, Grenzfälle und klare Abgrenzungen, wann dieses Tool statt einer Alternative verwendet werden soll.

2. Resources: Daten, die die KI lesen kann

Resources stellen der KI Lesezugriff auf Daten bereit: Dokumentationshierarchien, Datenbankschemata, Ticket-Zusammenfassungen, Konfigurationsdateien. Sie sind anwendungsgesteuert: Die Host-Applikation entscheidet, welche Resources in den Kontext der KI einfließen. Damit entfällt der Bedarf an explorativen Tool-Aufrufen, weil die KI von Anfang an sieht, welche Daten vorhanden sind.

3. Prompts: vorgefertigte Workflows

Prompts sind hochwertige, vorgefertigte Anweisungen für wiederkehrende Aufgaben: ein Dokument formatieren, einen Bericht generieren, einem bestimmten Analysemuster folgen. Sie sind nutzergesteuert: Der Nutzer wählt aus, welcher Prompt angewendet wird. Zu verstehen sind sie als Vorlagen, die bewährte Vorgehensweisen kodieren.

Warum MCP für die Unternehmensintegration zählt

Standardisiert statt maßgeschneidert

Vor MCP war jede KI-Integration ein Einzelprojekt. MCP macht daraus eine Konfigurationsaufgabe. Für gängige Plattformen wie Jira, GitHub, Slack oder verbreitete Datenbanken existieren bereits community-gepflegte MCP-Server. Standardintegrationen lassen sich deployen, ohne von Grund auf zu bauen. Individuelle Server bleiben teamspezifischen Workflows vorbehalten.

Kombinierbar und selbstbeschreibend

Sprechen alle Tools dasselbe Protokoll, lassen sie sich natürlich kombinieren. Ein KI-Agent kann CRM, Abrechnung und E-Mail im selben Workflow nutzen und erkennt ihre Fähigkeiten automatisch beim Verbindungsaufbau. Eine neue Fähigkeit dem KI-System hinzuzufügen ist so einfach wie das Anschließen eines weiteren MCP-Servers.

Sicheres Credential-Management

MCP unterstützt die Expansion von Umgebungsvariablen für das Credential-Management. Authentifizierungstoken werden als Variablen in Konfigurationsdateien referenziert, nie hartcodiert oder in der Versionskontrolle abgelegt. Projektseitige Konfigurationen teilen Team-Tooling über die Versionskontrolle, während persönliche oder experimentelle Server in der nutzerspezifischen Konfiguration verbleiben.

Effektive MCP-Tools entwerfen

Wie zuverlässig ein KI-System mit MCP-Tools arbeitet, hängt maßgeblich davon ab, wie diese Tools gestaltet sind. Aus Produktionserfahrung haben sich mehrere Muster bewährt:

• Klare Tool-Beschreibungen mit Eingabeformaten, Beispielanfragen und Abgrenzungen, wann dieses Tool gilt: die KI nutzt sie zur Entscheidung
• Keine funktionalen Überschneidungen zwischen Tools: doppeldeutige oder fast identische Beschreibungen führen zu Fehlrouting
• Strukturierte Fehlerantworten, die zwischen transienten Fehlern (Retry), Validierungsfehlern (Eingabe korrigieren) und Berechtigungsfehlern (eskalieren) unterscheiden statt generische Fehlermeldungen zu liefern
• Begrenzte Tool-Sets: 4 bis 5 fokussierte Tools pro Agent statt Zugriff auf alles, um die Entscheidungskomplexität zu senken
• Content-Kataloge als Resources: verfügbare Daten von Anfang an offenlegen, damit die KI keine explorativen Aufrufe braucht

MCP in der Praxis: reale Integrationsmuster

Customer-Support-Integration

Ein MCP-Server kapselt Kundendatenbank, Auftragsverwaltung und Rückerstattungsverarbeitung. Der KI-Agent greift auf Kunden über ein `get_customer`-Tool zu, auf Bestellungen über `lookup_order` und verarbeitet Rückerstattungen über `process_refund`. Jedes Tool hat eindeutige Beschreibungen und strukturierte Fehlerantworten. Ein programmatischer Hook sorgt dafür, dass Rückerstattungen oberhalb eines Schwellenwerts automatisch an einen menschlichen Prüfer eskaliert werden.

Entwicklerproduktivität

MCP-Server verbinden KI-Coding-Assistenten mit Projektmanagement-Tools, Dokumentation und Deployment-Systemen. Ein Entwickler kann die KI beauftragen, den Status verwandter Tickets zu prüfen, die Deployment-Pipeline zu reviewen und Release Notes zu verfassen, alles über standardisierte MCP-Tool-Aufrufe statt manuellem Kontextwechsel zwischen Plattformen.

Dokumentenverarbeitungs-Pipeline

Ein MCP-Server stellt Tools bereit zum Lesen von Dokumenten, Extrahieren strukturierter Daten und Schreiben der Ergebnisse in eine Datenbank. Der KI-Agent verarbeitet eingehende Dokumente mit JSON-Schemas zur Validierung, wiederholt Extraktionen mit spezifischem Fehler-Feedback bei Misserfolg und leitet Extraktionen mit geringer Konfidenz zur menschlichen Prüfung weiter.

Erste Schritte mit MCP

Wer KI-Integration für sein Unternehmen evaluiert, sollte MCP von Anfang an in die Architektur einplanen. Der Standard vermeidet Vendor-Lock-in, reduziert den Wartungsaufwand für Integrationen und stellt sicher, dass die KI-Tools mit den Anforderungen wachsen können. Das Protokoll ist Open Source, gut dokumentiert und wird von allen großen KI-Plattformen unterstützt.

Sinnvoller Ausgangspunkt ist, zu identifizieren, welche bestehenden Systeme am meisten von KI-Zugang profitieren würden: typischerweise kundenseitige Tools, Dateneingabe-Workflows und interne Wissensdatenbanken. Für viele davon existieren bereits community-gepflegte MCP-Server.

webvise entwickelt KI-integrierte Anwendungen mit MCP als standardisierter Integrationsschicht. Ob bestehende Systeme angebunden oder individuelle MCP-Server für proprietäre Systeme gebaut werden sollen: Architektur und Umsetzung entstehen gemeinsam.