Was ist MCP? Model Context Protocol verständlich erklärt

KI-Assistenten wie Claude oder ChatGPT sind mächtige Werkzeuge – doch sie arbeiten isoliert. Sie können nicht direkt auf Ihre Dateien, Datenbanken oder andere Unternehmensanwendungen zugreifen. Das model-context-protocol ändert das grundlegend und ermöglicht es KI-Modellen, direkt mit externen Datenquellen zu kommunizieren.

Das Problem – KI ohne Kontext ist nur halb so gut

Stellen Sie sich vor: Sie möchten eine Kampagnen-Analyse erstellen. Dafür brauchen Sie Daten aus Google Analytics, Informationen aus Ihrem CRM und Dateien aus Google Drive. Heute bedeutet das: Daten manuell kopieren, zwischen verschiedenen Anwendungen wechseln, Informationen zusammentragen – und hoffen, dass nichts verloren geht.

Diese fragmentierten Workflows kosten Zeit und führen zu Fehlern. KI-Assistenten können nur mit den Informationen arbeiten, die Sie ihnen manuell bereitstellen. Der context Ihrer Unternehmensdaten bleibt außen vor.

Genau hier setzt der neue Standard an: Er verbindet KI-Modelle direkt mit Ihren Anwendungen und Datenquellen.

Was ist das Model Context Protocol? – Die Grundidee

Das Model Context Protocol ist ein universeller Kommunikationsstandard zwischen KI-Modellen und externen Anwendungen. Denken Sie an den Standard wie an USB-C für KI-Assistenten: Eine einheitliche Schnittstelle, die verschiedene Geräte und Anwendungen miteinander verbindet.

Der Standard wurde von Anthropic im November 2024 veröffentlicht und ist heute ein open source Standard, der ab 2026 von der Linux Foundation (AAIF – Agentic AI Foundation) verwaltet wird. Wichtig: Das System ist nicht auf Claude beschränkt. Jedes KI-model kann die Schnittstelle implementieren.

Die Technologie ermöglicht es KI-Assistenten, direkt mit hunderten von Anwendungen zu kommunizieren: von GitHub über Google Drive bis hin zu PostgreSQL-Datenbanken. Ohne manuelles Kopieren, ohne Medienbrüche.

Wie der Standard funktioniert – Architektur einfach erklärt

Die Architektur folgt einem einfachen Client-Server-Modell:

MCP Client: Die KI-Anwendung (z.B. Claude Desktop, ChatGPT oder eine eigene Anwendung)
MCP Server: Das externe Werkzeug oder die Datenquelle (z.B. GitHub, Google Drive, PostgreSQL)
Kommunikationsschicht: Die standardisierte Datenübertragung zwischen beiden

Der Workflow funktioniert so: Sie stellen eine Anfrage an den KI-Client → der Client kommuniziert über die Schnittstelle mit dem entsprechenden Service → der Service stellt die gewünschten Daten oder Funktionen bereit → der Client verarbeitet die Informationen und liefert Ihnen das Ergebnis.

Die offizielle Spezifikation finden Sie unter spec.modelcontextprotocol.io. Die Implementierung basiert auf JSON-RPC und bietet sowohl Python SDK als auch TypeScript SDK für Entwickler.

Die drei Bausteine (Tools, Resources, Prompts)

Der Standard strukturiert die Kommunikation in drei Kernbereiche:

Tools – Aktionen ausführen
Werkzeuge ermöglichen es dem KI-Client, aktive Handlungen durchzuführen. Beispiele: E-Mails versenden, Dateien erstellen, Daten aus Analytics abrufen, Code ausführen oder Datenbankabfragen stellen. Der KI-Assistent wird vom passiven Berater zum aktiven Helfer.

Resources – Daten bereitstellen
Resources stellen dem KI-model context zur Verfügung. Das können Dateien sein, Datenbankinhalte, API-Responses oder andere strukturierte Informationen. Der KI-Assistent erhält so Zugang zu Ihren Unternehmensdaten, ohne dass Sie diese manuell übertragen müssen.

Prompts – Wiederverwendbare Vorlagen
Prompts sind vordefinierte Prompt-Strukturen, die Services dem Client anbieten. Diese standardisierten Workflows sorgen für konsistente Ergebnisse und erleichtern die Zusammenarbeit in Teams.

Anwendungsfälle – Was man konkret machen kann

Die Technologie eröffnet völlig neue Möglichkeiten für KI-gestützte Workflows:

Für Business-Teams:
– Kampagnen-Reporting automatisieren: Daten aus Google Analytics, Ads-Plattformen und Sheets automatisch zusammenführen
– Content-Workflows beschleunigen: Direkte Integration zwischen Google Drive, Social Media tools und Design-Software
– Kundenfeedback aggregieren: Bewertungen aus verschiedenen Quellen sammeln und auswerten lassen
– Wettbewerbs-Monitoring: Web-Scraping-Ergebnisse direkt in Notion oder andere Dokumentationsanwendungen übertragen

Für technische Teams:
– Datenbankabfragen direkt aus dem Chat: PostgreSQL-Services ermöglichen SQL-Queries über den KI-Assistenten
– GitHub-Integration: Code-Reviews, Issue-Management und Pull-Request-Workflows direkt über die Schnittstelle
– Eigene Services entwickeln: Mit dem Python SDK (FastMCP) oder TypeScript SDK individuelle Integrationen bauen
– DevOps-Automatisierung: CI/CD-Pipelines und Monitoring-tools in KI-Workflows einbinden

Beliebte MCP Server – ein Überblick

Bereits hunderte vorgefertigter server stehen zur Verfügung. Die wichtigsten im Überblick:

Filesystem-Server: Lokale Dateien lesen und schreiben – ideal für Dokumentenanalyse und Content-Erstellung

Google Drive-Server: Direkter Zugriff auf Docs, Sheets und Slides – perfekt für kollaborative Workflows

GitHub/GitLab-Server: Repository-Management, Issue-Tracking und Pull-Request-Workflows

PostgreSQL-Server: Datenbankabfragen und -analysen direkt über den KI-Chat

Slack-Server: Nachrichten senden, Channel-Inhalte abrufen und Team-Kommunikation automatisieren

Brave Search-Server: Web-Recherche in Echtzeit für aktuelle Informationen

Memory-Server: Persistenter context über Sessions hinweg – der KI-Assistent „erinnert“ sich

Puppeteer-Server: Browser-Automatisierung für Web-Scraping und Testing

Vollständige Verzeichnisse finden Sie auf pulsemcp.com, glama.ai/mcp/servers und smithery.ai.

Selbst einrichten – Erste Schritte (für Einsteiger)

Die Einrichtung ist einfacher als gedacht. Hier eine Schritt-für-Schritt-Anleitung für Claude Desktop:

1. Claude Desktop installieren: Laden Sie die Anwendung von claude.ai herunter
2. Konfigurationsdatei öffnen: Navigieren Sie zur claude_desktop_config.json in Ihrem Benutzerordner
3. Services konfigurieren: Fügen Sie die gewünschten server hinzu. Beispiel für den Filesystem-Service:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-filesystem", "/path/to/allowed/files"]
    }
  }
}

4. Neustart und testen: Starten Sie Claude Desktop neu und testen Sie die Integration

Wichtiger Hinweis zu Datenschutz: Die Schnittstelle überträgt nur die Daten, die für die jeweilige Anfrage benötigt werden. Sie behalten die Kontrolle darüber, welche Anwendungen und Datenquellen verbunden werden.

Für Unternehmen – Was es strategisch bedeutet

Für Unternehmen ist die Technologie mehr als ein technisches Feature – es ist eine strategische Infrastruktur-Entscheidung.

Standardisierung statt Punkt-zu-Punkt-Integrationen: Statt für jede KI-Anwendung individuelle Schnittstellen zu entwickeln, etabliert die Lösung einen einheitlichen Standard. Das reduziert Entwicklungsaufwand und Wartungskosten erheblich.

Agentic AI ermöglichen: Die Technologie ist die Grundlage für autonome KI-Workflows, die über mehrere Anwendungen hinweg arbeiten. KI-Assistenten können komplexe Aufgaben selbstständig abarbeiten – von der Datensammlung bis zur Ergebnispräsentation.

Vendor-Lock-in vermeiden: Als open source Standard unter der Linux Foundation ist die Lösung herstellerunabhängig. Unternehmen können flexibel zwischen verschiedenen KI-Anbietern wechseln, ohne ihre Integrationen neu entwickeln zu müssen.

Skalierbare KI-Integration: Mit der Technologie können Unternehmen ihre bestehende Tool-Landschaft schrittweise für KI-Nutzung öffnen, ohne große Systemumstellungen.

Für die interne KI-Strategie bedeutet das: Wer heute kompatible Infrastrukturen aufbaut, ist für die nächste Generation von KI-Anwendungen optimal vorbereitet.

Fazit – Der Standard als Fundament für KI-Workflows

Das Model Context Protocol ist kein Hype-Feature, sondern eine fundamentale Infrastruktur-Innovation. Es bestimmt, wie gut KI-Assistenten in reale Arbeitsprozesse integriert werden können.

Die Technologie löst das zentrale Problem isolierter KI-Anwendungen: fehlender context und fragmentierte Workflows. Mit dem Standard können KI-Assistenten direkt auf Unternehmensdaten zugreifen und komplexe, anwendungsübergreifende Aufgaben automatisieren.

Die Entwicklung steht noch am Anfang. Bereits heute sind hunderte server verfügbar, weitere KI-Anbieter implementieren den Standard, und die Enterprise-Adoption nimmt Fahrt auf. Wer jetzt versteht, wie die Technologie funktioniert, kann sie strategisch für das eigene Unternehmen nutzen.

Der nächste Schritt: Evaluieren Sie, welche Ihrer bestehenden Anwendungen bereits Services anbieten, und planen Sie eine schrittweise Integration in Ihre KI-Workflows.