Was ist das Model Context Protocol (MCP)?

KI-Assistenten wie Claude können viele Aufgaben erledigen — solange die nötigen Informationen im Gespräch vorhanden sind. Doch was, wenn der Assistent direkt auf eine Datenbank, ein CRM-System oder eine externe API zugreifen soll? Genau dafür wurde das Model Context Protocol entwickelt. Es ist ein offenes Protokoll, das KI-Modelle mit Werkzeugen und Datenquellen verbindet — und das Konzept des KI-Assistenten grundlegend erweitert.

Kurze Antwort

Das Model Context Protocol (MCP) ist ein offener Standard von Anthropic, der festlegt, wie KI-Modelle mit externen Tools, Datenquellen und Diensten kommunizieren. Es funktioniert wie eine universelle Steckdose: Wer ein MCP-kompatibles “Tool” baut, kann es mit jedem MCP-kompatiblen KI-Modell verbinden. Claude (Anthropic), aber auch andere Modelle unterstützen MCP — es ist nicht an einen einzelnen Anbieter gebunden.

Definition

Das Model Context Protocol ist ein offenes Protokoll (veröffentlicht von Anthropic, November 2024), das eine einheitliche Kommunikationsschicht zwischen KI-Modellen und externen Datenquellen oder Tools definiert.

MCP besteht aus drei Kernkomponenten:

• MCP-Server: Ein kleines Programm, das externe Ressourcen verfügbar macht — z. B. eine Datenbankverbindung, ein Dateisystem oder eine externe API.
• MCP-Client: Das KI-Modell (z. B. Claude) oder die Anwendung, die den MCP-Server nutzt.
• Protokoll: Die standardisierte Kommunikation zwischen Server und Client — ähnlich wie HTTP für Websites.

Ein MCP-Server kann “Tools” (Aktionen, die das Modell ausführen kann), “Resources” (Daten, auf die das Modell zugreifen kann) und “Prompts” (vordefinierte Abläufe) bereitstellen.

Der entscheidende Unterschied zu klassischen API-Integrationen: MCP ist modell-agnostisch und standardisiert. Ein einmal gebauter MCP-Server funktioniert mit jedem kompatiblen KI-Modell — ohne für jeden Anbieter eine eigene Integration entwickeln zu müssen.

Beispiel aus der Praxis

Eine mittelständische Anwaltskanzlei mit 25 Mitarbeitern verwaltet Akten in einem lokalen Dokumentenmanagementsystem (DMS). Bisher müssen Anwälte relevante Akteninhalte manuell suchen und kopieren, bevor sie einen KI-Assistenten nutzen.

Ohne MCP: Der Anwalt kopiert Auszüge aus Akten manuell in den Chat mit dem KI-Assistenten. Zeitaufwand: 5-10 Minuten Vorbereitung pro Anfrage. Risiko: Relevante Dokumente werden übersehen.

Mit MCP-Server für das DMS: Der KI-Assistent kann auf Anfrage direkt auf Akten zugreifen — “Fasse die letzten drei Schriftsätze in Akte 2024-1234 zusammen” wird direkt ausgeführt. Der Assistent liest die relevanten Dokumente, generiert die Zusammenfassung und gibt sie zurück. Die Akten verlassen dabei das interne System nur im Ausmaß der konkreten Anfrage.

Zeitersparnis: 8-15 Minuten pro Arbeitsvorgang. Bei 30 solcher Vorgänge täglich in der Kanzlei: mehrere Stunden zurückgewonnen.

Typische Anwendungsfälle

• Dateizugriff: KI-Assistent liest und bearbeitet Dokumente aus einem lokalen oder Cloud-Dateisystem.
• Datenbankabfragen: Direkter Zugriff auf Kundendaten, Lagerbestände oder Finanzdaten per natürlicher Sprache.
• Code-Ausführung: Entwickler-Assistenten führen Code aus, testen und debuggen in einer kontrollierten Umgebung.
• Web-Recherche: KI-Modell ruft aktuelle Informationen von Websites ab.
• CRM-Integration: Assistent legt Kontakte an, ergänzt Notizen oder erstellt Aufgaben im CRM.
• Kalender und E-Mail: Assistent terminiert Meetings oder formuliert und sendet E-Mails.
• Monitoring und Alerts: KI-Assistent überwacht Systeme und reagiert auf definierte Ereignisse.

DSGVO-Relevanz

MCP schafft eine neue Dimension für DSGVO-Überlegungen — denn es gibt KI-Modellen Zugang zu Daten, die vorher sicher hinter internen Systemen lagen.

Welche Daten fließen wohin? Wenn ein MCP-Server einem Cloud-KI-Modell (z. B. Claude über die Anthropic API) Zugang zu internen Dokumenten gibt, verlassen diese Dokumente das interne Netz. Enthält das Dokument personenbezogene Daten, gelten die üblichen DSGVO-Anforderungen: AVV mit dem Modellanbieter, Drittlandprüfung (DPF/SCCs bei US-Anbietern).

Datensparsamkeit beim MCP-Design. Ein gut konzipierter MCP-Server gibt dem Modell nur Zugang zu den Daten, die für die konkrete Aufgabe nötig sind — nicht pauschal zu allen Systemen. Das Prinzip der Datensparsamkeit (Art. 5 DSGVO) gilt auch für MCP-Implementierungen.

Zugriffsrechte und Audit-Trail. Welches Modell darf über MCP auf welche Daten zugreifen? Diese Zugriffsrechte müssen technisch kontrolliert werden. Außerdem ist ein Audit-Trail sinnvoll: Was hat der KI-Assistent über MCP abgerufen oder verändert?

Lokale MCP-Server als Lösung. MCP funktioniert auch mit lokal betriebenen KI-Modellen — dann verlassen keine Daten das eigene Netz. Das ist besonders relevant für sensible Branchen (Recht, Medizin, Finanzen).

Empfehlung: Vor der MCP-Implementierung definieren, welche Daten das Modell zugreifen darf. Für Cloud-Modelle AVV und Drittlandprüfung analog zur direkten API-Nutzung durchführen. Lokale Modelle bei besonders sensiblen Daten bevorzugen.

Verwandte Begriffe

• API: Klassische Programmierschnittstelle — MCP baut auf API-Prinzipien auf, ist aber auf KI-Modell-Interaktion spezialisiert.
• LLM (Large Language Model): Das Modell, das MCP als Client nutzt — z. B. Claude oder GPT-4.
• Tool Use / Function Calling: Verwandtes Konzept bei OpenAI und Anthropic — Modelle rufen definierte Funktionen auf. MCP standardisiert und erweitert das.
• Agentic AI / KI-Agent: Ein KI-System, das eigenständig Aktionen ausführt — MCP ist eine Infrastruktur, auf der KI-Agenten aufbauen.
• RAG: Ergänzende Technik — RAG gibt dem Modell Dokumente als Kontext, MCP gibt ihm aktive Werkzeuge.
• Anthropic: Entwickler von Claude und Urheber des MCP-Standards.

Häufige Missverständnisse

• “MCP ist nur für Claude.” MCP ist ein offenes Protokoll. Anthropic hat es entwickelt, aber es ist nicht auf Claude beschränkt. Andere Anbieter und Open-Source-Projekte implementieren MCP-Kompatibilität zunehmend.

• “MCP ersetzt RAG.” Nein — beides hat unterschiedliche Stärken. RAG gibt dem Modell Dokumente als Lese-Kontext. MCP ermöglicht aktive Aktionen und Datenzugriff. Beide Techniken können kombiniert werden.

• “MCP ist nur für Entwickler.” Für die Implementierung eines MCP-Servers braucht man Entwickler-Know-how. Für die Nutzung eines bereits integrierten MCP-Setups (z. B. in einem fertigen KI-Assistenten) nicht.

• “Mit MCP hat die KI unkontrollierten Zugriff auf alle Daten.” MCP-Server definieren explizit, welche Tools und Ressourcen verfügbar sind. Ein MCP-Server für ein Dateisystem kann so konfiguriert werden, dass er nur bestimmte Ordner zugänglich macht.

Häufig gestellte Fragen

Ist MCP schon produktionsreif? Ja — MCP wird seit Ende 2024 aktiv genutzt, insbesondere in Entwickler-Workflows mit Claude. Das Ökosystem an verfügbaren MCP-Servern (für GitHub, Dateisysteme, Datenbanken, Web u. v. m.) wächst schnell.

Was kostet die Einrichtung eines MCP-Servers? Ein einfacher MCP-Server (z. B. Dateizugriff) ist in wenigen Stunden aufzusetzen — für Entwickler. Komplexere Integrationen (CRM, ERP, maßgeschneiderte Datenbanken) können mehrere Tage Entwicklungsaufwand erfordern.

Kann ich MCP mit lokalen KI-Modellen nutzen? Ja. MCP ist unabhängig davon, wo das Modell läuft. Mit lokalen Modellen (z. B. Mistral, LLaMA via Ollama) und einem lokalen MCP-Server verlassen keine Daten das eigene Netz — das ist DSGVO-technisch ideal für sensible Anwendungen.

Welche MCP-Server existieren bereits? Anthropic und die Community haben MCP-Server für populäre Dienste veröffentlicht: GitHub, Slack, Google Drive, Postgres, SQLite, Brave Web Search, u. a. Die Liste wächst kontinuierlich.

Muss ich als KMU MCP kennen? Nicht zwingend. MCP ist heute vor allem für Entwickler und technisch affine Teams relevant. In zwei bis drei Jahren wird es wahrscheinlich in vielen fertigen KI-Produkten unsichtbar im Hintergrund laufen — ähnlich wie HTTP heute. Grundlegendes Verständnis schadet nicht, wenn man KI tiefer ins Unternehmen integrieren will.

MCP-Unterstützung in unseren Tooltests

Einige Tools auf ai-finden.de unterstützen MCP bereits oder bieten vergleichbare Integrationsmöglichkeiten:

• Claude (Anthropic): Referenz-Implementierung — Claude Desktop und die API unterstützen MCP nativ.
• ChatGPT Plus (OpenAI): Über “Connectors” und Function Calling vergleichbare Funktionen — keine vollständige MCP-Implementierung, aber ähnliches Konzept.
• ClickUp und Taskade: KI-Assistenten mit Zugriff auf eigene Projektdaten — intern ähnlich wie MCP realisiert.
• DeepSeek: API-fähig; MCP-Kompatibilität über Community-Server in Entwicklung.

Die Liste wächst — MCP ist ein junges Ökosystem. Bei der Bewertung neuer Tools auf ai-finden.de wird MCP-Unterstützung künftig als Integrations-Kriterium erfasst.

Fazit

Das Model Context Protocol ist ein wichtiger Baustein für die nächste Generation von KI-Anwendungen — solche, die nicht nur Text erzeugen, sondern aktiv mit Unternehmensdaten und -systemen interagieren. Für KMU, die KI tiefer in ihre Prozesse integrieren wollen, ist MCP ein Konzept, das man kennen sollte. Der DSGVO-Aufwand ist beherrschbar, wenn MCP-Server auf das Nötigste beschränkt werden und Datenzugriffe kontrolliert und dokumentiert sind. KI-Tools auf ai-finden.de mit API- und Integrationsmöglichkeiten sind DSGVO-bewertet — für einen informierten Einstieg.