MCP erklärt: Wie KI-Anwendungen auf Tools und Daten zugreifen

MCP ist sinnvoll, wenn eine KI-Anwendung mit bestehenden Tools und Daten arbeiten soll. Wer lediglich KI nutzen möchte, braucht es nicht. Um zu verstehen, was MCP ist, helfen 3 Bausteine: die verwendete Anwendung, ihre Verbindungskomponente und ein Server, der ausgewählte Funktionen bereitstellt. Damit lassen sich Integrationen wiederverwenden. Die eigentliche Arbeit erledigen weiterhin die vorhandenen Softwareschnittstellen (APIs); auch deren Zugriffsrechte gelten nach wie vor.

Was ist MCP im KI-Kontext?

Das Model Context Protocol (MCP) ist ein offener Standard, der KI-Anwendungen mit Tools und Daten verbindet. Kompatible Anwendungen können damit auf einheitliche Weise verfügbare Funktionen ermitteln, Informationen abfragen und Aktionen auslösen. Die offizielle Einführung in MCP beschreibt Verbindungen zu externen Systemen wie Dateien, Datenbanken und Tools.

Für Gründer liegt der Nutzen im Arbeitsalltag: Ein Assistent kann Informationen aus den Geschäftssystemen verarbeiten, ohne dass sie zuvor in den Chat kopiert werden müssen. Für Entwickler zählt die Wiederverwendbarkeit: Eine Funktion wird über einen MCP-Server bereitgestellt und lässt sich anschließend von kompatiblen KI-Anwendungen nutzen.

Ein Beispiel: Ein Assistent soll eine Übersicht zu einem Kunden zusammenstellen. Eine Integration könnte den Kundendatensatz und aktuelle Supportanfragen abrufen und zur Zusammenfassung zurückgeben. MCP liefert dafür das gemeinsame Verbindungsformat. Die einzelnen Vorgänge müssen dennoch implementiert, Zugriffe autorisiert und Ergebnisse auf ihren Nutzen geprüft werden.

MCP ist Infrastruktur. Es ersetzt weder das KI-Modell noch die Anwendung, in der die Daten liegen, noch die Person, die für die Zugriffsfreigabe verantwortlich ist.

Wer betreut MCP heute?

MCP wird von den Maintainern des Open-Source-Projekts unter dem Dach der Agentic AI Foundation (AAIF) betreut, die zur Linux Foundation gehört. Anthropic hat das Protokoll entwickelt und am 9. Dezember 2025 die Übergabe an die Stiftung angekündigt. Die Stiftung bietet einen neutralen institutionellen Rahmen; über die technische Ausrichtung entscheidet weiterhin das Projekt. Zur Ankündigung des Projekts.

Bei der Prüfung am 13. Oktober 2026 führte die Governance-Seite von MCP David Soria Parra und Den Delimarsky als Lead Maintainer auf. Lead Maintainer, Core Maintainer und Maintainer bilden gemeinsam die MCP Steering Group. Die Mitgliedschaft ist an Personen gebunden; reservierte Unternehmenssitze gibt es nicht.

Das ist für Unternehmen wichtig, die ihre Abhängigkeit von einem Anbieter bewerten: Wer MCP nutzt, legt sich damit nicht auf die KI-Anwendungen von Anthropic fest. Umgekehrt betreut oder empfiehlt die Stiftung nicht automatisch jeden Drittanbieter-Server, der den Standard verwendet. Wie das Protokoll organisiert ist und ob eine bestimmte Integration vertrauenswürdig ist, sind getrennte Fragen.

Wie funktioniert MCP? Host, Client und Server

Der Host ist die verwendete Anwendung. Ein Client innerhalb dieser Anwendung kommuniziert mit einem Server, der Funktionen bereitstellt. Das sind Rollen innerhalb der Software, keine Aufforderung, separate Rechner anzuschaffen. Die offizielle Architekturbeschreibung sieht vor, dass ein Host für jeden angebundenen Server einen Client erzeugt.

Der Host: die KI-Anwendung

Der Host koordiniert das Zusammenspiel von Unterhaltung, Modell und verfügbaren Verbindungen. Er lässt sich mit dem Büro vergleichen, in dem die Arbeit stattfindet. Seine Einstellungen und Richtlinien bestimmen mit, welche Tools verfügbar sind und wann eine Freigabe angefordert wird.

Was ist ein MCP-Client?

Ein MCP-Client ist die Verbindungskomponente innerhalb des Hosts. Er kommuniziert über das Protokoll mit einem bestimmten Server. In der Regel wird diese Verbindung in der Anwendung eingerichtet; ein separates „Client“-Produkt muss dafür normalerweise nicht installiert werden.

Diese Unterscheidung verhindert einen häufigen Fehler in Schaubildern: Der Client gehört in den Host. Das Sprachmodell selbst stellt nicht die Netzwerkverbindung her.

Was ist ein MCP-Server?

Ein MCP-Server ist ein Programm, das ausgewählte Funktionen über MCP bereitstellt. „Server“ bezeichnet hier seine Rolle. Es kann sich also um einen Prozess auf dem Laptop oder um einen andernorts betriebenen Dienst handeln.

Im Beispiel der Kundenübersicht könnte der Server eine eng begrenzte Kundenabfrage anbieten. Er führt die Abfrage aus und liefert Ergebnisse zurück, die der Host in die Arbeit der KI einbezieht. Dafür muss der Server nicht die gesamte Kundendatenbank zugänglich machen.

Was stellt ein Server bereit? Tools, Ressourcen und Prompts

Server können 3 Arten von Funktionen bereitstellen. Sie müssen nicht alle unterstützen. Außerdem muss der Host die Funktionen beherrschen, die zum Einsatz kommen sollen. Die Dokumentation der Serverkonzepte unterscheidet sie wie folgt:

Ein Tool kann Informationen sowohl lesen als auch verändern. Eine Suchfunktion bleibt ein Tool, auch wenn sie nichts schreibt. Eine Ressource liefert zugänglichen Kontext; ein Prompt ist eine wiederverwendbare Vorlage, um eine Aufgabe zu beginnen.

Für Entwickler ist entscheidend, zwischen dem Ermitteln eines Vorgangs und seiner Ausführung zu unterscheiden: tools/list liefert die verfügbaren Tool-Definitionen, tools/call ruft eines dieser Tools auf. Gute Beschreibungen und klar begrenzte Eingaben helfen dem Host, den vorgesehenen Vorgang auszuwählen. Die Zugriffskontrollen der Anwendung ersetzen sie nicht.

MCP vs. API: Was ist der Unterschied?

MCP ersetzt keine APIs. Häufig macht ein MCP-Server vorhandene APIs nutzbar. Eine Programmierschnittstelle, kurz API, ermöglicht es Software, Daten oder Aktionen eines anderen Systems anzufordern. MCP gibt kompatiblen KI-Anwendungen einen gemeinsamen Weg, darauf aufbauende Funktionen zu finden und zu nutzen.

MCP vs. API am Beispiel einer Anfrage

Bei einer direkten Integration benötigt die KI-Anwendung für eine Kundenabfrage eine Tool-Definition und Code, der die API des Kundensystems aufruft. Mit MCP kann der Server diese Definition bereitstellen und den API-Aufruf ausführen. Die MCP-Lerneinheit von Anthropic beschreibt dieses Muster.

Die Anfrage landet weiterhin beim Kundensystem. Dessen Zugriffsregeln, Nutzungslimits und Geschäftslogik bleiben maßgeblich. Vereinheitlicht wird die Anbindung auf der KI-Seite; die Abhängigkeit vom zugrunde liegenden System bleibt bestehen.

Ein MCP-Server kann auch direkt mit lokalen Dateien oder einer Datenbank arbeiten. Eine bestehende API einzubinden ist daher eine gängige Umsetzung, aber keine Voraussetzung.

Wann lohnt sich MCP, wann eine direkte API?

MCP eignet sich, wenn kompatible KI-Anwendungen einen Zugang wiederverwenden sollen. Eine direkte API ist sinnvoll, wenn der Ablauf bereits feststeht und eine zusätzliche Schnittstelle wenig Nutzen bringt.

Ein geplanter Job, der freigegebene Rechnungsdatensätze in eine Buchhaltungssoftware überträgt, lässt sich womöglich übersichtlicher als gewöhnlicher Anwendungscode umsetzen. Eingaben, Ziel und Reihenfolge stehen bereits fest. Bei einem dialogbasierten Assistenten, der zwischen Kundenabfrage, Dokumentensuche und Aufgabenerstellung wählen muss, spricht mehr für Tools, deren verfügbare Funktionen er ermitteln kann.

Bei der Produktentwicklung zählt deshalb die Frage, wer die Integration nutzen soll. Möchten Kunden den Dienst in ihren vorhandenen KI-Anwendungen verwenden, kann ein MCP-Server einen nützlichen Vertriebsweg eröffnen. Ruft nur das eigene Backend den Vorgang auf, reicht möglicherweise eine direkte Funktion oder API.

MCP vs. RAG

Retrieval-augmented generation (RAG) stellt einem Modell abgerufene Informationen bereit; MCP stellt ein Verbindungsprotokoll bereit. Die ursprüngliche RAG-Veröffentlichung beschreibt, wie abgerufenes Material die Textgenerierung unterstützt.

Eine Dokumentensuche lässt sich als MCP-Tool bereitstellen. Das Suchsystem muss weiterhin nützliche Textstellen finden, Dokumentberechtigungen beachten und ausreichend Kontext zurückgeben. MCP verbessert die Qualität der Suche nicht automatisch.

Welche Rolle spielt MCP bei KI-Agenten?

MCP kann einem Agenten Zugriff auf Tools geben; den Plan des Agenten legt es nicht fest. Ein Agent ist Software, die mithilfe eines Modells Aktionen auswählt, um eine Aufgabe zu erledigen. Die MCP-Architektur überlässt den Modelleinsatz und die Kontextverwaltung ausdrücklich der Anwendung.

Für eine Kundenübersicht könnte der Agent entscheiden, zuerst den Kundendatensatz und anschließend dessen Supportanfragen abzurufen. Das Protokoll übermittelt die Anfragen. Für den Ablauf, die Kontrollmechanismen und den Umgang mit Fehlern bleibt die Anwendung verantwortlich.

Lokale und entfernte MCP-Server

„Lokal“ und „entfernt“ beschreiben den Betriebsort des Servers. Daraus lässt sich nicht ableiten, wo sämtliche Daten bleiben. Zu den standardmäßigen Transportwegen von MCP gehören stdio, die Kommunikation zwischen Prozessen auf demselben Rechner, und Streamable HTTP, die Kommunikation über HTTP, die häufig für entfernte Server verwendet wird. Überblick über die MCP-Transportwege.

Ein lokaler Server wird üblicherweise über einen Befehl auf dem Rechner gestartet, auf dem der Client läuft. Das passt zur Entwicklungsarbeit mit lokalen Dateien. Damit geht aber auch die Verantwortung für das installierte Programm und seine Ausführungsrechte einher.

Ein entfernter Server ist über eine Netzwerkadresse erreichbar. Das kann den Betrieb eines gemeinsam genutzten Dienstes im Unternehmen erleichtern, bringt jedoch Abhängigkeiten bei Hosting, Authentifizierung und Verfügbarkeit mit sich. HTTP lässt sich auch lokal einsetzen. „HTTP“ bedeutet daher nicht zwangsläufig öffentliches Internet.

Ein lokal laufender Server kann eine externe API aufrufen; seine Ausgabe kann in einer KI-Unterhaltung in der Cloud landen. Umgekehrt kann ein entfernt gehosteter Server eng begrenzte Berechtigungen durchsetzen. Entscheidend ist der gesamte Weg von den Quelldaten über den Server bis zur KI-Anwendung.

Was ist ein MCP-Connector?

„Connector“ ist häufig die Produktbezeichnung für eine Integration. Neben Host, Client und Server entsteht dadurch keine zusätzliche Architekturrolle. So nennt Claude seine entfernten MCP-Integrationen „Custom Connectors“, während die aktuelle Dokumentation von ChatGPT den MCP-Zugang über Plugins beschreibt. Maßgeblich ist der Verbindungsweg, den die jeweilige Anwendung unterstützt.

Welche Anwendungen unterstützen MCP bereits?

Claude, ChatGPT, Cursor, Visual Studio Code und Codex dokumentieren allesamt MCP-Unterstützung. Die folgenden Angaben wurden am 13. Oktober 2026 anhand der jeweiligen Herstellerseiten geprüft. Sie bestätigen dokumentierte Funktionen. Sie beruhen weder auf einem praktischen Kompatibilitätstest mit jedem Server noch garantieren sie denselben Zugang für jedes Konto.

Claude

Claude, der KI-Assistent von Anthropic, unterstützt entfernte MCP-Server über Custom Connectors und lokale Server über Erweiterungen für Claude Desktop. Die Dokumentation zu entfernten Connectors nennt die Tarife Free, Pro, Max, Team und Enterprise. Free umfasst 1 Custom Connector; die Unternehmenstarife bieten Kontrollmöglichkeiten auf Organisationsebene.

Eine entscheidende Grenze ist die Erreichbarkeit im Netzwerk: Anfragen über entfernte Connectors kommen aus der Cloud von Anthropic, auch bei Nutzung der Desktop-Anwendung. Ein Server, der nur vom eigenen Laptop aus erreichbar ist, ist deshalb nicht automatisch für diesen Connector erreichbar. Der separate Einrichtungsweg über lokale Desktop-Erweiterungen beginnt unter Settings > Extensions.

ChatGPT

ChatGPT, die KI-Anwendung von OpenAI, unterstützt Tools auf MCP-Basis über Plugins. Die aktuelle Schnellstartanleitung von OpenAI beschreibt, wie ein eigener Server über ChatGPT Plugins verbunden, das daraus entstehende Plugin installiert und in ChatGPT Work im Web aufgerufen wird. Eine eigene visuelle Oberfläche ist optional.

Für die Einrichtung ist dieser dokumentierte Produktweg maßgeblich. Einen lokalen Befehl aus der Konfiguration einer anderen Anwendung zu kopieren, ist nicht dasselbe wie die URL eines gehosteten Servers hinzuzufügen. Auch die Unterstützung des Protokolls allein sagt noch nichts über die Berechtigungen im eigenen Workspace aus.

Cursor

Cursor, der KI-Codeeditor, unterstützt lokale stdio-Server sowie entfernte Verbindungen über Streamable HTTP oder Server-Sent Events (SSE). Seine MCP-Dokumentation führt außerdem Tools, Ressourcen und Prompts auf. Die Konfiguration kann projektbezogen in .cursor/mcp.json oder global in ~/.cursor/mcp.json liegen.

Cursor fordert standardmäßig eine Freigabe an, bevor es MCP-Tools verwendet. Die aktivierten Funktionen sollten zum Projekt passen: Eine auffindbare Funktion ist nur dann hilfreich, wenn ihre Beschreibung, Berechtigungen und Ausgaben zur Aufgabe passen.

VS Code

Microsoft Visual Studio Code (VS Code), der Codeeditor, unterstützt MCP-Tools in seiner KI-Agentenumgebung sowie Ressourcen, Prompts und interaktive Anwendungen. Microsofts Einrichtungsdokumentation stellt den Befehl MCP: Add Server vor und empfiehlt für neue Server Speicherorte, an denen die Konfiguration portabel bleibt.

Bevor ein Workspace als vertrauenswürdig eingestuft wird, sollte die MCP-Konfiguration des Repositorys geprüft werden. Laut aktueller Microsoft-Dokumentation übernehmen MCP-Server im Workspace dessen Vertrauensstatus über Workspace Trust und können ohne separate Vertrauensabfrage für den Server starten. Für lokal ausführbaren Code ist das eine wesentliche Sicherheitsgrenze bei der Einrichtung.

Codex

Codex, der Coding-Agent von OpenAI, unterstützt lokale STDIO-Server und Streamable-HTTP-Server in seiner Kommandozeilenoberfläche und seiner Codeeditor-Erweiterung. Die MCP-Dokumentation des Herstellers beschreibt eine gemeinsame Konfiguration in ~/.codex/config.toml sowie die Authentifizierung per Bearer-Token und OAuth für HTTP-Server. Mit OAuth lässt sich Zugriff über einen Autorisierungsvorgang gewähren, ohne der Integration das Kontopasswort zu überlassen.

Codex dokumentiert außerdem Freigabe- und Sperrlisten für Tools. Darüber lassen sich genau die Vorgänge bereitstellen, die ein Arbeitsablauf benötigt. Eine erfolgreiche Verbindung ist erst der Anfang der Entscheidung, was sie tun dürfen soll.

Was kostet MCP, und wann lohnt es sich?

Für MCP gibt es keinen einheitlichen monatlichen Abopreis. Ins Budget gehören die KI-Anwendung oder das Modell, das Serverhosting beziehungsweise die Gebühr für einen verwalteten Dienst, die angebundene Software und die Wartung. Ein offenes Protokoll macht diese Bestandteile nicht kostenlos.

Ein konkretes Abrechnungsbeispiel liefert OpenAI: Die Responses API berechnet laut Anbieter die Tokens, die beim Import von MCP-Definitionen oder bei Aufrufen verwendet werden. Eine zusätzliche Gebühr pro MCP-Tool-Aufruf fällt nicht an. Diese Aussage gilt für diese API; Gebühren des Serveranbieters entfallen dadurch nicht. OpenAIs Erläuterung zur MCP-Abrechnung.

Wie sich der Integrationsaufwand verändert – und unter welchen Annahmen

Angenommen, 3 KI-Anwendungen sollen jeweils mit 4 Geschäftssystemen verbunden werden. Ein separater Adapter für jede Kombination ergibt 3 × 4 = 12 Schnittstellen. Bei einer idealisierten Architektur mit gemeinsamem Standard ergeben sich 3 Host-Implementierungen + 4 Server-Implementierungen = 7 Schnittstellen.

Das sind 5 Schnittstellenimplementierungen weniger, keine gemessene Ersparnis an Entwicklungsstunden. Das Beispiel setzt voraus, dass jede Kombination gebraucht wird und die erforderlichen Funktionen miteinander kompatibel sind. Authentifizierung, Berechtigungen, Tests und dienstspezifische Logik bleiben nötig. Unterstützen die KI-Anwendungen MCP bereits, kann die Host-Seite schon vorhanden sein; die eigene Arbeit konzentriert sich dann auf Server und Bereitstellung.

Für eine einzelne Anwendung, die einen einzelnen Dienst aufruft, kann eine direkte Integration einfacher sein. Attraktiv wird die zusätzliche Schicht durch Wiederverwendung.

MCP-Sicherheit: Was vor der Verbindung zu prüfen ist

Mit einer MCP-Verbindung erhält ein weiteres Programm einen Platz im KI-Arbeitsablauf. Anbieter, Berechtigungen und zurückgelieferte Inhalte erfordern jeweils eine eigene Vertrauensentscheidung. Der Standard allein kann sie nicht als vertrauenswürdig bestätigen.

Prompt Injection bezeichnet eine Anweisung, die in Inhalten versteckt ist, die das Modell eigentlich als Daten behandeln soll. Beispielsweise könnte eine abgerufene Supportanfrage den Assistenten auffordern, seine Aufgabe zu ignorieren und einen Kundendatenexport an eine andere Stelle zu senden. Gefährlich wird es, wenn der Assistent diese Tool-Ausgabe als maßgebliche Anweisung behandelt und dafür eine andere verfügbare Funktion nutzt.

OpenAIs MCP-Sicherheitshinweise warnen ausdrücklich vor versteckten Anweisungen in bösartigen Serverinhalten, der Offenlegung sensibler Daten und Veränderungen im Serververhalten. Auch ein vertrauenswürdiger Server kann ein nicht vertrauenswürdiges Dokument abrufen. Dessen Anweisungen dürfen nicht dieselbe Autorität erhalten wie die Person, die um eine Zusammenfassung gebeten hat.

Vor der Installation oder Autorisierung eines Servers sollten folgende Punkte geprüft werden:

• Anbieter und Zieladresse. Der Weg zum Paket oder zur Serveradresse sollte über die eigene Dokumentation des Dienstanbieters führen. Bei zwischengeschalteten Drittanbietern ist zu klären, wer sie betreibt und welche Daten sie speichern.
• Lokale Ausführung. Befehl, Argumente und angeforderte Dateisystemzugriffe prüfen. Die Installation eines lokalen Servers kann Code mit den Rechten seines Prozesses ausführen. „Lokal“ garantiert keine Sandbox.
• Kontoberechtigungen. Mit einem eingeschränkten Konto und dem kleinsten sinnvollen Datenzugriff beginnen. Ein Prompt wie „nur die Datensätze dieses Kunden verwenden“ bietet weniger Schutz als eine Berechtigung im Backend, die diese Grenze durchsetzt.
• Verfügbare Aktionen. Für den Pilotversuch möglichst nur lesende Vorgänge verwenden. Vor folgenreichen Schreibvorgängen oder Exporten eine Prüfung verlangen und die tatsächliche Zieladresse sowie die Argumente kontrollieren.
• Updates und Widerruf. Verantwortliche benennen, Änderungen prüfen und klären, wie sich der Server deaktivieren und seine Zugangsdaten widerrufen lassen. Eine funktionierende Deinstallationsschaltfläche belegt nicht, dass ein Token beim angebundenen Dienst widerrufen wurde.

Für Entwickler gilt: Die Autorisierung muss im Server und im zugrunde liegenden System durchgesetzt werden. Die Sicherheitsempfehlungen von MCP lehnen die Token-Durchleitung ab. Ein für einen anderen Dienst bestimmtes Token anzunehmen und unverändert weiterzuleiten, ist kein tragfähiges Autorisierungskonzept.

Für den Betrieb empfiehlt sich der Einstieg mit einer unkritischen Dokumentensammlung. Bevor sensible Systeme angebunden werden, sollten die zurückgelieferten Belege geprüft werden. Ein reiner Lesezugriff schränkt die Möglichkeit ein, das Quellsystem zu verändern; er verhindert nicht, dass sensibles Material abgerufen oder andernorts geteilt wird. Leistungsfähige Tools ohne Bezug zur Aufgabe gehören nicht in denselben Pilotversuch.

Was wird bei MCP übertrieben dargestellt?

Ein gemeinsames Protokoll verringert die Unterschiede zwischen Integrationen. Es macht sie nicht automatisch zuverlässig, sicher oder austauschbar. Die Aussage „unterstützt MCP“ lässt etliche Fragen offen: Welcher Transportweg? Welche Funktionen? Wessen Zugangsdaten? Welche Ausführungsumgebung? Welche Freigaben?

Ebenso wenig ist die Installation möglichst vieler Server eine Einführungsstrategie. Ein schlecht beschriebenes Tool kann fälschlich ausgewählt werden. Zu weitreichende Zugangsdaten können zu viel offenlegen. Ein nicht verfügbarer angebundener Dienst kann den Arbeitsablauf weiterhin zum Stillstand bringen.

Der belastbare Nutzen ist enger gefasst: Kompatible Hosts und Server können eine Schnittstelle wiederverwenden. Trotzdem braucht es eine definierte Aufgabe, eine verantwortliche Person und einen Weg, schlechte Ergebnisse zu erkennen. Entscheidend ist die erledigte und geprüfte Arbeit, nicht die Größe des Tool-Katalogs.

Wer sollte einsteigen, abwarten oder beim Bestehenden bleiben?

Für Gründer lohnt sich der Einstieg, wenn wiederholtes Kopieren oder verstreute Zugriffsmöglichkeiten einen wertvollen Arbeitsablauf ausbremsen. Zuerst wird der Arbeitsablauf ausgewählt, dann die Infrastruktur. Erledigt eine vorhandene, freigegebene Integration die Aufgabe bereits, bringt eine weitere Schicht nicht automatisch einen Mehrwert.

Für operative Teams bietet sich ein Pilotversuch an, wenn Informationsquelle und Berechtigungsgrenzen klar sind. Mit einer breiten Einführung sollte gewartet werden, solange sich niemand um Zugangsdaten, deren Widerruf oder die Prüfung folgenreicher Aktionen kümmert. Diese betrieblichen Entscheidungen kann das Protokoll nicht abnehmen.

Entwickler sollten MCP ergänzen, wenn mehrere kompatible Hosts dieselbe Funktion benötigen oder Kunden ausdrücklich den Zugriff aus ihren KI-Anwendungen wünschen. Eine zuverlässige API-Automatisierung mit festem Ablauf sollte bestehen bleiben, solange sich kein konkreter Vorteil durch Wiederverwendung oder für das Produkt benennen lässt.

Für die nächste Umsetzungsentscheidung hilft die Liste der besten MCP-Server, eine vorhandene Integration zu finden. Die Anleitung zum MCP-Server mit Python unterstützt dabei, eine eigene Funktion bereitzustellen. Der Leitfaden zu MCP-Gateways ist relevant, wenn gemeinsame Zugriffskontrollen zu einer betrieblichen Anforderung werden.

Der erste Schritt am Montag

Mit einem klar begrenzten Lesevorgang in der bereits verwendeten KI-Anwendung beginnen. Beispielsweise ein freigegebenes Kundenprofil abrufen und seinen Inhalt mit der Quelle abgleichen.

1. 1

   Aufgabe und Grenzen festlegen

   Fragestellung, erlaubte Daten und erwartetes Ergebnis festhalten. Einen reinen Lesevorgang und ein Benutzer- oder Dienstkonto mit eingeschränkten Rechten wählen. Eine verantwortliche Person benennen, die die Verbindung deaktivieren kann.

2. 2

   Den dokumentierten Einrichtungsweg des Herstellers nutzen

   Klären, ob ein lokaler Befehl oder eine entfernte URL erforderlich ist, die Authentifizierung abschließen und die verfügbaren Funktionen prüfen. Nur aktivieren, was die Aufgabe benötigt.

3. 3

   Erfolg, Zugriffsverweigerung und Ausfall prüfen

   Zunächst erlaubte Informationen anfordern, danach Informationen außerhalb der Kontoberechtigungen. Prüfen, ob die zweite Anfrage abgelehnt wird. Den Server trennen und kontrollieren, ob der Assistent den fehlenden Zugriff meldet, statt eine unbelegte Antwort zu präsentieren.

4. 4

   Nur fortführen, wenn die Arbeit davon profitiert

   Den Zeitaufwand für Abruf, Prüfung und Korrektur des Ergebnisses erfassen. Die Zugangsdaten des Pilotversuchs widerrufen und prüfen, ob der Zugriff endet. Erst ausweiten, wenn sowohl der Nutzen als auch die Grenzen der Kontrolle klar sind.

Häufige Fragen zu MCP

Wie wird MCP eingerichtet?

Die Einrichtung erfolgt im KI-Host: Für einen unterstützten lokalen Server wird ein Startbefehl hinterlegt, für einen entfernten Server eine URL. Anschließend werden die Authentifizierung abgeschlossen und die benötigten Tools aktiviert. Dateinamen und Einstellungen unterscheiden sich je nach Anwendung; maßgeblich ist die aktuelle Dokumentation des jeweiligen Herstellers.

Wofür steht die Abkürzung MCP?

Im Bereich der KI-Software steht MCP für Model Context Protocol. Gemeint ist der hier beschriebene offene Standard, der KI-Anwendungen mit externen Tools und Daten verbindet.

Wie lässt sich MCP einfach erklären?

MCP lässt sich mit einem gemeinsamen Serviceschalter vergleichen: Eine KI-Anwendung kann herausfinden, was ein anderes Programm anbietet, etwas in einem vereinbarten Format anfordern und das Ergebnis empfangen. Hinter dem Schalter gelten weiterhin die jeweiligen Zugriffsrechte.

Warum braucht man MCP?

MCP kann wiederkehrenden Integrationsaufwand verringern und kompatiblen KI-Anwendungen ermöglichen, Tools wiederzuverwenden. Es ist optional: Für einen festen Arbeitsablauf kann eine direkte API oder eine vorhandene, freigegebene Integration die bessere Wahl sein.

Wofür wird MCP verwendet?

MCP bringt externen Kontext und erlaubte Aktionen in KI-Anwendungen. Dazu gehören etwa das Nachschlagen von Datensätzen, der Abruf von Dokumenten oder das Anlegen einer Aufgabe über ein bereitgestelltes Tool.

Für praktische Entscheidungshilfen zu KI-Tools und Geschäftsabläufen den Newsletter abonnieren.