Das Model Context Protocol (MCP) ist ein offener Standard, der festlegt, wie Sprachmodelle auf externe Werkzeuge, Datenquellen und Systeme zugreifen. Ein System wird einmal als sogenannter MCP-Server bereitgestellt und ist danach für jede Anwendung nutzbar, die den Standard unterstützt. Vorgestellt wurde MCP Ende 2024 von Anthropic; inzwischen wird es auch von anderen Anbietern und Werkzeugen unterstützt.
Das Problem, das MCP löst
Vor MCP musste jede Verbindung zwischen einem Modell und einem System einzeln programmiert werden. Bei fünf Modellen und zehn Systemen entstünden so fünfzig Einzelanbindungen. MCP macht daraus eine gemeinsame Sprache: Der Zugriff wird einmal als Server definiert, und jedes MCP-fähige Modell kann ihn nutzen. Das reduziert den Integrationsaufwand von einem M×N- auf ein M+N-Problem.
Wie es funktioniert
MCP arbeitet nach dem Client-Server-Prinzip. Die KI-Anwendung (etwa ein Chat-Client oder ein KI-Agent) ist der Client, das angebundene System der Server. Der Server stellt dem Modell drei Arten von Bausteinen zur Verfügung:
| Baustein | Funktion | Beispiel |
|---|---|---|
| Tools | Aktionen, die das Modell auslösen kann | Datenbankabfrage, E-Mail senden |
| Resources | Daten, die das Modell lesen kann | Dateien, Datensätze |
| Prompts | Vorgefertigte Anweisungsvorlagen | Standard-Auswertung |
Der Datenaustausch läuft über ein einheitliches Format (JSON-RPC), sodass Modell und System nichts voneinander wissen müssen außer diesem Protokoll.
Was ist ein MCP-Server?
Ein MCP-Server ist die Komponente, die ein System für KI-Anwendungen bereitstellt — das Gegenstück zum Client. Er kapselt ein konkretes System (eine Datenbank, ein CRM, einen Dateispeicher, einen Web-Dienst) und bietet dessen Funktionen als Tools, Resources und Prompts im MCP-Format an. Einmal aufgesetzt, kann jede MCP-fähige Anwendung den Server nutzen — unabhängig davon, welches Modell dahintersteht. In der Praxis läuft ein MCP-Server als kleines Programm lokal auf dem Rechner oder als Dienst im Netzwerk; für gängige Systeme existieren fertige Server, sodass nicht jede Anbindung selbst entwickelt werden muss. Das Ökosystem ist inzwischen groß: Im offiziellen MCP-Registry und in Community-Verzeichnissen sind Tausende öffentliche Server gelistet. Für Unternehmen heißt das: Die Frage ist selten, ob es einen MCP-Server für ein System gibt, sondern welcher vertrauenswürdig ist — denn ein Server handelt mit den Rechten, die man ihm einräumt, und gehört deshalb wie fremde Software geprüft. Seit Dezember 2025 liegt der Standard bei der Agentic AI Foundation unter dem Dach der Linux Foundation, getragen unter anderem von Anthropic, OpenAI, Google und Microsoft — ein Signal, dass MCP herstellerneutral bleibt.
Abgrenzung zu Funktion und API
MCP ersetzt keine Programmierschnittstelle (API), sondern standardisiert die Ebene darüber. Eine API definiert, wie ein einzelnes System technisch angesprochen wird; MCP definiert, wie ein Modell beliebige so gekapselte Systeme einheitlich anspricht. Verwandt ist das ältere Konzept des Function Calling, bei dem ein Modell Funktionen aufruft — MCP hebt dieses Prinzip auf einen anbieterübergreifenden Standard.
Einordnung für den Mittelstand
Für Anwender ist MCP nicht direkt sichtbar. Relevant wird der Standard, sobald eigene Agenten gebaut oder interne Systeme (Warenwirtschaft, CRM, Dateiablage) an ein Modell angebunden werden. Der praktische Vorteil ist Unabhängigkeit: Wer seine Werkzeuge über MCP anbindet, kann das dahinterliegende Sprachmodell austauschen, ohne die Anbindung neu zu bauen. In Automatisierungswerkzeugen wie n8n lassen sich MCP-Server als Bausteine einbinden.
Grenzen und Fallstricke
Der Standard regelt den Zugriff, nicht die Berechtigung. Welche Daten ein Modell tatsächlich sehen oder verändern darf, muss weiterhin bewusst festgelegt werden — ein zu weit gefasster MCP-Server öffnet dem Modell mehr, als beabsichtigt ist. Wo personenbezogene Daten im Spiel sind, gelten die üblichen Anforderungen an DSGVO-konforme KI unverändert.
Häufige Fragen
Brauche ich MCP?
Als Anwender nicht direkt. Relevant wird es, sobald eigene Agenten gebaut oder interne Systeme angebunden werden.
Ist MCP sicher?
Der Standard selbst regelt den Zugriff, nicht die Berechtigung. Welche Daten ein Modell sehen darf, muss weiterhin bewusst festgelegt werden.
Wofür steht MCP?
MCP steht für Model Context Protocol — einen offenen Standard, der festlegt, wie Sprachmodelle einheitlich auf externe Werkzeuge, Datenquellen und Systeme zugreifen. Vorgestellt wurde er Ende 2024 von Anthropic und wird inzwischen auch von anderen Anbietern unterstützt.
Was ist der Unterschied zwischen MCP und einer API?
Eine API legt fest, wie ein einzelnes System technisch angesprochen wird. MCP standardisiert die Ebene darüber: Es beschreibt, wie ein Modell beliebige so gekapselte Systeme auf einheitliche Weise nutzt — MCP ersetzt eine API also nicht, sondern setzt auf ihr auf.
Was ist ein MCP-Server?
Die Komponente, die ein System für Modelle bereitstellt. Sie bietet drei Arten von Bausteinen an: Tools (Aktionen wie eine Datenbankabfrage), Resources (lesbare Daten) und Prompts (vorgefertigte Anweisungsvorlagen). Einmal definiert, kann jedes MCP-fähige Modell den Server nutzen.
Wo findet man fertige MCP-Server?
Im offiziellen MCP-Registry sowie in Community-Verzeichnissen sind Tausende öffentliche MCP-Server gelistet — von Datenbank- und Dateizugriff bis zu Anbindungen an gängige Geschäftsanwendungen. Vor dem Einsatz gehört jeder Server wie fremde Software geprüft, denn er erhält Zugriff im Namen des Nutzers.
Wer steht hinter MCP?
Entwickelt wurde MCP von Anthropic. Am 9. Dezember 2025 wurde das Protokoll an die Agentic AI Foundation übergeben, einen Fonds unter dem Dach der Linux Foundation — mit Anthropic, OpenAI und Block als Gründungsmitgliedern sowie Google, Microsoft, AWS, Cloudflare und Bloomberg als unterstützenden Mitgliedern. Der Standard ist damit herstellerneutral verankert.
Welchen Vorteil hat MCP für Unternehmen?
Unabhängigkeit vom Modellanbieter: Wer interne Systeme wie CRM oder Warenwirtschaft über MCP anbindet, kann das dahinterliegende Sprachmodell später austauschen, ohne die Anbindung neu zu bauen. Zudem sinkt der Integrationsaufwand, weil jede Anbindung nur einmal statt je Modell erstellt wird.