MCP (Model Context Protocol)
MCP (Model Context Protocol) ist ein offener Standard, der KI-Anwendungen — LLMs, KI-Assistenten und KI-Agenten — mit externen Datenquellen und Werkzeugen verbindet. Ende 2024 von Anthropic veröffentlicht, wird das Protokoll inzwischen von einer breiten Palette von KI-Werkzeugen unterstützt. Statt für jede Kombination aus Modell und System eine eigene Integration zu bauen, genügt ein MCP-Server je System.
Welches Problem löst MCP?
Ein LLM kennt nur, was in seinen Trainingsdaten stand und was in der Anfrage mitgeliefert wird. Für echte Aufgaben braucht es Zugriff auf lebende Systeme: Datenbanken, Ticketsysteme, Engineering-Werkzeuge, Fachanwendungen. Vor MCP bedeutete das Punkt-zu-Punkt-Integrationen — jede KI-Anwendung multipliziert mit jedem System ergab eine eigene Anbindung. MCP standardisiert diese Schnittstelle: Ein System stellt einmal einen MCP-Server bereit, und jede MCP-fähige KI-Anwendung kann ihn nutzen. Aus N×M Einzelanbindungen werden N+M Bausteine.
Wie funktioniert MCP?
MCP folgt einer Client-Server-Architektur: Der Host ist die KI-Anwendung — etwa ein Chat-Interface, ein IDE-Assistent oder ein Agent —, die über Clients Verbindungen zu einem oder mehreren MCP-Servern hält. Ein Server stellt drei Arten von Bausteinen bereit:
| Baustein | Funktion | Beispiel |
|---|---|---|
| Tools | Aktionen, die das Modell aufrufen kann | Abfrage ausführen, Ticket anlegen, Dokument erzeugen |
| Ressourcen | Daten und Kontext zum Lesen | Dateien, Datensätze, Modell- und Anforderungsdaten |
| Prompts | vordefinierte Vorlagen für wiederkehrende Aufgaben | Review-Checkliste, Analyse-Workflow |
Welches Tool wann sinnvoll ist, entscheidet das Modell im Dialog — innerhalb der Rechte und Freigaben, die Server und Host-Anwendung setzen.
MCP in Engineering-Toolchains
In Engineering-Organisationen verteilt sich Wissen über Werkzeuggrenzen: Anforderungen in DOORS oder Jama, Architekturmodelle in Enterprise Architect, Code in GitLab. Während Standards wie OSLC Engineering-Werkzeuge untereinander verbinden, öffnet MCP sie für KI-Assistenten: Ein Modell kann Anforderungen und Modelldaten direkt abfragen — ohne manuelle Exportschritte — und Fragen beantworten wie „Welche Anforderungen sind von dieser Architekturänderung betroffen?“
MCP in Geschäftsprozessen und für Datensouveränität
Auch außerhalb des Engineerings ist MCP der übliche Weg, KI kontrolliert an Unternehmenssysteme anzubinden. Zwei Muster aus der Praxis: Zum einen lassen sich Modelle über MCP an interne Systeme koppeln, ohne dass Daten das Haus verlassen — der Server läuft in der eigenen Umgebung und gibt nur frei, was freigegeben werden soll. Zum anderen kann ein projektspezifischer, mit Kontext gefüllter MCP-Server der KI einen präzisen semantischen Rahmen geben — etwa in der Legacy-Modernisierung, wo er Systemwissen, Architekturregeln und Abhängigkeiten bereitstellt und so strukturelle Fehler bei der Codegenerierung ausschließt.
MCP in der Praxis: Anbindung ist nicht gleich Kontext
Das Protokoll löst die technische Anbindung — nicht mehr. Ob ein MCP-Server nützlich ist, entscheidet der Kontext, den er strukturiert bereitstellt: Schlecht gepflegte Daten werden durch einen Standard nicht besser. Und weil ein Server dem Modell reale Rechte verschafft, verdient er dieselbe Sorgfalt wie jede andere Schnittstelle — klar begrenzte Zugriffsrechte, Freigaben für schreibende Aktionen und Nachvollziehbarkeit, was die KI wann getan hat.