Der nächste Schritt in der KI-Automatisierung: Model Context Protocol (MCP)

Verschiedene Arten von KI-Modellen, von großen Sprachmodellen bis hin zu Computer-Vision-Systemen, können eine große Bandbreite an Aufgaben unterstützen, darunter das Erzeugen von Texten, das Analysieren von Bildern, das Erkennen von Mustern und das Erstellen von Vorhersagen. Diese Modelle nahtlos und skalierbar mit Computersystemen aus der realen Welt zu verbinden, erforderte bisher jedoch meist komplexe Integrationsarbeit.

Auch wenn ein Modell eigenständig gute Ergebnisse liefern kann, erfordert seine Bereitstellung in praktischen Umgebungen häufig Zugriff auf externe Tools, aktuelle Daten oder domänenspezifischen Kontext. Diese Elemente zusammenzuführen, umfasst in der Regel individuellen Code, manuelle Einrichtung und eine eingeschränkte Wiederverwendbarkeit.

In letzter Zeit erhält das Konzept eines Modellkontextprotokolls (MCP) in der KI-Community zunehmend Aufmerksamkeit. MCP ist ein offener Standard, der es KI-Systemen ermöglicht, Informationen mit Tools, Dateien und Datenbanken in einem gemeinsamen, strukturierten Format auszutauschen. Anstatt für jeden Anwendungsfall eigene Integrationen zu entwickeln, können Entwickler mit MCP vereinfachen, wie Modelle auf den benötigten Kontext zugreifen und mit ihm interagieren.

Du kannst dir MCP als universellen Adapter vorstellen. So wie ein Reiseadapter deinen Geräten ermöglicht, weltweit verschiedene Steckdosen zu nutzen, können KI-Modelle mit MCP verschiedene Systeme, Tools und Daten-quellen anbinden, ohne dass für jede einzelne eine eigene Einrichtung erforderlich ist.

In diesem Artikel sehen wir uns genauer an, was MCP ist, wie es funktioniert und welche Rolle es dabei spielt, KI in Anwendungen aus der realen Welt effektiver zu machen. Außerdem betrachten wir einige Praxisbeispiele für den Einsatz von MCP.

Was ist das Modellkontextprotokoll?#

Das Modellkontextprotokoll (MCP) ist ein offener Standard von Anthropic, einem auf KI-Sicherheit und Forschung spezialisierten Unternehmen, das für die Entwicklung fortschrittlicher Sprachmodelle bekannt ist. Es bietet KI-Modellen eine klare Möglichkeit, sich mit Tools, Dateien oder Datenbanken zu verbinden.

Die meisten KI-Assistenten nutzen heute große Sprachmodelle, um Fragen zu beantworten oder Aufgaben zu erledigen. Diese Modelle benötigen jedoch oft zusätzliche Daten, um gute Antworten zu liefern. Ohne ein gemeinsames System muss jede Verbindung von Grund auf entwickelt werden.

Ein für den IT-Support entwickelter Chatbot müsste beispielsweise möglicherweise Informationen aus dem internen Ticketsystem eines Unternehmens abrufen. Ohne MCP wäre dafür eine individuelle Integration erforderlich, wodurch die Einrichtung zeitaufwendig und schwer zu warten wäre.

MCP löst dieses Problem, indem es als gemeinsamer Anschluss für alle Tools und Modelle dient. Es gehört weder zu einem bestimmten Unternehmen noch zu einem bestimmten Modell, sondern ist ein neues Konzept dafür, wie KI-Systeme Verbindungen zu externen Daten und Diensten herstellen können.

Abb. 1 MCP ist wie ein gemeinsamer Anschluss für alle Tools und Modelle.

Jeder Entwickler kann MCP nutzen, um Assistenten zu entwickeln, die mit aktuellen Informationen arbeiten. Das verkürzt die Einrichtungszeit und verhindert Verwirrung beim Wechsel zwischen Tools oder Plattformen.

Entstehung und Verbreitung des Modellkontextprotokolls#

Anthropic stellte das Konzept des Modellkontextprotokolls (MCP) im November 2024 vor. Es begann als Open-Source-Projekt, um die Interaktion von Sprachmodellen mit Tools und Daten zu verbessern.

Seitdem hat MCP viel Aufmerksamkeit erhalten. Zunächst entwickelten Entwickler interne Tools für Aufgaben wie die Dokumentsuche und die Unterstützung beim Programmieren. Dieses anfängliche Interesse wuchs schnell, und größere Unternehmen begannen, MCP in ihren Produktivsystemen einzusetzen.

Abb. 2. MCP im Vergleich zu herkömmlicher KI-Integration.

Anfang 2025 begann sich die Unterstützung für MCP in der Technologiebranche auszubreiten. OpenAI und Google DeepMind, zwei führende KI-Forschungslabore, kündigten an, dass ihre Systeme mit dem Protokoll arbeiten würden.

Etwa zur selben Zeit veröffentlichte Microsoft Tools, die Entwicklern die Nutzung von MCP erleichtern sollten. Dazu gehörte die Unterstützung für beliebte Produkte wie Copilot Studio, mit dem Unternehmen KI-Assistenten entwickeln können, und Visual Studio Code, einen weit verbreiteten Code-Editor.

Wichtige Bestandteile des Modellkontextprotokolls#

Im Mittelpunkt von MCP stehen drei Hauptbestandteile: Clients, Server und ein gemeinsamer Regelsatz, das Protokoll. Stell dir das wie ein Gespräch zwischen zwei Seiten vor: Die eine bittet um Informationen, die andere stellt sie bereit.

In diesem Aufbau übernimmt das KI-System die Rolle des Clients. Wenn es etwas benötigt, etwa eine Datei, einen Datenbankeintrag oder ein Tool zum Ausführen einer Aktion, sendet es eine Anfrage. Auf der anderen Seite empfängt der Server diese Anfrage, ruft die benötigten Informationen am richtigen Ort ab und sendet sie in einer für die KI verständlichen Form zurück.

Diese Struktur bedeutet, dass Entwickler keine individuelle Verbindung erstellen müssen, wenn ein KI-Modell mit einem neuen Tool oder einer neuen Datenquelle arbeiten soll. MCP trägt zur Standardisierung des Prozesses bei und macht alles schneller, einfacher und zuverlässiger.

Ein Überblick über die Funktionsweise von MCP#

Hier findest du eine schrittweise Erklärung, wie MCP einen KI-Assistenten mit externen Daten oder Tools verbindet:

• Der Assistent prüft sein Wissen: Wenn ein Benutzer etwas fragt, prüft der Assistent zunächst, ob er die Antwort bereits kennt. Falls nicht, entscheidet er, Hilfe von einem anderen System anzufordern.
• Er erstellt eine Anfrage: Als MCP-Client erstellt der Assistent eine Anfrage. Diese enthält die benötigten Daten und den Grund dafür.
• Die Anfrage erreicht den Server: Die Anfrage wird an einen Server gesendet, der mit einem Tool, einer Anwendung oder einer Datenbank verbunden ist. Der Server kann die Anfrage mithilfe der MCP-Regeln verstehen und verarbeiten.
• Der Server führt die Aufgabe aus: Er kann Daten suchen, eine Abfrage ausführen, eine Datei aktualisieren oder eine andere Aktion im verbundenen Tool durchführen – je nachdem, was der Assistent angefordert hat.
• Der Server antwortet: Die Daten werden im MCP-Format verpackt und an den Assistenten zurückgesendet. Dadurch kann das Modell sie sofort verstehen.
• Der Assistent antwortet: Mit dem aktualisierten Kontext verwendet der Assistent die neuen Informationen, um seine Antwort zu vervollständigen. Der Benutzer erhält eine genaue, relevante und auf aktuellen Daten basierende Antwort.

Abb. 3. Funktionsweise von MCP in KI-Anwendungen.

Praxisanwendungen von MCP#

MCP wird heute bereits in verschiedenen Tools und Plattformen eingesetzt, die auf Echtzeit-Kontext angewiesen sind. Hier sind einige Beispiele dafür, wie Unternehmen das Protokoll nutzen, um Sprachmodelle mit Live-Systemen und strukturierten Daten zu verbinden:

• Softwareentwicklung: Programmierassistenten sind hilfreicher, wenn sie wissen, woran du gerade arbeitest. Tools wie Zed (ein schneller, kollaborativer Code-Editor) und Replit (eine Online-Plattform zum Schreiben und Ausführen von Code) nutzen MCP, damit ihre Assistenten geöffnete Dateien lesen und deine Änderungen während des Programmierens verfolgen können.
• Assistenten für Unternehmen: Viele Unternehmen nutzen interne Tools wie Wikis, Helpdesks oder Systeme für das Kundenbeziehungsmanagement (CRM). Unternehmen wie Apollo (eine Plattform für Vertriebsteams) verwenden MCP, damit ihre Assistenten Informationen in diesen Systemen finden können – ohne dass Benutzer zwischen Anwendungen wechseln müssen.
• Agenten für mehrere Tools: Manche Aufgaben erstrecken sich über mehrere Systeme. Mit MCP können Assistenten reibungslos Dokumente durchsuchen sowie Aktualisierungen oder Nachrichten versenden.
• Desktop-Assistenten: Assistenten, die auf deinem Computer ausgeführt werden, müssen manchmal auf lokale Dateien zugreifen. Die von Anthropic als Teil seiner Familie von KI-Assistenten entwickelte Claude-Desktopanwendung nutzt MCP, um diese Anfragen sicher zu verarbeiten. Dabei bleiben deine Daten auf deinem Gerät, anstatt in die Cloud gesendet zu werden.

Abb. 4. Beispiel dafür, wie MCP Daten systemübergreifend verarbeitet.

Computer-Vision-Anwendungen mit MCP voranbringen#

Als Nächstes sehen wir uns einen KI-Bereich genauer an, in dem MCP gerade erst aufkommt: Computer Vision.

Computer-Vision-Modelle wie Ultralytics YOLO11 eignen sich hervorragend dazu, Muster und Objekte in Bildern zu erkennen. Ihre Erkenntnisse können jedoch noch wirkungsvoller werden, wenn sie mit dem passenden Kontext kombiniert werden.

In Anwendungen aus der realen Welt, insbesondere im Gesundheitswesen, kann das Hinzufügen von Kontext wie Krankengeschichte, Laborergebnissen oder klinischen Notizen den Nutzen von Modellvorhersagen deutlich steigern und zu fundierteren und aussagekräftigeren Ergebnissen führen.

Hier kommt das Modellkontextprotokoll (MCP) ins Spiel. Es wird zwar noch nicht umfassend eingesetzt und ist weiterhin ein sich entwickelnder Ansatz, den Forscher und Ingenieure untersuchen, zeigt jedoch großes Potenzial.

Medizinische Bildgebung mit kontextsensitiver KI und MCP verbessern#

Bei der Diagnose einer diabetischen Retinopathie, einer Erkrankung, die bei Menschen mit Diabetes zu Sehverlust führen kann, kann ein KI-Assistent beispielsweise MCP nutzen, um mehrere spezialisierte Tools zu koordinieren. Er könnte zunächst Patientenakten aus einer Datenbank abrufen und das Diabetesrisiko mithilfe eines Vorhersagemodells bewerten.

Anschließend analysiert ein Computer-Vision-Modell Netzhautbilder auf Anzeichen von Schäden, etwa Blutungen oder Schwellungen, die auf das Vorliegen oder den Schweregrad einer Retinopathie hindeuten. Abschließend kann der Assistent anhand des Patientenprofils nach geeigneten klinischen Studien suchen.

MCP ermöglicht es all diesen Tools, über ein gemeinsames Protokoll zu kommunizieren. Dadurch kann der Assistent Bildanalyse und strukturierte Daten in einem nahtlosen Arbeitsablauf zusammenführen.

Abb. 5. Ein von einem KI-Assistenten mit MCP verarbeitetes Netzhautbild.

Auf jedes Tool wird über einen MCP-Server zugegriffen. Dieser ermöglicht es dem Assistenten, strukturierte Anfragen zu senden und standardisierte Antworten zu empfangen. Dadurch entfallen individuelle Integrationen, und der Assistent kann Bildanalyse und wichtige Patientendaten in einem reibungslosen, effizienten Arbeitsablauf kombinieren. Obwohl MCP noch neu ist, wird bereits intensiv geforscht und daran gearbeitet, Anwendungsfälle wie diesen praktisch umzusetzen.

Vor- und Nachteile des Modellkontextprotokolls#

Hier sind einige der wichtigsten Vorteile von MCP:

• Konsistente und standardisierte Kommunikation: Das Protokoll gewährleistet einheitliche Strukturen für Anfragen und Antworten und erleichtert dadurch das Debugging und die Protokollierung.
• Verbesserte Modularität: Systeme werden modularer, sodass sich verschiedene Komponenten (Modelle, Tools, Datenbanken) unabhängig voneinander weiterentwickeln können.
• Unterstützt Autonomie in agentischer KI: KI-Agenten können über mehrere Tools hinweg Schlussfolgerungen ziehen und handeln, ohne dass Arbeitsabläufe von Menschen vorgegeben werden müssen. Das ermöglicht ein flexibleres und autonomeres Verhalten.

Andererseits solltest du im Zusammenhang mit MCP einige Einschränkungen beachten:

• Komplexität bei der Ersteinrichtung: Die Einrichtung von MCP-konformen Servern und Hosts für bestehende Systeme erfordert Entwicklungsaufwand und möglicherweise eine Neubewertung der aktuellen Architekturen.
• Leistungsaufwand: Eine zusätzliche Protokollebene kann Latenz verursachen, insbesondere wenn Tools verteilt sind oder über Netzwerke auf sie zugegriffen wird.
• Lernkurve: Entwicklungsteams müssen die MCP-Architektur (Hosts, Clients, Server) und deren geeignete Gestaltung verstehen, was die Einführung verlangsamen kann.

Wichtige Erkenntnisse#

KI-Modelle werden immer leistungsfähiger, sind aber weiterhin auf den Zugriff auf die richtigen Daten angewiesen. Das Modellkontextprotokoll (MCP) bietet Entwicklern eine konsistente und standardisierte Möglichkeit, diese Verbindungen herzustellen. Anstatt jede Integration von Grund auf zu entwickeln, können Teams einem gemeinsamen Format folgen, das mit verschiedenen Tools und Systemen funktioniert.

Mit zunehmender Verbreitung könnte MCP zu einem Standardbestandteil der Entwicklung und Bereitstellung von KI-Assistenten werden. Es vereinfacht die Einrichtung, verbessert den Datenfluss und sorgt für Struktur bei Interaktionen von Modellen mit der realen Welt.

Werde Teil unserer wachsenden Community. Besuche unser GitHub-Repository, um mehr über KI zu erfahren, und sieh dir unsere Lizenzoptionen an, um mit Vision AI zu beginnen. Möchtest du sehen, wie sie in der Praxis eingesetzt wird? Entdecke auf unserer Lösungsseite Anwendungen von KI im Gesundheitswesen und Computer Vision im Einzelhandel.