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

Verschiedene Arten von KI-Modellen, von großen Sprachmodellen bis hin zu Systemen für Computer Vision, sind in der Lage, eine Vielzahl von Aufgaben zu unterstützen, darunter das Generieren von Texten, das Analysieren von Bildern, das Erkennen von Mustern und das Erstellen von Vorhersagen. Die Anbindung dieser Modelle an reale Computersysteme auf eine nahtlose und skalierbare Weise erforderte jedoch bisher komplexe Integrationsbemühungen.

Während ein Modell für sich genommen gut funktionieren mag, erfordert die Bereitstellung in praktischen Umgebungen häufig den Zugriff auf externe Tools, Live-Daten oder domänenspezifischen Kontext. Das Zusammenfügen dieser Elemente erfordert normalerweise benutzerdefinierten Code, manuelle Einrichtung und bietet nur begrenzte Wiederverwendbarkeit.

Kürzlich hat das Konzept eines Model Context Protocol (MCP) in der KI-Community an Aufmerksamkeit gewonnen. MCP ist ein offener Standard, der es KI-Systemen ermöglicht, Informationen mit Tools, Dateien und Datenbanken über ein gemeinsam genutztes, strukturiertes Format auszutauschen. Anstatt für jeden Anwendungsfall Integrationen zu bauen, können Entwickler MCP nutzen, um den Zugriff und die Interaktion der Modelle mit dem benötigten Kontext zu optimieren.

Du kannst dir MCP wie einen universellen Adapter vorstellen. Genau wie ein Reiseadapter es deinen Geräten ermöglicht, sie an verschiedene Steckdosen auf der ganzen Welt anzuschließen, erlaubt MCP es KI-Modellen, sich mit verschiedenen Systemen, Tools und data quellen zu verbinden, ohne dass für jedes eine individuelle Einrichtung erforderlich ist.

In diesem Artikel werfen wir einen genaueren Blick darauf, was MCP ist, wie es funktioniert und welche Rolle es dabei spielt, KI in realen Anwendungen effektiver zu machen. Wir werden auch einige reale Beispiele untersuchen, wo MCP bereits verwendet wird.

Link to this sectionWas ist das Model Context Protocol?#

Das Model Context Protocol (MCP) ist ein offener Standard, der von Anthropic entwickelt wurde, einem Unternehmen für KI-Sicherheit und -Forschung, das für die Entwicklung fortschrittlicher Sprachmodelle bekannt ist. Es gibt KI-Modellen eine klare Möglichkeit, sich mit Tools, Dateien oder Datenbanken zu verbinden.

Die meisten heutigen KI-Assistenten verlassen sich auf große Sprachmodelle, um Fragen zu beantworten oder Aufgaben zu erledigen. Diese Modelle benötigen jedoch oft zusätzliche Daten, um fundierte Antworten zu geben. Ohne ein gemeinsames System muss jede Verbindung von Grund auf neu aufgebaut werden.

Ein für den IT-Support entwickelter Chatbot könnte zum Beispiel Informationen aus dem internen Ticketsystem eines Unternehmens abrufen müssen. Ohne MCP würde dies eine benutzerdefinierte Integration erfordern, was die Einrichtung zeitaufwendig und wartungsintensiv macht.

MCP löst dieses Problem, indem es als gemeinsamer Port für alle Tools und Modelle fungiert. Es gehört keinem einzelnen Unternehmen oder Modell – vielmehr ist es ein neues Konzept dafür, wie KI-Systeme eine Verbindung zu externen Daten und Diensten herstellen können.

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

Jeder Entwickler kann MCP verwenden, um Assistenten zu erstellen, die mit Live-Informationen arbeiten. Dies reduziert die Einrichtungszeit und vermeidet Verwirrung beim Wechsel zwischen verschiedenen Tools oder Plattformen.

Link to this sectionDer Ursprung und die Einführung des Model Context Protocol#

Anthropic stellte die Idee des Model Context Protocol (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 erregt. Es begann damit, dass Entwickler interne Tools für Dinge wie die Dokumentensuche und Code-Unterstützung bauten. Dieses frühe Interesse wuchs schnell, und größere Unternehmen begannen, MCP in ihren Produktionssystemen einzusetzen.

Abb. 2. MCP vs. traditionelle KI-Integration.

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

Etwa zur gleichen Zeit veröffentlichte Microsoft Tools, um Entwicklern die Nutzung von MCP zu erleichtern, einschließlich der Unterstützung für seine beliebten Produkte wie Copilot Studio, das Unternehmen bei der Entwicklung von KI-Assistenten unterstützt, und Visual Studio Code, einem weit verbreiteten Code-Editor.

Link to this sectionHauptkomponenten des Model Context Protocol#

Das Herzstück von MCP besteht aus drei Hauptteilen: Clients, Servern und einer Reihe gemeinsamer Regeln, die das Protokoll bilden. Stell es dir wie ein Gespräch zwischen zwei Seiten vor: Eine fragt nach Informationen, die andere liefert sie.

In diesem Aufbau übernimmt das KI-System die Rolle des Clients. Wenn es etwas benötigt, wie eine Datei, einen Datenbankeintrag oder ein Tool zur Ausführung einer Aktion, sendet es eine Anfrage. Auf der anderen Seite empfängt der Server diese Anfrage, ruft die benötigten Informationen vom richtigen Ort ab und sendet sie so zurück, dass die KI sie verstehen kann.

Diese Struktur bedeutet, dass Entwickler keine benutzerdefinierte Verbindung bauen müssen, wann immer sie möchten, dass ein KI-Modell mit einem neuen Tool oder einer neuen Datenquelle arbeitet. MCP hilft dabei, den Prozess zu standardisieren und macht alles schneller, einfacher und zuverlässiger.

Link to this sectionEin Überblick über die Funktionsweise von MCP#

Hier ist ein Durchlauf, wie MCP einen KI-Assistenten mit externen Daten oder Tools verbindet:

• Der Assistent prüft, was er weiß: Wenn ein Benutzer eine Frage stellt, prüft der Assistent zuerst, ob er die Antwort bereits kennt. Wenn nicht, entscheidet er sich, Hilfe von einem anderen System anzufordern.
• Er erstellt eine Anfrage: Als MCP-Client erstellt der Assistent eine Anfrage. Dies beinhaltet, welche Daten er benötigt und warum.
• Die Anfrage erreicht den Server: Die Anfrage wird an einen Server gesendet, der mit einem Tool, einer App oder einer Datenbank verbunden ist. Der Server kann die Anfrage mithilfe der MCP-Regeln verstehen und verarbeiten.
• Der Server erledigt die Arbeit: Er sucht möglicherweise nach Daten, führt eine Abfrage aus, aktualisiert eine Datei oder führt eine andere Aktion im verbundenen Tool aus – was auch immer der Assistent angefordert hat.
• Der Server antwortet: Die Daten werden im MCP-Format verpackt und an den Assistenten zurückgesendet. Dies hilft dem Modell, sie sofort zu verstehen.
• Der Assistent antwortet: Mit dem aktualisierten Kontext nutzt der Assistent die neuen Informationen, um seine Antwort zu vervollständigen. Der Benutzer erhält eine Antwort, die präzise, relevant und auf Echtzeitdaten basiert.

Abb. 3. Wie MCP in KI-Anwendungen funktioniert.

Link to this sectionErkundung der realen Anwendungen von MCP#

Heutzutage wird MCP bereits in einer Vielzahl von Tools und Plattformen verwendet, die auf Echtzeitkontext angewiesen sind. Hier sind einige Beispiele, wie Unternehmen das Protokoll nutzen, um Sprachmodelle mit Live-Systemen und strukturierten Daten zu verbinden:

• Softwareentwicklung: Coding-Assistenten sind hilfreicher, wenn sie wissen, woran du 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 deinen Änderungen beim Coden folgen können.
• Unternehmens-Assistenten: Viele Firmen nutzen interne Tools wie Wikis, Helpdesks oder Customer Relationship Management (CRM)-Systeme. Unternehmen wie Apollo (eine Plattform für Vertriebsteams) nutzen MCP, damit ihre Assistenten Informationen in diesen Systemen finden können – ohne dass Benutzer zwischen verschiedenen Apps wechseln müssen.
• Multi-Tool-Agenten: Einige Aufgaben erstrecken sich über mehrere Systeme. Mit MCP können Assistenten Dokumente durchsuchen und Updates oder Nachrichten nahtlos versenden.
• Desktop-Assistenten: Assistenten, die auf deinem Computer laufen, müssen manchmal auf lokale Dateien zugreifen. Die Claude-Desktop-App, die von Anthropic als Teil seiner Familie von KI-Assistenten entwickelt wurde, verwendet MCP, um diese Anfragen sicher zu verarbeiten, wodurch deine Daten auf deinem Gerät bleiben, anstatt sie in die Cloud zu senden.

Abb. 4. Ein Beispiel, wie MCP Daten über mehrere Systeme hinweg verarbeitet.

Link to this sectionNutzung von MCP zur Förderung von Computer Vision-Anwendungen#

Lass uns als Nächstes einen genaueren Blick auf einen Bereich der KI werfen, in dem MCP gerade erst aufkommt: Computer Vision.

Während Computer Vision-Modelle wie Ultralytics YOLO11 hervorragend darin sind, Muster und Objekte in Bildern zu identifizieren, können ihre Erkenntnisse noch wirkungsvoller werden, wenn sie mit dem richtigen Kontext kombiniert werden.

In realen Anwendungen, insbesondere im Gesundheitswesen, kann das Hinzufügen von Kontext wie Patientengeschichte, Laborergebnissen oder klinischen Notizen die Nützlichkeit von Modellvorhersagen erheblich verbessern, was zu informierteren und aussagekräftigeren Ergebnissen führt.

Hier kommt das Model Context Protocol (MCP) ins Spiel. Obwohl es noch nicht weit verbreitet ist und ein sich entwickelnder Ansatz ist, der von Forschern und Ingenieuren untersucht wird, zeigt es viel Potenzial.

Link to this sectionVerbesserung der medizinischen Bildgebung mit kontextbewusster KI und MCP#

Beispielsweise kann bei der Diagnose von diabetischer Retinopathie, einer Erkrankung, die bei Menschen mit Diabetes zu Sehverlust führen kann, ein KI-Assistent MCP nutzen, um mehrere spezialisierte Tools zu koordinieren. Er könnte damit beginnen, Patientenakten aus einer Datenbank abzurufen und das Diabetesrisiko mithilfe eines Vorhersagemodells zu bewerten.

Dann analysiert ein Computer Vision-Modell Netzhautbilder auf Anzeichen von Schäden wie Blutungen oder Schwellungen, die auf das Vorhandensein oder den Schweregrad der Retinopathie hinweisen. Schließlich kann der Assistent basierend auf dem Patientenprofil nach relevanten klinischen Studien suchen.

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

Abb. 5. Ein Netzhautbild, das von einem KI-Assistenten unter Verwendung von MCP verarbeitet wurde.

Auf jedes Tool wird über einen MCP-Server zugegriffen, der es dem Assistenten ermöglicht, strukturierte Anfragen zu senden und standardisierte Antworten zu erhalten. Dies macht benutzerdefinierte Integrationen überflüssig und ermöglicht es dem Assistenten, Bildanalyse mit kritischen Patientendaten in einem reibungslosen, effizienten Workflow zu kombinieren. Obwohl MCP noch neu ist, gibt es bereits viel Forschung und laufende Arbeit, die darauf abzielt, Anwendungsfälle wie diesen praktisch umsetzbar zu machen.

Link to this sectionVor- und Nachteile des Model Context Protocol#

Hier sind einige der wichtigsten Vorteile, die MCP bietet:

• Konsistente und standardisierte Kommunikation: Das Protokoll stellt einheitliche Request/Response-Strukturen sicher, was das Debugging und Logging besser handhabbar macht.
• Verbesserte Modularität: Systeme werden modularer, was es verschiedenen Komponenten (Modelle, Tools, Datenbanken) ermöglicht, sich unabhängig weiterzuentwickeln.
• Erleichtert Autonomie bei Agentic AI: KI-Agenten können über verschiedene Tools hinweg Schlussfolgerungen ziehen und handeln, ohne dass menschlich definierte Workflows erforderlich sind, was ein flexibleres, autonomeres Verhalten ermöglicht.

Auf der anderen Seite gibt es ein paar Einschränkungen, die du bei MCP im Hinterkopf behalten solltest:

• Komplexität der Ersteinrichtung: Das Einrichten von MCP-konformen Servern und Hosts für bestehende Systeme erfordert technischen Aufwand und möglicherweise das Überdenken aktueller Architekturen.
• Performance-Overhead: Das Hinzufügen einer Protokollschicht kann Latenzzeiten einführen, insbesondere wenn Tools verteilt sind oder über Netzwerke aufgerufen werden.
• Lernkurve: Entwicklungsteams müssen die MCP-Architektur (Hosts, Clients, Server) verstehen und wissen, wie sie dafür designen können, was die Einführung verlangsamen könnte.

Link to this sectionWichtige Erkenntnisse#

KI-Modelle werden immer leistungsfähiger, sind aber weiterhin auf den Zugriff auf die richtigen Daten angewiesen. Das Model Context Protocol (MCP) bietet Entwicklern eine konsistente und standardisierte Möglichkeit, diese Verbindungen herzustellen. Anstatt jede Integration von Grund auf neu zu bauen, können Teams einem gemeinsamen Format folgen, das über verschiedene Tools und Systeme hinweg funktioniert.

Mit zunehmender Verbreitung hat MCP das Potenzial, zu einem Standardbestandteil der Art und Weise zu werden, wie KI-Assistenten entworfen und bereitgestellt werden. Es hilft dabei, die Einrichtung zu rationalisieren, den Datenfluss zu verbessern und Struktur in reale Modellinteraktionen zu bringen.

Werde Teil unserer wachsenden Community. Besuche unser GitHub-Repository, um mehr über KI zu erfahren und unsere Lizenzoptionen zu erkunden, um mit Vision AI zu beginnen. Möchtest du sehen, wie es im wirklichen Leben eingesetzt wird? Sieh dir auf unserer Lösungsseite Anwendungen von KI im Gesundheitswesen und Computer Vision im Einzelhandel an.