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

Verschiedene KI-Modelltypen – von großen Sprachmodellen bis hin zu Systemen für die Bildverarbeitung – können zahlreiche Aufgaben unterstützen, darunter das Generieren von Text, das Analysieren von Bildern, das Erkennen von Mustern und das Treffen von Vorhersagen. Modelle skalierbar mit realen Computersystemen zu verbinden, erforderte bisher jedoch in der Regel komplexe Integrationsarbeiten.

Ein Modell kann für sich genommen gute Ergebnisse liefern. Seine Bereitstellung in praktischen Umgebungen erfordert jedoch häufig Zugriff auf externe Werkzeuge, aktuelle Daten oder fachspezifischen Kontext. Diese Elemente miteinander zu verknüpfen, erfordert üblicherweise eigenen Code, manuelle Einrichtung und ist nur eingeschränkt wiederverwendbar.

In letzter Zeit gewinnt das Konzept eines Modellkontextprotokolls (MCP) in der KI-Community zunehmend an Aufmerksamkeit. MCP ist ein offener Standard, über den KI-Systeme mithilfe eines gemeinsamen, strukturierten Formats Informationen mit Werkzeugen, Dateien und Datenbanken austauschen können. Statt für jeden Anwendungsfall eigene Integrationen zu entwickeln, können Entwickler MCP nutzen, um den Zugriff von Modellen auf den benötigten Kontext und die Interaktion damit zu vereinfachen.

Du kannst dir MCP als universellen Adapter vorstellen. So wie ein Reiseadapter es ermöglicht, deine Geräte an verschiedene Steckdosen auf der ganzen Welt anzuschließen, verbindet MCP KI-Modelle mit verschiedenen Systemen, Werkzeugen und Datenquellen, ohne dass für jede einzelne eine individuelle 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 realen Anwendungen effektiver zu machen. Außerdem sehen wir uns einige Beispiele aus der Praxis an, bei denen MCP zum Einsatz kommt.

Was ist das Protokoll für Modellkontext?#

Das Protokoll für Modellkontext (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 bietet KI-Modellen eine klare Möglichkeit, sich mit Werkzeugen, 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 neu entwickelt werden.

Ein Chatbot, der beispielsweise bei der IT-Unterstützung helfen soll, muss möglicherweise Informationen aus dem internen Ticketsystem eines Unternehmens abrufen. Ohne MCP wäre dafür eine maßgeschneiderte Integration erforderlich, deren Einrichtung zeitaufwendig und deren Wartung schwierig wäre.

MCP löst dieses Problem, indem es als gemeinsamer Anschluss für alle Werkzeuge und Modelle dient. Es gehört nicht zu einem bestimmten Unternehmen oder 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 Werkzeuge und Modelle.

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

Ursprung und Verbreitung des Protokolls für Modellkontext#

Anthropic stellte die Idee des Protokolls für Modellkontext (MCP) im November 2024 vor. Es begann als Open-Source-Projekt, das die Interaktion von Sprachmodellen mit Werkzeugen und Daten verbessern sollte.

Seitdem hat MCP viel Aufmerksamkeit auf sich gezogen. Zunächst entwickelten Entwickler interne Werkzeuge für Aufgaben wie die Dokumentensuche und die Unterstützung beim Programmieren. Das anfängliche Interesse wuchs schnell, und bald begannen größere Unternehmen, MCP in ihren Produktionssystemen einzusetzen.

Abb. 2. MCP im Vergleich zu herkömmlichen KI-Integrationen.

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

Etwa zur gleichen Zeit veröffentlichte Microsoft Werkzeuge, mit denen Entwickler MCP einfacher nutzen können. Dazu gehört die Unterstützung für beliebte Produkte wie Copilot Studio, mit dem Unternehmen KI-Assistenten entwickeln können, und Visual Studio Code, einen weit verbreiteten Code-Editor.

Die wichtigsten Bestandteile des Protokolls für Modellkontext#

MCP besteht im Wesentlichen aus drei Teilen: Clients, Servern und einem gemeinsamen Regelwerk, dem Protokoll. Stell es dir wie ein Gespräch zwischen zwei Seiten vor: Eine fragt nach 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 Werkzeug 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.

Dank dieser Struktur müssen Entwickler keine individuelle Verbindung einrichten, wenn sie ein KI-Modell mit einem neuen Werkzeug oder einer neuen Datenquelle nutzen möchten. MCP vereinheitlicht den Prozess und macht alles schneller, einfacher und zuverlässiger.

Ein Überblick über die Funktionsweise von MCP#

Hier erfährst du Schritt für Schritt, wie MCP einen KI-Assistenten mit externen Daten oder Werkzeugen verbindet:

• Der Assistent prüft sein vorhandenes Wissen: Wenn ein Nutzer eine Frage stellt, prüft der Assistent zunächst, ob er die Antwort bereits kennt. Falls nicht, entscheidet er, ein anderes System um Hilfe zu bitten.
• Er erstellt eine Anfrage: Als MCP-Client erstellt der Assistent eine Anfrage. Darin steht, welche Daten er benötigt und warum.
• Die Anfrage erreicht den Server: Die Anfrage wird an einen Server gesendet, der mit einem Werkzeug, einer App oder einer Datenbank verbunden ist. Der Server kann die Anfrage anhand der MCP-Regeln verstehen und bearbeiten.
• Der Server führt die Aufgabe aus: Er kann Daten suchen, eine Abfrage ausführen, eine Datei aktualisieren oder eine andere Aktion im verbundenen Werkzeug durchführen – je nachdem, was der Assistent angefordert hat.
• Der Server antwortet: Die Daten werden im MCP-Format verpackt und an den Assistenten zurückgesendet. So kann das Modell sie sofort verstehen.
• Der Assistent antwortet: Mit dem aktualisierten Kontext nutzt der Assistent die neuen Informationen, um seine Antwort zu vervollständigen. Der Nutzer erhält eine präzise und relevante Antwort, die auf Echtzeitdaten basiert.

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

MCP-Anwendungen in der Praxis#

MCP wird bereits in zahlreichen Werkzeugen und Plattformen eingesetzt, die auf Echtzeitkontext angewiesen sind. Hier sind einige Beispiele dafür, wie Unternehmen das Protokoll nutzen, um Sprachmodelle mit laufenden Systemen und strukturierten Daten zu verbinden:

• Softwareentwicklung: Programmierassistenten sind hilfreicher, wenn sie wissen, woran du gerade arbeitest. Werkzeuge 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 Programmieren folgen können.
• Assistenten für Unternehmen: Viele Unternehmen nutzen interne Werkzeuge wie Wikis, Helpdesks oder Systeme für das Kundenbeziehungsmanagement (CRM). Unternehmen wie Apollo, eine Plattform für Vertriebsteams, nutzen MCP, damit ihre Assistenten Informationen in diesen Systemen finden können, ohne dass Nutzer zwischen Apps wechseln müssen.
• Agenten für mehrere Werkzeuge: Manche Aufgaben betreffen mehrere Systeme. Mit MCP können Assistenten Dokumente durchsuchen und reibungslos Aktualisierungen oder Nachrichten versenden.
• Desktop-Assistenten: Assistenten, die auf deinem Computer laufen, müssen manchmal auf lokale Dateien zugreifen. Die Claude-Desktop-App, die Anthropic als Teil seiner KI-Assistentenfamilie entwickelt hat, nutzt MCP, um solche Anfragen sicher zu bearbeiten. So bleiben deine Daten auf deinem Gerät, statt in die Cloud gesendet zu werden.

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

MCP für Anwendungen der Computer Vision nutzen#

Sehen wir uns als Nächstes einen KI-Bereich genauer an, in dem MCP gerade erst Fuß fasst: 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 sein, wenn sie mit dem passenden Kontext kombiniert werden.

In praktischen Anwendungen, insbesondere im Gesundheitswesen, kann zusätzlicher Kontext wie die Krankengeschichte, Laborergebnisse oder klinische Notizen den Nutzen von Modellvorhersagen erheblich steigern. Das führt zu fundierteren und aussagekräftigeren Ergebnissen.

Hier kommt das Protokoll für Modellkontext (MCP) ins Spiel. Es wird zwar noch nicht breit eingesetzt und ist weiterhin ein Ansatz in der Entwicklung, den Forschende und Ingenieure untersuchen, zeigt aber 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, könnte ein KI-Assistent beispielsweise MCP nutzen, um mehrere spezialisierte Werkzeuge zu koordinieren. Zunächst könnte er Patientenakten aus einer Datenbank abrufen und mithilfe eines Vorhersagemodells das Diabetesrisiko einschätzen.

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

MCP ermöglicht es all diesen Werkzeugen, über ein gemeinsames Protokoll miteinander zu kommunizieren. So kann der Assistent Bildanalyse und strukturierte Daten in einem einzigen Arbeitsablauf zusammenführen.

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

Auf jedes Werkzeug wird über einen MCP-Server zugegriffen, über den der Assistent strukturierte Anfragen senden und standardisierte Antworten empfangen kann. Dadurch sind keine individuellen Integrationen erforderlich, und der Assistent kann Bildanalysen mit wichtigen Patientendaten in einem reibungslosen, effizienten Arbeitsablauf kombinieren. Obwohl MCP noch neu ist, gibt es bereits umfangreiche Forschung und laufende Arbeiten, die solche Anwendungsfälle in der Praxis ermöglichen sollen.

Vor- und Nachteile des Protokolls für Modellkontext#

Hier sind einige der wichtigsten Vorteile von MCP:

• Einheitliche und standardisierte Kommunikation: Das Protokoll sorgt für einheitliche Anfrage- und Antwortstrukturen und erleichtert so die Fehlersuche und Protokollierung.
• Bessere Modularität: Systeme werden modularer, sodass sich verschiedene Komponenten wie Modelle, Werkzeuge und Datenbanken unabhängig voneinander weiterentwickeln können.
• Fördert Autonomie in der agentischen KI: KI-Agenten können über mehrere Werkzeuge hinweg schlussfolgern und handeln, ohne dass Menschen Arbeitsabläufe vorgeben müssen. Das ermöglicht flexibleres und autonomeres Verhalten.

Andererseits solltest du bei MCP auch einige Einschränkungen beachten:

• Aufwendige Ersteinrichtung: Die Einrichtung MCP-konformer Server und Hosts für bestehende Systeme erfordert Entwicklungsaufwand und möglicherweise eine Überarbeitung der aktuellen Architekturen.
• Leistungseinbußen: Eine zusätzliche Protokollschicht kann zu Verzögerungen führen, besonders wenn Werkzeuge verteilt sind oder über Netzwerke aufgerufen werden.
• Einarbeitungszeit: Entwicklungsteams müssen die MCP-Architektur mit Hosts, Clients und Servern sowie die dafür nötigen Entwurfsprinzipien verstehen. Das kann die Einführung verlangsamen.

Die wichtigsten Erkenntnisse#

KI-Modelle werden immer leistungsfähiger, sind aber weiterhin auf den Zugriff auf die richtigen Daten angewiesen. Das Protokoll für Modellkontext (MCP) bietet Entwicklern eine einheitliche und standardisierte Möglichkeit, solche Verbindungen herzustellen. Statt jede Integration von Grund auf neu zu entwickeln, können Teams ein gemeinsames Format nutzen, das mit unterschiedlichen Werkzeugen und Systemen funktioniert.

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

Werde Teil unserer wachsenden Community. Besuche unser GitHub-Repository, um mehr über KI zu erfahren, und entdecke unsere Lizenzoptionen, um mit visueller KI loszulegen. Möchtest du sehen, wie sie im Alltag eingesetzt wird? Auf unserer Lösungsseite findest du Anwendungsbeispiele für KI im Gesundheitswesen und Computer Vision im Einzelhandel.