28. April 2026
Ein Gespräch mit unserem Experten Maximilien Gärber darüber, was hinter MCP steckt und welche Rolle Standards für KI in Unternehmenssystemen spielen.
Wer sich aktuell mit KI beschäftigt, stößt recht schnell auf den Begriff Model Context Protocol – kurz MCP. Der Standard soll es ermöglichen, KI-Modelle einfacher mit Tools, Datenquellen und Anwendungen zu verbinden. Er wurde Ende 2024 vom Unternehmen Anthropic (Entwickler von Claude AI) als „USB-C für KI“ vorgestellt.
Gleichzeitig sagen einige Entwickler, dass es sich dabei am Ende nur um eine saubere, universelle Schnittstelle handelt. Da stellt sich die Frage: Ist MCP eine Revolution für KI-Integration oder einfach eine API mit richtig gutem Marketing?
1. Max, Model Context Protocol taucht gerade überall auf, wenn es um KI geht. Warum wird dieser Standard aktuell so viel diskutiert?
Wenn man sich die aktuelle Diskussion rund um MCP anschaut, dann hat das weniger mit einer plötzlichen technischen Notwendigkeit zu tun, sondern eher mit einem klassischen Hype. Influencer, Entwickler-Communities und Medien greifen das Thema auf und erzeugen damit einen gewissen Erwartungsdruck. Viele beschäftigen sich damit, weil sie glauben, sie müssten es tun, nicht unbedingt, weil sie es konkret brauchen. Und dann gibt es da die klassische Dynamik: Erst wird etwas stark gehypt, dann folgt sehr schnell die Gegenbewegung. Das sorgt natürlich für noch mehr Aufmerksamkeit.
Aus meiner Sicht steht MCP symbolisch für eine grundlegende Architekturfrage: Brauchen wir für AI-Systeme eine zusätzliche Protokollschicht oder reichen direkte API-Integrationen und einfache Tools? Diese Frage ist nicht trivial und deshalb wird sie auch intensiv diskutiert.
2. Für alle, die den Begriff zum ersten Mal hören: Was genau ist das Model Context Protocol eigentlich?
Model Context Protocol (MCP) ist ein Standard, der definiert, wie KI-Modelle – insbesondere AI Agents – mit externen Tools, Datenquellen und Systemen interagieren. Konkret geht es darum, eine standardisierte Schnittstelle bereitzustellen, über die ein Modell beispielsweise Daten abrufen und Aktionen in Systemen ausführen kann oder Kontext aus verschiedenen Quellen strukturiert erhält. Anstatt für jedes Tool eine individuelle Integration zu bauen, beschreibt MCP also, wie diese Interaktionen standardisiert ablaufen sollen.
3. Warum ist es schwierig, KI-Systeme mit Tools, Datenquellen oder Unternehmenssoftware zu verbinden?
Das zentrale Problem ist, dass Systeme in Unternehmen häufig historisch gewachsen und isoliert sind. Das heißt, Daten liegen in unterschiedlichen Tools, Datenbanken und Anwendungen und zudem noch in völlig unterschiedlichen Formaten und Strukturen. Es gibt keine einheitliche „Sprache“ und vor allem keinen gemeinsamen Kontext.
Dazu kommt, dass diese Systeme nicht dafür gebaut sind, von AI Agents genutzt zu werden. Entsprechend fehlen Schnittstellen, konsistente Datenmodelle oder klar definierte Zugriffslogiken.
Ein weiterer Punkt ist Semantik. Selbst wenn man technisch auf Daten zugreifen kann, heißt das noch lange nicht, dass eine KI sie versteht, vor allem wenn zum Verständnis domänenübergreifendes Wissen notwendig ist. Informationen sind häufig nicht miteinander verknüpft, Bedeutungen sind nicht explizit modelliert und Kontext geht verloren.
Das ist der Grund, warum reine Integrationsansätze oft zu kurz greifen. Eine standardisierte Schnittstelle – wie etwa MCP – kann den Zugriff vereinfachen, löst aber nicht das eigentliche Problem der inkonsistenten und unverbundenen Datenlandschaft.
4. Welche Rolle spielt MCP dabei, dieses Integrationsproblem zu lösen?
MCP kann als Strukturierungsschicht gesehen werden, also dabei helfen, Ordnung in die Integration zu bringen. Überall dort, wo viele Tools, Datenquellen und Systeme zusammenkommen, bietet es einen Ansatz, diese Verbindungen einheitlicher und standardisierter zu organisieren. Gerade in größeren, organisatorischen Kontexten kann das wertvoll sein, weil man damit einen gemeinsamen Engineering-Standard schafft und so leichter auf vorhandene Implementierungen zurückgreifen kann.
Aber – und das ist der entscheidende Punkt – MCP ist kein Allheilmittel. In vielen Fällen ist diese zusätzliche Schicht schlicht nicht nötig. Entwickler greifen dann lieber direkt auf APIs zu oder nutzen einfachere Ansätze, weil sie pragmatischer sind.
5. Was könnte MCP konkret für Unternehmen verändern?
Grundsätzlich kann MCP für Unternehmen vor allem verändern, wie strukturiert und skalierbar sie KI einsetzen. Statt viele Einzellösungen und individuelle Integrationen zu bauen, schafft MCP eine einheitliche Schnittstelle, über die AI Agents mit Tools, Daten und Systemen arbeiten können. Theoretisch wird es so für KI einfacher, auf verschiedene Quellen zuzugreifen und sie in Workflows einzubinden.
Bei komplexen Workflows hilft MCP, weil es eine gemeinsame Grundlage schafft, wie Aktionen systemübergreifend ausgeführt werden. Das kann Automatisierung deutlich vereinfachen. Und bei AI Agents ermöglicht MCP, dass sie nicht mehr isoliert arbeiten, sondern über mehrere Systeme hinweg agieren können, also eher wie echte digitale Assistenten.
Der Haken ist aber – und das sieht man auch in der Praxis –, dass der Nutzen stark davon abhängt, wie gut das Wissen strukturiert ist, auf das KI zugreift.
6. Manche sagen, MCP sei ein großer Schritt für KI-Systeme. Andere meinen, es sei im Grunde nur eine sauber definierte Schnittstelle. Wie siehst du das?
Ich halte beide Extreme für falsch. MCP ist weder der große Durchbruch, als der es teilweise dargestellt wird, noch ist es „nur“ eine triviale Schnittstelle, die man ignorieren kann. Was mich an der aktuellen Diskussion stört, ist genau dieses Schwarz-Weiß-Denken. Die einen projizieren extrem viel Hoffnung hinein, getrieben von Hype und FOMO. Die anderen reagieren darauf mit einer fast reflexhaften Abwertung.
In Wirklichkeit ist MCP ein Werkzeug mit einem klaren Trade-off: Es bringt zusätzliche Struktur und Standardisierung, was in bestimmten Kontexten – vor allem in größeren, organisatorischen Setups – sinnvoll sein kann. Gleichzeitig ist es aber eben auch eine zusätzliche Abstraktionsschicht, die in vielen Fällen schlicht unnötig ist.
7. Für welche Unternehmen lohnt es sich wirklich, sich mit MCP zu beschäftigen und für wen ist das aktuell noch irrelevant?
MCP lohnt sich vor allem für Unternehmen, die bereits mit vernetzten Systemen und komplexen Datenlandschaften arbeiten, also dort, wo viele Tools, Anwendungen und Datenquellen zusammenspielen und die Integration zunehmend unübersichtlich wird. In solchen Umgebungen kann MCP helfen, eine einheitliche Struktur zu schaffen und den Zugriff für AI Agents zu standardisieren.
Gerade wenn Daten über viele Systeme verteilt sind und mehrere Use Cases oder Automatisierungen darauf aufbauen sollen, wird so ein gemeinsamer Rahmen wertvoll, weil er Komplexität reduziert und Integrationen besser beherrschbar macht.
Für Unternehmen mit eher einfachen, wenig vernetzten Setups oder klar abgegrenzten Anwendungsfällen ist MCP dagegen oft noch nicht relevant. Dort sind direkte Integrationen meist schneller, günstiger und ausreichend.
8. Welche Rolle spielt MCP für AI Agents und automatisierte Workflows?
MCP spielt für AI Agents vor allem die Rolle, den Zugriff auf strukturierte Informationen zu vereinheitlichen und verschiedene Wissensquellen miteinander verbindbar zu machen. Es schafft einen gemeinsamen Rahmen, über den Agents konsistent auf Daten, Tools und Systeme zugreifen können, vor allem in komplexeren Umgebungen mit vielen Quellen.
Dadurch wird es einfacher, Informationen systemübergreifend zu nutzen und in automatisierte Workflows einzubinden, statt für jede Quelle eigene Integrationen bauen zu müssen.
Wichtig ist aus meiner Sicht aber, dass MCP keine Voraussetzung für AI Agents oder automatisierte Workflows ist. Viele Szenarien lassen sich auch mit direkten API-Integrationen umsetzen, und das oft sogar schneller. MCP entfaltet seinen Mehrwert vor allem dort, wo viele strukturierte Informationsquellen zusammengeführt und orchestriert werden sollen.
9. Wenn KI künftig mit vielen verschiedenen Systemen und Datenquellen arbeiten soll: Welche Rolle spielen Plattformen oder Integrationslösungen in diesem Kontext?
Plattformen und Integrationslösungen werden in diesem Kontext absolut zentral. Wenn KI wirklich mit vielen verschiedenen Systemen und Datenquellen arbeiten soll, reicht es nicht, nur eine Schnittstelle wie MCP zu haben. MCP ist ein möglicher Baustein, weil es einen gemeinsamen Ansatz für den Zugriff schafft. Aber das allein genügt nicht. Unternehmen brauchen darüber hinaus eine zentrale Architektur, die Daten zusammenführt, strukturiert und in einen gemeinsamen Kontext bringt. Ohne diese Ebene bleibt alles fragmentiert, auch wenn die Anbindung technisch funktioniert.
In der Praxis gibt es Plattformansätze, die nicht nur Integrationen bereitstellen, sondern vor allem darauf abzielen, Informationen aus verschiedenen Quellen semantisch zu verknüpfen und in einen gemeinsamen Kontext zu bringen. Unsere eigene Lösung PANTOPIX SPHERE ist ein Beispiel dafür.
Der eigentliche Mehrwert entsteht dann am Ende durch die Anwendungen und Use Cases, die darauf aufbauen, also intelligente Workflows, Automatisierung und AI Agents, die auf einer sauberen Daten- und Integrationsbasis operieren.
10. Gibt es auch Risiken oder Grenzen bei der Nutzung von MCP?
Ein Risiko sehe ich bei MCP im zusätzlichen Overhead: In vielen Fällen entsteht eine weitere Abstraktionsschicht, die Systeme komplexer macht, ohne echten Mehrwert zu liefern, während direkte Integrationen oft einfacher wären.
Eine zweite Gefahr ist für mich die Verbreitung. Wenn sich dieser Standard nicht breit durchsetzt, entsteht schnell das Risiko von Insellösungen oder Abhängigkeiten, die langfristig schwer zu betreiben sind.
Auch Sicherheit und Governance sind ein Thema. Sobald KI über standardisierte Schnittstellen auf verschiedene Systeme zugreift, stellt sich die Frage: Wer darf was? Wie werden Zugriffe kontrolliert, protokolliert und abgesichert? Das ist gerade in Unternehmenskontexten ein zentraler Aspekt, der oft unterschätzt wird.
Und vielleicht der wichtigste Punkt: falsche Erwartungen. MCP wird teilweise so dargestellt, als würde es die grundlegenden Probleme rund um KI-Integration lösen. Das tut es nicht. Es adressiert die Schnittstelle, aber nicht Themen wie Datenqualität, Kontext oder semantische Verknüpfung.
Für mich liegt das größte Risiko weniger in MCP, sondern darin, es als universelle Lösung zu betrachten oder im falschen Kontext einzusetzen. MCP kann sinnvoll sein, aber nur als Teil einer durchdachten Gesamtarchitektur.
Danke für deine Einschätzung, Max!
Fazit
Auch wenn das Model Context Protocol derzeit viel Aufmerksamkeit bekommt, ist es kein Wundermittel für KI-Integration. Vielmehr ist es ein möglicher Baustein in einer größeren Architektur, mit der Unternehmen KI-Systeme, Datenquellen und Tools miteinander verbinden. Entscheidend bleibt, wie Unternehmen ihre Wissens- und Systemlandschaften strukturieren und welche Plattformen sie nutzen, um diese sinnvoll zu orchestrieren.
Maximilian Gärber
Technical Consultant | PANTOPIX
Erleben Sie, wie PANTOPIX SPHERE Ihre Informationen in nutzbares Wissen verwandelt.
Knowledge
Erfahren Sie mehr über das Vernetzen von Informationen
Wir informieren Sie gerne regelmäßig über neue Artikel, Videos oder Podcast-Folgen.