MCP: Wie KI-Tools miteinander reden

Das Model Context Protocol verbindet KI-Assistenten mit Tools und Daten. 97 Millionen Downloads in 16 Monaten. Was MCP ist und warum es dich betrifft.

Entwickler:in Projektleiter:in Product Owner

27. März 20267 Min. Lesezeit

Du nutzt Claude und willst, dass es deine Jira-Tickets liest. Gleichzeitig soll es deinen Code auf GitHub reviewen und die Ergebnisse in Slack posten. Wie verbindest du das?

Früher: Für jede Kombination aus KI-Tool und externem Dienst eine eigene Integration bauen. Bei 5 KI-Tools und 10 Diensten sind das 50 Integrationen.

Heute: Model Context Protocol (MCP). Jeder Dienst baut einen MCP-Server, jedes KI-Tool einen MCP-Client. Bei 5 KI-Tools und 10 Diensten sind das 15 Bausteine statt 50.

Was MCP ist

MCP ist ein offenes Protokoll, das standardisiert, wie KI-Anwendungen mit externen Tools und Datenquellen kommunizieren. Der häufigste Vergleich: USB-C für KI. Ein Stecker, der überall passt.

Technisch basiert MCP auf JSON-RPC 2.0 und hat drei Rollen:

Host: Die KI-Anwendung (Claude Desktop, Cursor, VS Code)
Client: Verwaltet die Verbindung zu einem MCP-Server (lebt im Host)
Server: Stellt Fähigkeiten bereit, die die KI nutzen kann

Ein MCP-Server bietet drei Arten von Fähigkeiten an:

Tools: Funktionen, die die KI aufrufen kann (Datenbank abfragen, GitHub-Issue erstellen, E-Mail senden)
Resources: Daten, die die KI lesen kann (Dateien, Datenbank-Schemas, API-Antworten)
Prompts: Vorlagen für häufige Aufgaben

97 Millionen Downloads in 16 Monaten

Anthropic hat MCP im November 2024 veröffentlicht. Im März 2026 erreichten die SDKs (Python + TypeScript) 97 Millionen monatliche Downloads. Zum Vergleich: React hat für 100 Millionen monatliche Downloads etwa 3 Jahre gebraucht. MCP hat das in 16 Monaten geschafft.

Über 10.000 MCP-Server sind in den Registries gelistet, 4.000 davon in der offiziellen Registry. Für die meisten gängigen Dienste gibt es bereits fertige Server.

Wer MCP unterstützt

Die wichtigsten Plattformen:

KI-Anbieter: Claude (nativ), OpenAI (GPT-Modelle), Google (Gemini), Mistral, xAI (Grok), Cohere

Entwicklungsumgebungen: Claude Desktop, Claude Code, Cursor, VS Code (via GitHub Copilot), Windsurf, Zed, Replit

Das bedeutet: Ein MCP-Server, den du einmal baust, funktioniert in all diesen Umgebungen. Kein Vendor-Lock-in, kein Umschreiben beim Tool-Wechsel.

Praktische Beispiele

Datenbanken: PostgreSQL, MySQL, SQLite, Neon. Die KI kann Schemas lesen, Queries ausführen und Ergebnisse analysieren.

Entwickler-Tools: GitHub (Repos, Issues, PRs), GitLab, Docker, Playwright (Browser-Automatisierung), Filesystem (lokale Dateien lesen/schreiben).

Produktivität: Notion, Slack, Jira, Google Calendar, Gmail, Figma, Canva.

Cloud: AWS, GCP, Azure Integrationen.

Ein konkretes Szenario: Du verbindest Claude mit einem GitHub-Server und einem Jira-Server. Dann kannst du sagen: "Schau dir die offenen Bugs in Jira an, prüfe ob es dazu schon PRs auf GitHub gibt, und erstelle eine Zusammenfassung." Claude versteht, welche Tools es braucht und ruft sie selbständig auf.

MCP vs. Function Calling

Wenn du mit der OpenAI API oder der Anthropic API gearbeitet hast, kennst du Function Calling (bei Anthropic: Tool Use). Wie unterscheidet sich MCP davon?

Function Calling ist ein Feature auf Request-Ebene: Du sagst dem Modell bei jedem API-Call, welche Funktionen verfügbar sind. Das ist gut für einfache Anwendungen mit 2-3 Tools.

MCP ist eine Infrastruktur-Schicht: Ein dauerhafter Kommunikationskanal zwischen KI und Tools, mit Session-Management, dynamischer Tool-Erkennung und standardisierten Schnittstellen. Das ist für produktive Systeme mit vielen Integrationen.

In der Praxis ergänzen sich beide. MCP übersetzt seine Tool-Definitionen automatisch in das Function-Calling-Format des jeweiligen Anbieters. Du musst dich nicht entscheiden, MCP nutzt Function Calling unter der Haube.

Warum MCP für Agenten wichtig ist

KI-Agenten, die autonom mehrere Schritte ausführen, brauchen Zugang zu externen Systemen. MCP löst genau dieses Problem:

Dynamische Tool-Erkennung: Der Agent fragt zur Laufzeit, welche Tools ein Server anbietet, und wählt die passenden aus
Multi-Server-Komposition: Ein Agent kann gleichzeitig mit Datenbank, GitHub, Slack und Dateisystem arbeiten
Streaming: Langläufige Operationen melden Fortschritt zurück

Im Dezember 2025 hat Anthropic MCP an die Agentic AI Foundation (AAIF) unter dem Dach der Linux Foundation übergeben. Mitgründer sind OpenAI und Block, unterstützt von AWS, Google, Microsoft und Salesforce. Das ist ein starkes Signal, dass MCP kein proprietärer Standard bleiben soll.

Sicherheit: Worauf du achten musst

MCP erweitert die Angriffsfläche deiner KI-Anwendung. Ein paar Dinge, die du wissen solltest:

Prompt Injection über Tool-Outputs. Wenn ein MCP-Server Daten zurückgibt, die von externen Quellen stammen (z.B. eine Webseite, eine E-Mail), könnten diese manipulierte Anweisungen enthalten. Das Modell könnte sie als Instruktionen interpretieren.

Berechtigungen. Ein MCP-Server mit Schreibzugriff auf deine Datenbank ist mächtig. Konfiguriere Server nach dem Least-Privilege-Prinzip: Nur die Rechte, die wirklich nötig sind.

Unbekannte Server. Die 10.000+ Server in den Registries sind nicht alle gleich vertrauenswürdig. Prüfe, wer den Server pflegt, bevor du ihn an deine Produktivsysteme hängst.

Die MCP Security Standard v1.1 empfiehlt OAuth 2.1 für Authentifizierung, kurzlebige Access Tokens und rollenbasierte Zugriffskontrolle. Für Enterprise-Einsatz ist das Pflicht.

Erste Schritte

Fertige Server nutzen: Schau auf mcpservers.org nach einem Server für deinen Anwendungsfall. Die meisten lassen sich in wenigen Minuten in Claude Desktop oder Cursor einrichten.

Eigenen Server bauen (TypeScript):

npm install @modelcontextprotocol/sdk zod

Du definierst Tools mit JSON-Schema für Input und Output, implementierst die Handler und wählst den Transport (stdio für lokal, HTTP für remote). Ein einfacher Server mit 2-3 Tools ist in unter einer Stunde gebaut.

Eigenen Server bauen (Python):

pip install mcp

Das Python-SDK nutzt Decorators, um Tools zu definieren. Der Einstieg ist sehr ähnlich.

Die offizielle Dokumentation hat Schritt-für-Schritt-Tutorials für beide Sprachen.

Java/Kotlin-Teams: Spring AI (ab Version 1.1) hat MCP als First-Class-Feature integriert. Mit @McpTool-Annotationen kannst du bestehende Spring-Services direkt als MCP-Server bereitstellen. Mehr dazu in unserem Artikel MCP-Server mit Spring AI bauen.

Für Entwickler: MCP-Server sind eigenständige, versionierbare Komponenten, die du unabhängig testen kannst. Wenn dein Team bereits Claude Code oder Cursor nutzt, probier einen fertigen MCP-Server aus (z.B. für eure Datenbank oder GitHub). Der Aufwand ist minimal, der Nutzen sofort spürbar. Für eigene Server: Fang mit einem einfachen Read-Only-Server an, bevor du Schreibzugriffe einbaust.