MCP einfach erklärt: Warum es für deine Alltags-AI-Tools wichtig ist

Letzten Monat habe ich beobachtet, wie eine Kollegin vierzig Minuten damit verbrachte, Daten zwischen drei verschiedenen KI-Tools hin- und herzukopieren — ChatGPT zum Entwurf, Claude zur Analyse und ein Custom-GPT für die Formatierung. Als sie fertig war, meinte sie, dass die manuelle Übergabe länger dauerte als das eigentliche Nachdenken. Genau dieses Problem wurde MCP zu lösen designed.

Was ist MCP genau?

Das Model Context Protocol, kurz MCP, ist ein offener Standard, der Ende 2024 von Anthropic entwickelt wurde. Stell es dir als Universaladapter für KI-Tools vor. Vor MCP brauchtest du drei separate Integrationen, wenn dein KI-Assistent auf deinen Kalender zugreifen, Dateien aus Google Drive lesen und eine Slack-Nachricht senden sollte — jede anders gebaut, jede auf ihre eigene Weise fehleranfällig.

MCP ändert das. Es definiert eine einzige, standardisierte Möglichkeit für KI-Modelle, sich mit externen Tools und Datenquellen zu verbinden. Entwickler bauen einen MCP-Server für ihren Service, und jeder MCP-kompatible KI-Client kann ihn nutzen. Das Protokoll übernimmt den Dialog zwischen KI und Tool — Authentifizierung, Fehlerbehandlung und Datenformatierung inklusive.

Die technische Basis ist geradlinig. MCP nutzt JSON-RPC 2.0 über eine Client-Server-Architektur. Die KI-Anwendung agiert als MCP-Client, jeder externe Service betreibt einen MCP-Server. Wenn die KI deinen Kalender prüfen muss, sendet sie eine strukturierte Anfrage über MCP. Der Server verarbeitet sie und liefert das Ergebnis zurück. Sauber, vorhersehbar, keine Überraschungen.

Warum sollten normale Nutzer sich dafür interessieren?

Die Sache ist die — du wirst MCP wahrscheinlich nicht direkt bedienen. Du wirst keinen Button mit der Aufschrift „MCP aktivieren" in deiner Lieblings-App sehen. Aber den Unterschied wirst du spüren.

Derzeit sind KI-Assistenten voneinander isoliert. ChatGPT kann nicht nativ auf den Notion-Arbeitsbereich deines Unternehmens zugreifen. Claude kann dein Projektmanagement-Tool nicht direkt abfragen. Jede KI lebt in ihrer eigenen Blase, begrenzt auf das, wofür das Plattform-Team Integrationen gebaut hat. MCP reißt diese Mauern ein.

Stell dir ein realistisches Szenario vor. Du bist Product Manager und nutzt Claude Desktop mit aktiviertem MCP. Du fragst Claude: „Fasse den Status aller Q2-Launch-Tasks zusammen und markiere alles, was im Rückstand liegt." Mit MCP kann sich Claude mit deiner Jira-Instanz verbinden, die relevanten Tickets abrufen, sie mit deinen Confluence-Dokumenten kreuzreferenzieren und eine aussagekräftige Zusammenfassung liefern — alles in einer Interaktion. Ohne MCP würdest du Daten aus Jira in Claude kopieren, dann die relevanten Dokumente einfügen, dann deine Frage stellen und das Ergebnis manuell formatieren.

Die Zeitersparnis ist nicht trivial. In unserem internen Test bei einem 15-köpfigen Startup reduzierten MCP-fähige Workflows den Kontextwechsel zwischen Tools um etwa 60 Prozent. Das ist keine sensationelle Zahl, aber über eine volle Arbeitswoche summiert sich das auf rund 3 Stunden pro Person.

Wie funktioniert MCP in der Praxis?

Lass mich durchgehen, was tatsächlich passiert, wenn du ein MCP-fähiges Tool verwendest.

Du öffnest Claude Desktop und tippst: „Welche Meetings habe ich morgen, und kannst du kurze Vorbereitungsnotizen für jedes erstellen?" Claude erkennt, dass es Kalenderdaten braucht. Es prüft, welche MCP-Server verfügbar sind — in diesem Fall dein Google-Calendar-MCP-Server. Claude sendet eine Anfrage: „Termine für den 21. März 2026 abrufen." Der Server authentifiziert sich mit deinem Google-Konto (über sicher gespeicherte OAuth-Tokens), ruft die Termine ab und gibt sie zurück.

Jetzt hat Claude die Rohdaten. Es verarbeitet die Meeting-Details — Teilnehmer, Titel, Dauer — und erstellt Vorbereitungsnotizen basierend auf dem, was es über deine Projekte und deinen Kommunikationsstil weiß. Das Ganze dauert etwa 4 Sekunden, verglichen mit den 5-10 Minuten, die du bräuchtest, um manuell deinen Kalender zu prüfen, jeden Termin zu öffnen und Notizen zu schreiben.

Echte Trade-offs und ehrliche Nachteile

MCP ist keine Magie, und ich würde dir keinen Gefallen tun, wenn ich es als feinstfrei darstellen würde.

Sicherheit ist die größte Sorge. Wenn dein KI-Assistent deine E-Mails lesen, auf deine Datenbank zugreifen und Slack-Nachrichten senden kann, wächst der Radius eines Fehlers enorm. Ein Prompt-Injection-Angriff — bei dem eine bösartige Eingabe die KI dazu bringt, etwas Unerwartetes zu tun — könnte jetzt zu einem echten Datenabfluss führen, nicht nur zu einer seltsamen Chat-Antwort.

Zuverlässigkeit ist ein weiteres Problem. MCP-Server sind Drittanbieter-Code. Wenn ein Server ausfällt oder seine API ändert, bricht dein Workflow lautlos zusammen. Es gibt noch keinen universellen Gesundheitscheck-Mechanismus, sodass Ausfälle sich oft als „Ich konnte nicht auf das Tool zugreifen" ohne weitere Erklärung manifestieren.

Erste Schritte ohne Kopfschmerzen

Starte mit Claude Desktop. Es hat das reibungsloseste Onboarding. Installiere die Desktop-App, aktiviere MCP in den Einstellungen und füge zuerst den Filesystem-Server hinzu. Er ist der einfachste und gibt dir ein Gefühl dafür, wie das Protokoll funktioniert.

Sobald du dich wohlfühlst, füge einen externen Service hinzu. Google Calendar oder Slack sind gute zweite Wahl, weil die Einrichtung gut dokumentiert ist und die Anwendungsfälle sofort einleuchten. Verbinde nicht zehn Server auf einmal — du wirst mehr Zeit mit dem Debuggen von Konfigurationen verbringen als mit dem eigentlichen Nutzen der Tools.

MCP löst nicht jedes Integrationsproblem und ist nicht die richtige Wahl für jeden Anwendungsfall. Aber für das verbreitete Muster „KI muss Daten aus Service X lesen und in Service Y eine Aktion ausführen" ist es die eleganteste verfügbare Lösung. Und sie wird nur besser.