Was ist das Model Context Protocol (MCP)?

Das Model Context Protocol (MCP) ist ein offener Standard, der festlegt, wie KI-Anwendungen sich mit externen Datenquellen, Werkzeugen und fachlichem Kontext verbinden. Entwickelt von Anthropic und als Open-Source-Spezifikation veröffentlicht, bietet MCP eine einheitliche Schnittstelle zwischen KI-Agenten oder großen Sprachmodellen (LLMs) und den Systemen, die die Informationen halten, die sie für genaue, belegte Antworten brauchen.

Stellen Sie sich MCP als USB-C-Anschluss für KI vor. Vor USB-C hatte jedes Gerät seinen eigenen proprietären Stecker. MCP leistet für KI-Integrationen dasselbe, was USB-C für Hardware geleistet hat: Es ersetzt fragile, eigens gebaute Verbindungen durch ein einziges, standardisiertes Protokoll. Statt für jede Datenquelle, die ein KI-Agent erreichen soll, eine eigene Anbindung zu bauen, implementieren Entwickler MCP einmal und verbinden sich mit jedem MCP-fähigen Server.

KI-Systeme sind nur so gut wie der Kontext, den sie erreichen können. Ein LLM, das nicht an Ihre Metadaten, Ihr Business Glossary oder Ihre Data Lineage kommt, gibt bestenfalls allgemeine und schlimmstenfalls falsche Antworten. MCP löst das, indem es KI einen strukturierten, sicheren Weg zu den Informationen gibt, die sie braucht.

So funktioniert MCP

MCP folgt einer Client-Server-Architektur mit drei klar getrennten Rollen. Wer versteht, was diese Rollen tun, versteht auch, wie das Protokoll in der Praxis arbeitet.

MCP Hosts

Ein MCP Host ist die KI-Anwendung, mit der die Nutzer arbeiten. Das kann eine Chat-Oberfläche wie Claude Desktop sein, eine Entwicklungsumgebung wie Cursor oder VS Code mit GitHub Copilot, oder eine eigene KI-Anwendung, die Ihr Team gebaut hat. Der Host steuert die gesamte Interaktion und koordiniert zwischen den Nutzern, dem Sprachmodell und einem oder mehreren MCP Clients.

MCP Clients

MCP Clients laufen innerhalb der Host-Anwendung und übernehmen die Kommunikation mit den MCP Servern. Jeder Client hält genau eine Verbindung zu einem bestimmten Server. Er übersetzt den Bedarf der KI in Anfragen nach dem MCP-Protokoll, schickt sie an den passenden Server und liefert die Antworten zurück an den Host. Ein einzelner Host kann mehrere Clients gleichzeitig betreiben und sich so parallel mit verschiedenen Datenquellen verbinden.

MCP Server

MCP Server stellen Daten, Werkzeuge und Kontext über das standardisierte Protokoll für KI bereit. Ein Server kann jede Datenquelle kapseln: einen Datenkatalog, eine Datenbank, ein Dateisystem, ein Business Glossary, eine API oder eine Dokumentationsablage. Server legen fest, welche Ressourcen verfügbar sind, welche Tools aufgerufen werden können und welcher Kontext bereitsteht. Es sind schlanke Programme, die lokal oder entfernt laufen und Authentifizierung, Zugriffskontrolle und Datenformatierung selbst übernehmen.

Was MCP der KI liefert

MCP definiert drei Primitive, die ein Server für KI-Anwendungen bereitstellen kann. Jedes davon erfüllt einen eigenen Zweck dabei, KI Ihre Daten verstehen und mit ihnen arbeiten zu lassen.

Ressourcen

Ressourcen sind schreibgeschützte Daten, die der KI Kontext geben. Sie entsprechen den GET-Endpunkten einer REST API. Ein MCP Server für einen Datenkatalog kann etwa Beschreibungen von Datensätzen, Metadaten auf Spaltenebene, Kennzahlen zur Datenqualität, Definitionen aus dem Business Glossary und Data-Lineage-Karten bereitstellen. Ressourcen werden über URIs adressiert und bei Bedarf geladen. Die KI nutzt sie, um ihre Antworten auf echte, geprüfte Informationen zu stützen statt auf allgemeines Trainingswissen.

Tools

Tools sind ausführbare Funktionen, die die KI über den MCP Server aufrufen kann. Anders als Ressourcen führen Tools Aktionen aus. Ein MCP Server für Data Governance kann Tools anbieten, um Datensätze per Stichwort zu suchen, Metadaten systemübergreifend abzufragen, Beschreibungen anzureichern, Tags zu vergeben oder Prüfungen der Datenqualität anzustoßen. Tools nehmen strukturierte Eingaben entgegen und liefern strukturierte Ausgaben, und die KI entscheidet anhand der Anfrage des Nutzers, wann und wie sie sie verwendet.

Prompts

Prompts sind wiederverwendbare Vorlagen dafür, wie die KI eine bestimmte Aufgabe angehen soll. Ein Server kann fertige Prompts für gängige Abläufe mitliefern, etwa „Analysiere die Lineage dieses Datensatzes“ oder „Fasse den fachlichen Kontext dieser Tabelle zusammen“. Prompts sorgen für gleichbleibende Qualität, indem sie Fachwissen in wiederverwendbare Muster gießen.

Warum MCP für KI im Unternehmen zählt

Die Einführung von KI im Unternehmen scheitert immer wieder am selben Punkt: Sprachmodelle können hervorragend schlussfolgern, aber ihnen fehlt der Zugang zum konkreten fachlichen Kontext, der sie nützlich macht. Genau diese Lücke schließt MCP.

Kein Aufwand mehr für eigene Anbindungen

Vor MCP verlangte jede Verbindung zwischen einem KI-Agenten und einer Datenquelle eine eigens gebaute Anbindung für jede Kombination aus KI-Anwendung und Datenquelle. Bei fünf KI-Werkzeugen und zwanzig Datenquellen sind das hundert mögliche Anbindungen. MCP reduziert das auf fünf Client-Implementierungen und zwanzig Server-Implementierungen, jede davon im gesamten Ökosystem wiederverwendbar. Der Aufwand wächst nicht mehr multiplikativ, sondern additiv.

KI wird auf echtem fachlichem Kontext geerdet

Halluzinationen sind die größte Hürde für Vertrauen in KI-Systeme im Unternehmen. Wenn ein KI-Agent über MCP an Ihre tatsächlichen Metadaten, Ihre fachlichen Definitionen und Ihre Data Lineage kommt, erzeugt er Antworten, die auf geprüften Fakten beruhen statt auf statistischen Mustern. Der Unterschied zwischen einer KI, die rät, was „Umsatz“ bedeutet, und einer, die die genaue Definition Ihrer Organisation aus dem Business Glossary holt, ist der Unterschied zwischen einem Risiko und einem Wert.

Sicherheit und Zugriffskontrolle bleiben erhalten

MCP Server setzen dieselben Zugriffsrechte durch, die für Menschen gelten. Fragt ein KI-Agent Daten über MCP ab, prüft der Server die Berechtigungen, bevor er antwortet. Organisationen können KI also Zugang zu ihrer Dateninfrastruktur geben, ohne ihre Sicherheitsrichtlinien aufzuweichen. Was ein bestimmter Nutzer nicht sehen darf, bleibt auch für KI-Agenten unsichtbar, die in seinem Auftrag handeln.

Zusammensetzbarkeit

Weil MCP ein Standardprotokoll ist, lassen sich mehrere MCP Server an eine einzige KI-Anwendung anschließen. Ein KI-Agent kann gleichzeitig auf einen Datenkatalog, ein Business Glossary, eine SQL-Datenbank und ein Dokumentationssystem zugreifen. Jeder Server verantwortet seinen eigenen Bereich, die KI orchestriert über alle hinweg. Diese zusammensetzbare Architektur erlaubt es, mit einer MCP-Verbindung anzufangen und später zu erweitern.

MCP und klassische API-Anbindungen

MCP ist nicht der erste Weg, KI mit Daten zu verbinden. Aber es löst Probleme, die klassische Ansätze im Betrieb erst erzeugen.

Klassische Anbindungen verlangen von den Entwicklern der KI-Anwendung, Authentifizierung, Schema, Fehlerbehandlung und Rate Limiting jeder einzelnen API zu verstehen. Mit MCP löst der Autor des Servers diese Fragen einmal, und alle MCP-fähigen KI-Anwendungen profitieren davon. Datenteams im Unternehmen können ihre Dateninfrastruktur also für KI öffnen, ohne dass jeder Anbieter eines KI-Werkzeugs einen eigenen Konnektor bauen muss.

Anwendungsfälle für MCP in der Praxis

Teams im Unternehmen nutzen MCP bereits in mehreren Abläufen, in denen KI strukturierten fachlichen Kontext braucht.

Data Governance und Zugriff auf Metadaten

Datenteams geben KI-Agenten über MCP direkten Zugang zu Datenkatalog, Business Glossary und Data Lineage. Statt einen Chatbot raten zu lassen, was ein Datensatz enthält, können Nutzer ihn die tatsächlichen Metadaten abrufen lassen, nachsehen, wer für einen Datensatz verantwortlich ist, oder nachvollziehen, wie eine Kennzahl berechnet wird. Die Antwort der KI ruht auf den gesteuerten Datenbeständen der Organisation.

Entwicklung und Data Engineering

Entwickler, die in MCP-fähigen IDEs wie Cursor oder VS Code mit GitHub Copilot arbeiten, können sich beim Schreiben von SQL, beim Bauen von Datenpipelines oder bei der Fehlersuche in Transformationen mit dem MCP Server eines Datenkatalogs verbinden. Der KI-Assistent kann Tabellenschemata nachschlagen, Spaltenbeschreibungen prüfen und Datenbeziehungen verstehen, ohne dass die Entwickler dafür in ein anderes Werkzeug wechseln.

Business Intelligence und Analytics

Analysten können KI-Assistenten Fragen zu Dashboards, KPIs und Berichten stellen, während die KI die tatsächlichen Definitionen, die Berechnungslogik und die Datenquellen über MCP abruft. Damit verschwindet das verbreitete Problem, dass Kennzahlen unterschiedlich ausgelegt werden, weil niemand Zugriff auf das maßgebliche Business Glossary hat.

Orchestrierung von KI-Agenten

Wenn Organisationen mehrere KI-Agenten für verschiedene Aufgaben betreiben, liefert MCP die standardisierte Schnittstelle, über die alle auf denselben Kontext zugreifen. Ein Agent für den Kundenservice, ein Agent für Datenqualität und ein Agent für Dokumentation können sich mit denselben MCP Servern verbinden, was für Einheitlichkeit über alle KI-gestützten Abläufe hinweg sorgt.

MCP in Ihrer Organisation einführen

MCP einzuführen ist vor allem praktische Arbeit: Sie verbinden Ihre vorhandene Dateninfrastruktur mit KI. Die wichtigsten Überlegungen für eine gelungene Einführung sind die folgenden.

Mit den wertvollsten Datenquellen anfangen

Bestimmen Sie die Datenquellen, die vom Zugang durch KI am meisten profitieren. Ein Datenkatalog ist oft der beste Anfang, weil er Metadaten über alles andere enthält: welche Daten es gibt, wer für sie verantwortlich ist, was sie bedeuten und wie sie durch die Organisation fließen. Von dort aus lässt sich auf Datenbanken, Dokumentationssysteme und operative Werkzeuge erweitern.

MCP-fähige KI-Werkzeuge wählen

MCP wird von einem wachsenden Ökosystem an KI-Anwendungen unterstützt, darunter Claude Desktop, Cursor, VS Code mit GitHub Copilot und mehrere KI-Plattformen für Unternehmen. Prüfen Sie, welche Werkzeuge Ihre Teams bereits nutzen oder einführen wollen, und ob diese MCP unterstützen.

Zugriffsrichtlinien festlegen

Bevor Sie Daten über MCP bereitstellen, legen Sie klar fest, worauf KI-Agenten zugreifen und welche Aktionen sie ausführen dürfen. MCP Server sollten dieselben rollenbasierten Zugriffskontrollen durchsetzen, die für Menschen gelten. Fangen Sie mit lesendem Zugriff an und erweitern Sie auf schreibende Operationen, sobald Ihr Team dem System vertraut.

Beobachten und nachschärfen

Verfolgen Sie, wie KI-Agenten die MCP-Verbindungen nutzen: auf welche Ressourcen sie am häufigsten zugreifen, welche Tools sie aufrufen und wo sie auf Fehler oder Lücken stoßen. Diese Nutzungsdaten helfen bei der Entscheidung, welche weiteren Datenquellen bereitgestellt werden und wie die eigenen MCP Server zu verbessern sind.

Die Rolle von MCP in Agentic AI

MCP ist die Grundlage für das aufkommende Paradigma der Agentic AI, in dem eigenständige KI-Agenten komplexe, mehrstufige Aufgaben für Nutzer erledigen. Damit ein KI-Agent nützliche Arbeit leistet, braucht er mehr als die Fähigkeit zu einem Gespräch. Er braucht die Fähigkeit, an Informationen zu kommen, zu handeln und den fachlichen Kontext seines Tuns zu verstehen.

Genau das liefert MCP. Ein System mit Agentic AI kann über MCP herausfinden, welche Datenquellen es gibt, den Kontext für seine Entscheidungen abrufen, über Tool-Aufrufe handeln und Ergebnisse prüfen. Ohne ein standardisiertes Protokoll wie MCP verlangte jede Verbindung zwischen Agent und Werkzeug eigene Entwicklungsarbeit, was Agentic AI im Unternehmensmaßstab unpraktikabel machen würde.

Da KI-Agenten zu den wichtigsten Abnehmern von Unternehmensdaten werden, sorgt MCP dafür, dass sie über gesteuerte, sichere und prüfbare Kanäle auf Daten zugreifen statt über improvisierte Behelfslösungen.

Wie Dawiso MCP unterstützt

Dawiso stellt einen eigenen MCP Server bereit, der KI-Agenten und LLMs direkt mit Ihrem Datenkatalog, Ihrem Business Glossary, Ihrer Data Lineage und Ihrer Dokumentation verbindet. Über den MCP Server von Dawiso bekommen KI-Anwendungen den fachlichen Kontext, den sie für genaue, verlässliche Antworten brauchen.

Die MCP-Umsetzung von Dawiso umfasst lesende und schreibende Tools. KI-Agenten können Datensätze in natürlicher Sprache suchen, Metadaten auf Spaltenebene abrufen, Definitionen von Fachbegriffen nachschlagen, Data Lineage verfolgen und sogar Beschreibungen anreichern oder Tags vergeben. Dawiso liefert außerdem Context Mapping und führt die KI zu den passenden Tabellen, Feldern oder Definitionen, statt Rohdaten zurückzugeben und auf das Beste zu hoffen.

Der MCP Server arbeitet mit jedem MCP-fähigen KI-Client zusammen, darunter Claude Desktop, Cursor, GitHub Copilot in VS Code und Keboola. Er läuft auf Ihrer vorhandenen Dawiso-Installation, ohne zusätzliche Einrichtung oder Lizenz in den Plänen Corporate und Enterprise. Darin zeigt sich die Haltung von Dawiso: Data Governance soll KI ermöglichen, nicht blockieren. Eine ausführliche Beschreibung der MCP-Umsetzung von Dawiso, mit Architekturdiagrammen und Praxistipps, finden Sie in The Complete Guide to MCP.

Fazit

Das Model Context Protocol (MCP) ist der offene Standard, der KI mit Unternehmensdaten verbindet. Es ersetzt fragile Einzelanbindungen durch ein einheitliches, sicheres und zusammensetzbares Protokoll, das mit den KI-Ambitionen einer Organisation mitwächst. Da KI-Agenten immer stärker ins Zentrum der Arbeit mit Daten rücken, liefert MCP die Infrastruktur, die diese Agenten verlässlich und kontextsicher macht.

Organisationen, die MCP früh einführen, gewinnen einen strukturellen Vorteil: Ihre KI-Systeme arbeiten vom ersten Tag an mit echtem fachlichem Kontext, während andere noch versuchen, KI über Handarbeit an ihre Daten zu bringen. In einem Umfeld, in dem KI-Reife von der Qualität und Zugänglichkeit der Metadaten abhängt, ist MCP die Brücke zwischen gesteuerten Unternehmensdaten und den KI-Systemen, die auf sie angewiesen sind.