MCP-Grundlagen
Warum MCP existiert
Learning objectives
- 1Erkläre, warum nützliche AI-Apps externen Kontext brauchen.
- 2Beschreibe MCP als Standardschicht für Tools und Daten.
- 3Erkenne, wann ein wiederverwendbarer MCP-Server besser ist als einmalige Integrationslogik.
Large Language Models sind stark bei allgemeinen Aufgaben: Texte zusammenfassen, Inhalte generieren, Sprache verstehen, Ideen strukturieren. In echten Unternehmensprozessen reicht das allein aber nicht. Ein Modell wird erst dann wirklich nützlich, wenn es mit dem privaten Kontext rund um eine Aufgabe arbeiten kann: CRM-Daten, Support-Tickets, Dokumente, Git-Historie, Dashboards, Logs, Projektdateien und interne APIs.
Ohne diesen Kontext muss das Modell sinngemäß antworten: "Darauf habe ich keinen Zugriff." Genau diese Lücke soll MCP schließen.
Das Integrationsproblem#
Vor MCP musste jede AI-App ihre eigene Integrationsschicht bauen. Ein Team verdrahtet CRM-Zugriff direkt im Code. Ein anderes Team baut Prompt-Logik rund um eine Datenbank. Ein drittes Team verpackt interne APIs in einem eigenen Function-Calling-Format.
Dadurch entsteht immer wieder dasselbe Muster:
- Eigener Datenzugriff pro Anwendung.
- Eigene Tool-Schemas pro Client.
- Eigene Security-Entscheidungen pro Integration.
- Doppelte Arbeit, sobald eine zweite AI-App dasselbe System braucht.
- Fragile Prompt-Logik, die Business-Verhalten und Integrationsdetails vermischt.
So entsteht eine fragmentierte AI-Entwicklungswelt: Jeder baut seinen eigenen Port.
MCP als Standard-Port#
MCP, das Model Context Protocol, standardisiert, wie Anwendungen Kontext und Fähigkeiten für AI-Systeme bereitstellen. Die offizielle Dokumentation beschreibt MCP als offenes Protokoll, um AI-Apps mit externen Systemen zu verbinden. Die gängige Analogie ist USB-C für AI-Apps: eine standardisierte Form für viele verschiedene Geräte.
Praktisch bedeutet das: Ein MCP-kompatibler Client kann sich mit mehreren MCP-Servern verbinden. Ein Notion-Server kann Pages und Datenbanken bereitstellen. Ein MongoDB-Server kann Datenzugriff bereitstellen. Ein Git-Server kann Repository-Operationen bereitstellen. Jeder Server besitzt eine klare Integrationsgrenze und stellt sie über ein Protokoll bereit, das der Client bereits versteht.
Diese Trennung ist der Kern. Die AI-App muss nicht jede Vendor-API direkt kennen. Sie muss MCP verstehen. Der jeweilige Server kümmert sich um die Details des angebundenen Systems.
Wiederverwendung ist der erste Produktnutzen#
Der wichtigste praktische Vorteil ist Wiederverwendung. Wenn deine Organisation einen Google-Drive-MCP-Server baut, können mehrere AI-Clients ihn verwenden. Wenn dein Team einen Support-Daten-MCP-Server baut, können Claude Desktop, ein interner Agent und ein zukünftiger Workflow-Automation-Client dieselbe Fähigkeit nutzen.
Das ersetzt keine Security- oder Berechtigungsentscheidungen. Es gibt dir aber einen standardisierten Ort, an dem diese Entscheidungen getroffen und umgesetzt werden.
Was du behalten solltest#
MCP ist nicht "das Modell". MCP ist keine Vektordatenbank. MCP ersetzt nicht deine APIs. MCP ist eine Protokollschicht, über die AI-Apps externen Kontext und Aktionen standardisiert entdecken und nutzen können.
Für den Rest des Kurses reicht dieses mentale Modell:
- Das Modell braucht Kontext.
- Kontext lebt außerhalb des Modells.
- MCP ist der Standardweg, diesen Kontext und die dazugehörigen Aktionen bereitzustellen.
Mappe einen Workflow mit fehlendem Kontext
Definiere eine mögliche MCP-Server-Grenze für einen echten Workflow.
- Wähle einen Workflow, bei dem einem Assistant aktuell Kontext fehlt.
- Benenne Datenquelle und Aktionen, die der Assistant braucht.
- Entscheide, welches Team die Integrationsgrenze besitzen sollte.
Warum ist MCP anders als API-Dokumentation in einen Prompt zu kopieren?
Answer: MCP gibt Clients eine strukturierte, discoverable Oberfläche für Fähigkeiten statt statischem Prosatext.
Key takeaways
- Takeaway 1: MCP standardisiert Context Exchange; es ersetzt weder das Modell noch deine APIs.
- Takeaway 2: Wiederverwendbare MCP-Server reduzieren doppelte Integrationsarbeit über mehrere AI-Clients hinweg.