Datenhoheit und Handlungsfähigkeit KI-Modelle: Wie das Model Context Protocol die KI-Strategie verändert

Anbieter zum Thema

FIS Informationssysteme und Consulting GmbH

d.velop AG

Yorizon GmbH & Co. KG

Sicherheit und Kontrolle sind im Mittelstand nicht verhandelbar. Das Model Context Protocol (MCP) bietet erstmals einen standardisierten Rahmen, in dem KI-Modelle auf sensible Daten zugreifen können, ohne die Kontrolle über die Governance zu verlieren.

Die Einführung von Large Language Models (LLMs) Ende 2024 hat die Unternehmenswelt im Sturm erobert, doch nach der ersten Phase des Experimentierens stoßen viele mittelständische Unternehmen an eine unsichtbare Glasdecke. Diese Decke besteht nicht aus mangelnder Intelligenz der Modelle, sondern aus deren Isolation. Ein Large Language Model ist ohne Anbindung an die operativen Systeme wie ein hochbegabter Berater, der in einem schalldichten Raum ohne Internetanschluss sitzt: Er hat brillante Ideen, kann aber weder den aktuellen Lagerbestand prüfen noch eine Bestellung auslösen.

Bisher wurde dieses Problem durch individuelle Punkt-zu-Punkt-Integrationen gelöst. Jede Datenbank sowie jedes CRM- und ERP-System wurde über maßgeschneiderte APIs mit der KI-Anwendung „verklebt“. Das Ergebnis ist ein unkontrollierbares Geflecht aus Abhängigkeiten, das als das „N-zu-M-Problem“ bezeichnet wird. Mit jedem neuen Tool und jedem neuen Modell steigt die Komplexität exponentiell. Für den Mittelstand, der auf Effizienz und Skalierbarkeit angewiesen ist, ist dies eine technologische Sackgasse.Hier setzt das im November 2024 von Anthropic vorgestellte Model Context Protocol (MCP) an. Es ist weit mehr als nur ein technisches Update; es ist die Grundsteinlegung für eine industrielle Standardisierung der KI-Kommunikation.

Architektur der KI-Modelle: Wie das MCP funktioniert

Um die strategische Tragweite zu verstehen, muss man die Dreifaltigkeit des MCP aus Host, Client und Server betrachten:

• MCP-Host: Dies ist die Umgebung, in der die KI agiert – etwa eine KI-gestützte IDE oder eine unternehmensweite Assistenz-Plattform. Der Host ist das Gehirn, das die Anfragen des Nutzers verarbeitet. 
• MCP-Client: Er sitzt innerhalb des Hosts und fungiert als diplomatischer Übersetzer. Er weiß, welche externen Ressourcen verfügbar sind, und bereitet die Anfragen der KI so auf, dass sie nach außen kommuniziert werden können.
• MCP-Server: Dies ist das entscheidende Element für die IT des Mittelstands. Der Server ist ein spezialisierter Dienst, der eine bestimmte Datenquelle (z. B. eine SQL-Datenbank) oder ein Tool (zum Beispiel ein E-Mail-Programm) „bewacht“. Er übersetzt die KI-Anfrage in die Sprache des Zielsystems und gibt nur die Informationen zurück, die sicher und relevant sind.

Die Kommunikation zwischen diesen Komponenten erfolgt über das robuste JSON-RPC 2.0-Protokoll, wobei zwei Transportwege entscheidend sind: stdio für lokale, extrem schnelle und sichere Verbindungen innerhalb des eigenen Netzwerks und SSE (Server-Sent Events) für die Skalierung in der Cloud.

Von der Information zur Aktion: Der Sprung zu Agentic AI

Die bisher dominierende Technik zur KI-Verbesserung war RAG (Retrieval-Augmented Generation). RAG war ein riesiger Fortschritt, da es Halluzinationen reduzierte, indem es der KI relevante Dokumente zum „Nachschlagen“ gab. Doch RAG bleibt passiv. Es verbessert die Antwort, aber es führt keine Aktion aus. Das MCP leitet die Ära der Agentic AI ein. Ein Beispiel aus dem mittelständischen Alltag verdeutlicht den Unterschied:

• RAG-Ansatz: Ein Mitarbeiter fragt: „Haben wir noch genug Ersatzteile für Modell X?“ Die KI sucht in einem PDF-Katalog und antwortet: „Laut Katalog führen wir diese Teile.“ Ob sie aktuell vorrätig sind, weiß sie jedoch nicht.
• MCP-Ansatz: Der Mitarbeiter stellt dieselbe Frage. Die KI erkennt, dass sie nicht über das Wissen verfügt, ruft über den MCP-Client das Tool inventory_query auf dem entsprechenden MCP-Server ab, erhält Echtzeitdaten aus dem ERP und antwortet: „Wir haben noch fünf Stück. Soll ich eine Nachbestellung über 50 Stück beim Lieferanten Y auslösen?“

Das MCP macht die KI handlungsfähig. Sie wird vom Chatpartner zum digitalen Mitarbeiter, der Aufgaben delegieren und abschließen kann.

KI-Modelle: Souveränität und Kostenkontrolle umsetzen

Warum ist das MCP gerade für den deutschen Mittelstand so erfolgskritisch?

Schutz vor Vendor Lock-in: Der KI-Markt ist extrem volatil. Modelle, die heute marktführend sind, können morgen überholt sein. Wer seine gesamte Datenanbindung proprietär für ein bestimmtes Modell entwickelt hat, ist in einer Falle. Das MCP hingegen ist ein offener Standard. Wer einmal einen MCP-Server für sein SAP-System oder seine Azure-Datenbank gebaut hat, kann diesen behalten, auch wenn er morgen von Claude auf Gemini oder ein lokales Llama-Modell umsteigt. Die Intelligenz ist austauschbar – Ihre Infrastruktur bleibt Ihr Eigentum.

Reduktion der Entwicklungskosten: Anstatt für jedes neue Projekt das Rad neu zu erfinden, ermöglicht MCP eine Modulbauweise. Einmal erstellte MCP-Server sind wiederverwendbare Assets. Dies senkt die „Time-to-Market“ für neue KI-Anwendungsfälle massiv. Ein Unternehmen kann klein anfangen – etwa mit einem Server für die Dokumentenablage – und diesen sukzessive um ERP-, CRM- und IoT-Daten erweitern.

Maximale Sicherheit und Governance: Das MCP wurde mit einem „Security-First“-Ansatz entwickelt. Da die Interaktion über klar definierte Server-Schnittstellen läuft, hat das LLM nie direkten Zugriff auf die Datenbank. Der Server fungiert als Firewall. Zudem sieht das Protokoll vor, dass kritische Aktionen eine explizite Nutzerzustimmung (Consent) erfordernTechnologie unterstützt den Menschen, kontrolliert ihn aber nicht.

KI-Modelle: Cloud-Skalierung trifft auf lokale Sicherheit

Die Bereitstellung einer MCP-Infrastruktur erfordert eine robuste Plattform. Hier bietet sich für den Mittelstand eine hybride Strategie an:

• Serverless-Ansätze (wie Cloud Run): Ideal für Tools, die sporadisch genutzt werden. Man zahlt nur für die tatsächliche Ausführung, was die Betriebskosten minimiert. 
• Container-Orchestrierung (wie GKE): Für komplexe, rechenintensive Aufgaben, die eine tiefe Integration in das Firmennetzwerk erfordern. Hier bietet Kubernetes die notwendige Flexibilität und Skalierbarkeit.
• Lokale Server: Für hochsensible Daten bietet MCP die Möglichkeit, Server direkt on-premise zu betreiben. Die Daten verlassen das Unternehmen nicht; nur die abstrahierten Anfragen und Antworten werden über gesicherte Kanäle mit dem Modell ausgetauscht.