MCP Server erklärt: Model Context Protocol für Unternehmen

Das Model Context Protocol (MCP) ist ein offener Standard, den Anthropic Ende 2024 veröffentlicht hat. Es definiert, wie KI-Modelle strukturiert mit externen Datenquellen, Tools und Diensten kommunizieren können — ohne dass für jede Integration ein eigener Workaround gebaut werden muss.

Der Kerngedanke ist simpel: Ein Sprachmodell wie Claude kann von sich aus keine Datenbank abfragen, keine E-Mail lesen und keinen Shop-Bestand prüfen. Es arbeitet nur mit dem, was im Kontextfenster steht. MCP schafft eine standardisierte Schicht, die genau das ermöglicht — auf eine Art, die das Modell versteht und die Entwickler reproduzierbar implementieren können.

Warum kommt das erst jetzt? Weil die Branche bisher auf Ad-hoc-Lösungen gesetzt hat: Function-Calling via JSON-Schema, eigene Plugin-Systeme (OpenAI GPTs), Retrieval-Pipelines ohne gemeinsamen Standard. Das hat funktioniert, aber nicht skaliert. MCP ist der Versuch, einen gemeinsamen Nenner zu schaffen — vergleichbar damit, was HTTP für Webserver war.

MCP folgt einer Client-Server-Architektur mit drei Beteiligten:

1. Host — das ist die Anwendung, in der das KI-Modell läuft (z.B. Claude Desktop, ein eigener Chatbot, eine n8n-Instanz) 2. MCP Client — eingebettet im Host, verwaltet die Verbindung zum Server 3. MCP Server — ein leichtgewichtiger Prozess, der spezifische Fähigkeiten exponiert (Tools, Ressourcen, Prompts)

Der MCP Server kommuniziert über JSON-RPC 2.0 — entweder lokal via stdio oder remote via HTTP/SSE. Das bedeutet: Du kannst einen MCP Server als lokalen Prozess neben deiner Anwendung laufen lassen, oder du hostest ihn als eigenständigen Dienst.

Was ein MCP Server exponieren kann:

- Tools — Aktionen, die das Modell ausführen kann (z.B. Datenbankabfrage, API-Call, Datei lesen)

• Resources — strukturierte Daten, die das Modell als Kontext laden kann (z.B. Produktkatalog, Dokumentation)
  • Prompts — vordefinierte Prompt-Templates mit Parametern

    Ein konkretes Beispiel: Du baust einen MCP Server für dein Shopware-System. Dieser Server hat einen Tool get_order_details(order_id) und eine Resource product_catalog. Wenn ein Mitarbeiter im KI-Assistenten fragt „Was ist der Status von Bestellung 4711?”, ruft das Modell automatisch das Tool auf, bekommt die Antwort und formuliert eine verständliche Antwort — ohne dass der Mitarbeiter die Datenbank kennen muss.

    Der Unterschied zu klassischem Function-Calling:

    Function-Calling (wie es OpenAI eingeführt hat) ist auf einen einzelnen LLM-Anbieter ausgerichtet und erfordert für jedes Modell eine eigene Implementierung. MCP ist modell-agnostisch und standardisiert. Ein MCP Server, der heute für Claude gebaut ist, funktioniert morgen auch mit jedem anderen Modell, das MCP unterstützt.

Wo macht MCP im Unternehmensalltag tatsächlich Sinn? Hier drei Szenarien, die ich in der Praxis umgesetzt habe oder die unmittelbar umsetzbar sind:

Szenario 1: Support-Assistent mit Produktwissen

Ein Shopware-Shop hat 5.000 Produkte mit individuellen Konfigurationsoptionen. Support-Mitarbeiter verbringen viel Zeit damit, in der Admin-Oberfläche nach Produktdetails zu suchen. Ein MCP Server exponiert eine search_products-Funktion und eine get_product_details-Resource. Der KI-Assistent kann jetzt direkt im Chat-Interface auf den aktuellen Produktkatalog zugreifen — immer auf dem Stand der Datenbank, kein statisches Dokument, das veraltet.

Szenario 2: ERP-Kontext für Entscheider

Ein Geschäftsführer fragt seinen KI-Assistenten: „Welche unserer Top-10-Kunden haben in diesem Quartal weniger als im Vorjahr bestellt?” Ohne MCP ist das eine mehrstufige Excel-Übung. Mit einem MCP Server, der auf das ERP zugreift, ist es eine natürlichsprachige Abfrage — das Modell übersetzt die Frage in den richtigen API-Call und formatiert das Ergebnis verständlich.

Szenario 3: Internes Wissenssystem

Unternehmen haben Wissen in Confluence, SharePoint, internen Wikis. Dieses Wissen ist selten gut strukturiert und schwer zu durchsuchen. Ein MCP Server mit Zugriff auf die Dokumentation ermöglicht einen Assistenten, der gezielt nach relevanten internen Dokumenten sucht — nicht durch generische Volltextsuche, sondern durch semantisches Retrieval mit aktuellem Kontext.

Genau hier scheiden sich die Geister bei KI-Integrationen — und genau hier scheitern viele Projekte an der Compliance-Abteilung. Die gute Nachricht: MCP macht DSGVO-konformes Arbeiten nicht schwerer, sondern in vielen Fällen leichter, weil du die Architektur kontrollierst.

Datenhoheit durch Self-Hosting

Ein MCP Server läuft in deiner Infrastruktur. Die Daten verlassen dein Netzwerk nur dann, wenn du sie explizit in den Kontext des Modells gibst — und nur in dem Umfang, den du konfigurierst. Das bedeutet: Du entscheidest, welche Daten das Modell sieht. Ein get_order_details-Tool gibt nur die Felder zurück, die du freigegeben hast — nicht die komplette Datenbanktabelle.

Welches Modell, welche Infrastruktur?

Hier liegt die eigentliche DSGVO-Frage: Wenn du Claude (Anthropic), GPT-4 (OpenAI) oder andere Cloud-Modelle nutzt, werden die Anfragen inklusive des MCP-Kontexts an deren Server geschickt. Das ist bei personenbezogenen Daten (Kundenadressen, Bestellhistorie) kritisch. Lösungen:

- Anonymisierung/Pseudonymisierung der Daten vor der Übergabe an das Modell

• On-Premise-Modelle (Llama, Mistral via Ollama oder eigene Infrastruktur) — MCP funktioniert mit jedem Modell
  • AVV mit dem Modellanbieter — Anthropic und OpenAI bieten Enterprise-Verträge mit DSGVO-konformer Verarbeitung

    Authentifizierung und Zugriffssteuerung

    Ein MCP Server sollte nicht offen im Netz erreichbar sein. Best Practices:

    • OAuth 2.0 für Remote-Server (MCP-Spec unterstützt das nativ)
      • API-Keys mit minimalen Berechtigungen
        • Nur die Tools exponieren, die tatsächlich gebraucht werden (Principle of Least Privilege)
          • Audit-Logging: welches Modell hat welches Tool mit welchen Parametern aufgerufen

            Fazit DSGVO: MCP ist kein Datenschutzproblem per se — aber es macht die Architekturentscheidung explicit. Wer das bewusst gestaltet, hat ein besseres Compliance-Profil als bei unstrukturierten ChatGPT-Prompts mit Copy-Paste-Daten.

Die gute Nachricht: Das offizielle MCP SDK macht den Einstieg schnell. Es gibt SDKs für TypeScript/Node.js und Python — beide sind gut dokumentiert und aktiv gepflegt.

Minimales Beispiel in TypeScript (Node.js):

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';
const server = new McpServer({
  name: 'shopware-mcp',
  version: '1.0.0'
});
// Tool: Bestellung abrufen
server.tool(
  'get_order_details',
  { order_id: z.string() },
  async ({ order_id }) => {
    // Hier: Datenbankabfrage oder API-Call
    const order = await fetchOrderFromDatabase(order_id);
    return {
      content: [{ type: 'text', text: JSON.stringify(order) }]
    };
  }
);
// Transport starten
const transport = new StdioServerTransport();
await server.connect(transport);

Das ist der vollständige Boilerplate für einen funktionierenden MCP Server — alles weitere ist deine Geschäftslogik.

Typischer Entwicklungsaufwand:

- Einfacher MCP Server (3–5 Tools, Read-only): 1–3 Tage

• Integration mit bestehendem ERP/Shop-System (Auth, Error-Handling, Caching): 1–2 Wochen
  • Produktionsreifer Server mit Monitoring, DSGVO-Konzept, Deployment: 2–4 Wochen Sprint

    Die technische Komplexität ist überschaubar. Der Aufwand steckt in der richtigen Datenmodellierung und im Sicherheitskonzept — nicht im Protokoll selbst.

    MCP vs. RAG: Wann was?

    Häufige Verwechslung: MCP und RAG (Retrieval-Augmented Generation) lösen ähnliche Probleme, aber unterschiedlich. RAG ist für unstrukturierte Dokumente gut (PDFs, Wikis, Supporttickets) — der Text wird vektorisiert und semantisch abgefragt. MCP ist besser für strukturierte, transaktionale Daten (Bestellungen, Lagerbestand, Kundendaten) — die Abfrage ist deterministisch und tagesfrisch. In der Praxis kombiniert man beides: MCP für Live-Daten, RAG für Dokumentenwissen.

Nicht jedes Unternehmen braucht sofort einen MCP Server. Hier ein ehrlicher Filter:

MCP lohnt sich, wenn:

• Du bereits einen KI-Assistenten produktiv nutzt (Claude Desktop, eigener Chatbot) und feststellst, dass fehlendes Kontext-Wissen die Hauptbremse ist
  • Dein Team regelmäßig zwischen KI-Tool und internen Systemen hin- und herkopiert (Bestellnummern, Produktdaten, Kundendaten)
    • Du ein System mit strukturierten Echtzeit-Daten hast (ERP, Shop-System, CRM), das über eine API erreichbar ist
      • Du den Proof-of-Concept in 1–2 Wochen haben willst, nicht in 6 Monaten

        MCP lohnt sich (noch) nicht, wenn:

        • Du noch keinen klaren Use-Case hast, welche Fragen der Assistent beantworten soll
          • Deine Daten nicht über eine API erreichbar sind und du das zuerst aufbauen müsstest
            • Das Kernproblem unstrukturiertes Dokumentenwissen ist — dann ist RAG der richtigere Einstieg
              • Du erwartest, dass der MCP Server das Sicherheits- und Berechtigungskonzept ersetzt, das dein System bisher nicht hat

                Typischer Sprint-Ablauf (ab 5.000 €):

                1. Tag 1–2: Use-Case-Workshop — welche 3–5 Fragen soll der Assistent beantworten können? 2. Tag 3–5: MCP Server bauen, mit Test-Daten validieren 3. Tag 6–8: Integration in bestehende Infrastruktur, Auth, Error-Handling 4. Tag 9–10: DSGVO-Check, Deployment, Übergabe und Dokumentation

                Nach zwei Wochen hast du einen funktionierenden MCP Server im echten Kontext — nicht einen Proof-of-Concept auf einem Laptop, sondern etwas, das dein Team täglich nutzen kann.

MCP ist kein Hype-Thema. Es ist eine pragmatische Antwort auf ein echtes Problem: KI-Modelle sind mächtig, aber blind für deine Unternehmensdaten. Das Model Context Protocol schafft eine standardisierte Brücke — modell-agnostisch, DSGVO-freundlich wenn richtig umgesetzt, und deutlich wartbarer als selbstgebaute Integrationen.

Der Einstieg ist technisch überschaubar. Die echte Arbeit liegt in der richtigen Architektur: Welche Daten gibst du dem Modell, welche nicht? Wie sieht das Sicherheitskonzept aus? Welche Fragen soll der Assistent überhaupt beantworten können?

Genau das sind die Fragen, die ich in einem ersten Sprint mit dir kläre — praxisnah gebaut statt PowerPoint.

→ [MCP-Server-Integration anfragen](/lp/mcp-server-integration)