MCP: Die Universal-API der KI-Welt

Wer KI im Unternehmen einsetzen will, merkt relativ schnell, dass es keine Allround-Lösung gibt. Was es gibt, sind viele verschiedene Bausteine. Doch wie bindet man an ChatGPT, Claude oder seine KI-gestützte App KI-Tools wie beispielsweise Dokumenten- oder Datenbankzugriff, Terminplanung, Payment-Dienstleister oder Bildbearbeitung miteinander – wenn alle von verschiedenen Anbietern stammen?

Die Lösung, die sich immer mehr durchsetzt: MCP (Model Context Protocol). Das ist eine Art standardisierte Programmierschnittstelle (API).

MCP ist vor allem dafür da, in die Universal-Chatbot-KIs Drittanbieter-Tools nachzurüsten. Damit sind „agentische“ KI-Systeme und automatisierte Workflows möglich.

Der Drittanbieter muss dafür sein Tool MCP-tauglich machen. Wenn das der Fall ist, fragt die Universal-KI das Dritt-Tool zuerst: „Was kannst du eigentlich?“ – und das Tool antwortet dann mit bspw. „Hi, ich kann Bilder freistellen.“

Doch wie bindet man ein MCP-taugliches Tool ein?

• Einfachste Variante: Der KI-Anbieter (ChatGPT, Claude) hat das MCP-Angebot eines Drittanbieters schon integriert. Beispiele siehst du im Screenshot darunter (wie Google Drive, Zapier etc.).
  Zapier ist übrigens sehr interessant, denn es ist ein alteingesessener Automatisierungs-Service, der nun einen MCP-Server hat. Heißt: Selbst wenn ein Drittanbieter keinen MCP-Server anbietet, aber zu den 8.000 Integrationen von Zapier gehört, klappt die Anbindung trotzdem sehr einfach.
  Wer von ChatGPT die CustomGPTs kennt: Das ist – grob gesagt – eine Art Vorläufer von MCP.
• Zweiteinfachste Variante: Der Drittanbieter hat eine URL für den MCP-Server (bspw. sowas wie https://mcp.invideo.io/sse) – mehr brauchst du nicht für die Einbindung. Echt einfach. Dafür musst du allerdings zuerst rausfinden, welche Tool-Anbieter MCP unterstützen.
• Dritteinfachste Variante: Du brauchst zusätzlich noch einen API-Schlüssel
• Komplizierte Variante: Der MCP-Anbieter gibt dir ein paar Zeilen Code, die du dann manuell in irgendwelche Konfigurations-Dateien auf dem Rechner einpflegen musst
• Lästige Variante: Du musst zusätzlich Tools auf deinem Computer installieren und diese an die MCP-Welt andocken. Beispiel: Eine Software gibt es nicht als Cloud / SaaS Angebot vom Anbieter, sondern muss bei dir lokal laufen (oder in deiner eigenen Cloud).
• Ganz schlechte Variante: Es gibt keinen MCP-Server. Also musst du dir selbst eine Schnittstelle programmieren. Tipp: Gradio bringt „ab Werk“ MCP-Support mit.

MCP (Model Context Protocol) ist eine Idee von Anthropic.

In der Claude-Desktop-App heißen die MCP-Tools dann „Connectors“, und, oh, Wunder, bei ChatGPT auch.

OpenAI hat das gleiche Problem erkannt und setzt bei ChatGPT auf „Connectors“ – ein konzeptionell identischer Ansatz, der zeigt, dass die gesamte KI-Branche in diese Richtung denkt.

Und dann gibt es noch den ChatGPT Agent: Dieser Agent läuft auf einer virtuellen Maschine in der Cloud (ähnliche wie „Computer Use“ von Claude, das allerdings u.a. in einem Docker-Container auf deinem Rechner läuft, also nix für Komplettlaien ist). Diese virtuelle Maschine kann a) nicht nur im Internet suchen, sondern einen eingebauten Browser bedienen und b) über, tada, Connectors mit MCP-Angeboten kommunizieren. Für Computer ist es, man verzeihe mir die Vermenschlichung, wesentlich angenehmer, wenn diese mit anderen Computer (bzw. Software) über Datenschnittstellen kommunizieren (und schnell ist es auch).

Inhalt

• Das ist MCP: die Lingua Franca der KI-Welt
• ChatGPT Agent: Der Hype wird real
• Warnung: MCP ist nicht immer MCP
• Die verschiedenen Connector-Typen bei OpenAI:
• Einfacher geht's mit Zapier
• MCP: Der Use Case
• Ausblick
• Der Aufbau von MCP
• Fazit

Das ist MCP: die Lingua Franca der KI-Welt

Die einfachste Lösung für Kommunikation: Man braucht erstens eine Lingua Franca, also eine von den meisten Leuten verstandene Sprache wie Englisch und zweitens ein gemeinsames Verständnis von Inhalten. Genau dieses Problem haben sowohl Anthropic mit MCP als auch OpenAI mit ihren Connectors erkannt.

Stelle dir vor, du bestellst in verschiedenen Ländern und Regionen ein Bier. In Köln bekommst du 0,2 Liter, in einem englischen Pub ein Pint und in einem bayerischen Traditionsbiergarten eine Maß. Ähnlich ist es bei Software: Jedes System „spricht“ anders. MCP schaltet sich deshalb als „Übersetzer“ dazwischen und vermittelt zwischen dem „Bier-Besteller“ und dem „Barmann“ – beispielsweise mittels eines Datenaustausches im Hintergrund, in dem der MCP den „Barmann“ erstmal nach der Getränkekarte fragt und für den „Bier-Besteller“ aufbereitet.

In der Software-/Cloud-Welt läuft das über Programmierschnittstellen, also APIs (Application Programming Interfaces). Da kocht jeder sein eigenes Süppchen, weswegen sich Programmierer in jede API einarbeiten müssen, sowohl sprachlich als auch inhaltlich.

In der KI-Welt wird das anstrengend, da die Zahl der einbindbaren Services in die eigene App riesig ist und laufend wächst. Ein Beispiel: Deine Firma hat massenweise Produktfotos auf dem Server rumliegen, und diese möchtest du mittels z.B. Claude und einer KI-Bildbearbeitung halbautomatisch bearbeiten. Dafür musst du in Claude neue Tools nachrüsten, nämlich a) den Zugriff auf den Bildserver (oder die Datenbank) und b) über die API des Bildbearbeitungsanbieters. Mit MCP ist das ein wenig einfacher als bisher, da der Programmieraufwand meist auf ein paar Zeilen Code reduziert ist. Bria.ai hat beispielsweise einen solchen MCP-Server, damit du über die Chat-KI mit der Bild-KI chatten kannst. Bei ChatGPT / Dall-E klappt das Chatten mit dem Bildgenerator schon out of the box, aber mit Claude eben nicht.

ChatGPT Agent: Der Hype wird real

Der ChatGPT Agent ist gerade ein heißes Thema in der KI-Welt – und das zu Recht. OpenAI hat hier einen großen Schritt gemacht:

Statt nur zu „chatten“ kann ChatGPT jetzt aktiv für dich arbeiten, komplexe Aufgaben ausführen und dabei verschiedene Tools koordinieren.

ChatGPT, also dort wo du deine Aufgabe eintippst, fungiert als eine Art Big Boss: Es durchdenkt das Projekt und verteilt dann die Teilaufgaben an das jeweils passende Tool.

Das funktioniert – neben dem Zugriff der KI auf einen virtuellen Computer – auch über sogenannte „Connectors“. Und diese basieren konzeptionell auf (der gleichen Idee wie) MCP. Die Usability der Connectors ist dabei ziemlich gut – man klickt auf die Logos der Tools (Box, Outlook, Teams, HubSpot) und konfiguriert den Rest.

Die Connectors mit MCP-Anbindung sind allerdings nicht nur für den ChatGPT Agent verwendbar (der sowohl im Browser als auch in der App läuft), sondern auch für Anwendungen mit API-Zugriff.

Warnung: MCP ist nicht immer MCP

In OpenAI / ChatGPT gibt es eine MCP-basierte Connector-Einbindung des CRM-Systems HubSpot.

Leider ist diese Integration Beta, nur mit HubSpot-Developer-Account und nur auf Anfrage nutzbar und Read only – also was zum Testen.

Und das ist absolut verstörend, denn HubSpot bietet auch einen vollen MCP-Zugang, mit Schreibzugriff und allem. Den kannst du manuell anlegen (ist ein wenig Gefrickel, Stichwort „Private App“). Als nichtsahnender User bist du dann von der ChatGPT-MCP-Integration von HubSpot enttäuscht, dabei gäbe es eine Vollvariante.

Merke: Wenn „MCP“ draufsteht muss nicht MCP „mit allem“ drin sein.
Einen HubSpot-Agenten mit Schreibzugriff kannst du übrigens auch (und sehr einfach) mit Zapier anlegen (der dann, natürlich, nicht alles kann).

Die verschiedenen Connector-Typen bei OpenAI:

• Chat Search Connectors: Schnelle Suchen für alltägliche Aufgaben wie „Zeige mir die Q2-Ziele in Google Drive“ oder „Finde die Roadmap von letzter Woche in Box“. Hier geht’s um Dokumentenzugriff, das können die KIs ja schon länger.
• Deep Research Connectors: Für komplexe Analyseaufgaben, die mehrere Quellen durchsuchen und Berichte (mit Quellenangaben) erstellen – sinnvoll u.a. für Wettbewerbsanalysen oder Code-Reviews. Mit den LLMs o3, o3-pro und o3-deep-research bekommt man schon teils erschreckend gute Antworten auf komplexe Fragestellungen (z.B. „Geh auf die Website xy.de und entwickle eine komplette Marketingstrategie“).
• Synced Connectors: Synchronisiation und Indexierung ausgewählter Inhalte im Voraus, damit ChatGPT noch schneller antworten kann. Das geht in die Richtung RAG, also (Vektor-)datenbanken.
• Custom Connectors (MCP): Hier wird’s spannend – diese folgen dem MCP-Standard und können externe KIs, individuelle Apps und interne Datenquellen anbinden

Praktische Anwendungsfälle:

• Dokumente erstellen: „Schreibe ein Executive Update mit den neuesten Infos aus unserem Projektordner“ – ChatGPT holt sich, dank Serverzugriff, die Daten und erstellt einen strukturierten Bericht. Der ChatGPT Agent kann wohl auch Excel-Dateien erstellen („normale“ KIs schaffen es mit Müh und Not, den „Quelltext“ einer CSV-Datei zu generieren – und den musst du als User dann als Copy-and-Paste-Monkey selbst abspeichern)
• Datenanalyse: „Analysiere die Kundenfeedback-Tabelle in Dropbox und ziehe Erkenntnisse daraus“. Neu daran ist, dass du die Datei nicht manuell in die KI hochladen musst (oder in das Storage der KI).
• Meeting-Vorbereitung: „Update mich über Kunde X und bereite Notizen für das nächste Meeting vor“ – ChatGPT durchsucht alle relevanten Dokumente und könnte auch News im WWW durchsuchen.
• Marktforschung: „Erstelle eine Wettbewerbsanalyse zwischen unserem Produkt und Konkurrent Y“ – kombiniert interne Dokumente mit Web-Recherche

Verfügbarkeit und Limits: Custom Connectors (MCP) gibt’s nur für Pro und Business-Kunden (Team, Enterprise) – und über die API.
Das ist der Geheimtipp: Über platform.open.ai kannst du auch MCP-Server einbinden… ohne Abo.

Einfacher geht’s mit Zapier

Bevor wir mit MCP weitermachen: MCP ist aktuell kein Werkzeug für jeden Anwender, sondern für Pro-User und Programmierer – und es funktioniert nicht immer so, wie man sich das wünscht. Doch auch als Laie kannst du so etwas Ähnliches ausprobieren, mit den Automatisierungs-Urgesteinen von Zapier, genauer mit deren Agents.

Wichtiger Hinweis: Zapier, MCP und ChatGPT Connectors lösen aus User-Sicht ähnliche Probleme, sind aber verschiedene Technologien; auch Agenten-Tools wie Make oder n8n arbeiten anders. Zapier ist heute schon ohne Programmierkenntnisse nutzbar – MCP und ChatGPT Connectors noch nicht bzw. nicht immer.

Und, leider wird es jetzt etwas komplizert:

• Zapier bietet Automatisierungen mit einem eigenen System, inklusive zahlreicher zeitsparender Templates (und einer KI, um Automatisierungs-Workflows aufzusetzen)
• Zapier bietet aber auch einen MCP-Server, womit du alle Zapier-Dienste über MCP ansprechen kannst (aber: du musst MCP nicht nutzen)
• Das bedeutet, dass es oftmals mehrere Lösungswege für die gleiche Herausforderung gibt

Hier ein Zapier-Beispiel aus der Praxis: Bei den Zapier-Agents gibt es eine Vorlage namens „Lead Enrichment Agent“ für HubSpot. So einen Agent zu nutzen erfordert quasi NULL Arbeit, während du mit MCP ein wenig Gehirnschmalz investieren müsstest.

Der Agent macht Folgendes:

• Wenn in deinem HubSpot ein neuer Kontakt angelegt wird (= jemand hat ein Kontaktformular abgesendet), dann fängt die Agenten-KI in Zapier an zu arbeiten:
• Der Agent hat einen Prompt („Instructions“) – den schreibt man so, wie man auch mit Menschen sprechen würde.
• Dann holt sich der Agent via HubSpot-API die E-Mail-Adresse und den Firmennamen des Kontakts
• Anschließend erfolgt eine Websuche (funktioniert gut – die KI im Hintergrund geht auf die Website, sucht das Impressum, und zieht sich daraus den Firmennamen)
• Diese gewonnenen Daten werden anschließend durch den Agenten in den HubSpot-Kontakt reingeschrieben. Dafür nutzt der Agent das vordefinierte Tool „HubSpot: Update Contact“ – der Agent sucht dabei nach verfügbaren Feldern in der Datenbank und schreibt seine neuen Infos da rein. Im Template bzw. Promot steht als Feld „city“ drin, und genauso heißt das Feld in HubSpot.
• Im Prompt steht die Frage nach „Industry“, im HubSpot auf Deutsch ist das dann das Feld „Branche“.
• Wie üblich gilt: Nicht alles funktioniert auf Anhieb – Umsatzdaten sind schwer rauszufinden, State/Region klappt nicht in Deutschland
• Und eine Falle habe ich noch in den Prompt eingebaut: Ich wollte, dass die KI (anhand der Website des Kunden) das „Business Model“ herausfindet. Die gute Nachricht: Das klappt! Die schlechte Nachricht: Es gibt in HubSpot standardmäßig kein Feld „Business Model“. Bedeutet: Ins Feld Business Model wird nichts reingeschrieben, und es wird auch nicht erstellt.
• Eigene Agents bauen ist angeblich „total einfach“ (Hint: ist es natürlich nicht).

MCP: Der Use Case

MCP ist sehr spannend, weswegen du es für deine Projekte im Auge behalten solltest. Das gilt umso mehr, als Anthropic und OpenAI in die gleiche Richtung gehen und diese Technologien zunehmend kompatibel werden.

Außerdem kann jeder HuggingFace Space ein MCP-Server sein (wenn der Inhaber des Spaces das so will). Und in VS Code kannst du MCP-Server nutzen. Und in Cursor auch. Und und und.

Ausblick

• Aktuell: Als Laie kannst du „MCP“ vorerst unter „hab ich schon mal etwas von gehört“ abspeichern, es wird dir bald öfter über den Weg laufen. Spannend wird es, wenn du bereits ChatGPT Plus (oder Team) nutzt – dort kannst du schon jetzt mit dem ChatGPT Agent experimentieren.
  Wenn du bspw. für deine Unternehmenswebsite / deinen Onlineshop o.ä. verantwortlich bist, frage deine IT-/Programmier-Dienstleister mal nach MCP und den Möglichkeiten (und mache dich vorher für deinen Einzelfall schlau, z.B. „MCP und Shopify“ oder so – OpenAI / ChatGPT hat den Shopify-MCP-Zugang schon eingebaut, aber zusätzlich muss in Shopify was konfiguriert werden).
• Mittelfristig: Ich gehe davon aus, dass dank MCP die großen KI-Anbieter von Kundenprodukten (OpenAI, Anthropic, Microsoft, Anbieter von „Agenten“…) immer mehr Tools in ihre Produkte einbauen werden. Wahrscheinlich arbeiten schon alle daran.
• Langfristig: Zusätzlich werden viele neue Services / Angebote auf den Markt kommen, die im Kern auf MCP oder kompatiblen Standards basieren – für dich als Unternehmen bzw. Kunden wird das aber keine Rolle spielen, da die Integration „unter der Haube“ stattfindet. Entscheidend wird sein, dass sich ein einheitliches Ökosystem entwickelt, in dem Tools verschiedener Anbieter problemlos zusammenarbeiten.

Der Aufbau von MCP

Die Terminologie in der MCP-Welt ist – finde ich – nicht ganz selbsterklärend bzw. verwirrend.

• MCP Host: Der Host ist das, was du als Nutzer siehst – wie ein Eingabefeld für einen Prompt. Stelle dir einfach das ChatGPT-Fenster vor – nur dass in diesem Fall ChatGPT als „Manager“ agiert und Aufgaben auch weiterdelegiert. Du gibst deine Anfrage ein, und der Host verarbeitet die Anfrage – und unterbeauftragt den Client.
• MCP Client: Der Client ist das „Außenministerium“ des Hosts und managt die Verbindungen zu den externen Tools. Hier findet die Kommunikation zwischen Host und Server statt. Der Client bekommt also einen Arbeitsauftrag, übersetzt ihn in eine vom Tool verständlichen Sprache und gibt sie an den passenden Server weiter.
• MCP Server: Der Server ist das Tool, das du einbinden willst. Das Tool kann bei dir auf dem PC oder irgendwo im Netzwerk laufen. Gern sind mehrere Tools im Spiel: Der Server kann ein simpler Taschenrechner sein, eine Datenbank, oder eine Spezial-KI (z.B. Video), eine ausgefuchste KI-App, oder oder oder. Der Server bearbeitet die Anfrage, sendet das Ergebnis an den Client, und der Client leitet es dann an den Host weiter.

Oder anders ausgedrückt: Der Host ist dein KI-Frontend (= deine „App“), der Client ist die Schweizer-Taschenmesser-Universal-Middleware und die „Server“ sind externe Software.

Fazit

MCP ist eine vielversprechende Technologie: Hier entsteht ein neuer Standard für die KI-Integration. Es lohnt sich, sich damit auseinanderzusetzen und die Ohren offenzuhalten – vielleicht unterstützt eure geschäftlich genutzte Software schon heute (oder bald) MCP.

Kontakt