KI-Entwicklung
MCP-Server für Ihre Unternehmenssysteme entwickeln
Ein MCP-Server ist ein kleiner Dienst, der Systeme Ihres Unternehmens wie CRM, ERP, Ticketsystem oder Datenbank über das offene Model Context Protocol für KI-Assistenten und Agenten zugänglich macht. Damit können Tools wie Claude, ChatGPT-basierte Agenten oder Coding Agents Ihre Daten und Aktionen kontrolliert, mit Berechtigungen und nachvollziehbar nutzen, statt dass Informationen per Copy-and-paste in Chats wandern.
Welches Problem das Model Context Protocol löst
MCP löst das Integrationsproblem: Statt für jedes KI-Tool einen eigenen Konnektor zu bauen, bauen Sie einen MCP-Server pro System, und jeder MCP-kompatible Client kann ihn nutzen.
MCP wurde von Anthropic als offener Standard eingeführt und ist im KI-Tooling-Ökosystem breit angenommen worden. Es definiert, wie ein Client erkennt, was ein Server anbietet, und wie er es aufruft. Ein Server kann Tools bereitstellen (Aktionen, die das Modell auslösen kann, etwa create_ticket oder search_customers), Ressourcen (lesbare Daten wie Dokumente oder Datensätze) und Prompts (wiederverwendbare Vorlagen). Auch agentische Coding-Tools wie Claude Code nutzen MCP, um Issue-Tracker, Datenbanken und interne APIs zu erreichen.
Typische MCP-Server in Unternehmen
Die meisten Unternehmen starten mit Lesezugriff auf die Systeme, nach denen am häufigsten gefragt wird, und ergänzen dann sorgfältig ausgewählte Schreibaktionen.
- CRM: Accounts, Kontakte, offene Deals und letzte Aktivitäten abfragen.
- Ticketing und ITSM: Tickets durchsuchen, Verläufe zusammenfassen, Tickets anlegen oder aktualisieren.
- ERP: Auftragsstatus, Lagerbestände oder Liefertermine prüfen.
- Internes Wissen: Wikis und Dokumentenablagen mit Berechtigungsfilter durchsuchen.
- Engineering: interne APIs, Feature Flags, Logs oder Staging-Datenbanken für Coding Agents zugänglich machen.
- Reporting: vordefinierte, parametrisierte Abfragen gegen ein Data Warehouse ausführen.
Tools für das Modell gestalten, nicht für die Datenbank
Gute MCP-Tools sind aufgabenorientiert, gut beschrieben und eng gefasst. Schlechte sind dünne Hüllen um rohen Datenbankzugriff.
Ein Tool wie get_customer_overview, das eine kompakte Zusammenfassung eines Accounts liefert, ist weit nützlicher und sicherer als ein generisches run_sql. Beschreiben Sie klar, was jedes Tool tut und wann es eingesetzt werden soll, denn das Modell wählt Tools anhand dieser Beschreibungen aus. Liefern Sie knappe, strukturierte Ergebnisse, paginieren Sie große Antworten und geben Sie aussagekräftige Fehlermeldungen zurück, damit das Modell sich korrigieren kann. Wenige gute Tools schlagen Dutzende, die sich überschneiden.
Sicherheit: Authentifizierung, Autorisierung und Injection
Ein MCP-Server ist eine API in Ihre Kernsysteme. Er verdient dieselben Sicherheitsstandards wie jede andere API, plus einige KI-spezifische.
Authentifizieren Sie den Nutzer hinter dem Client, bei Remote-Servern typischerweise per OAuth gegen Ihren Identity Provider, und setzen Sie dessen Berechtigungen im Server durch, statt dem Server ein Superuser-Konto zu geben. Behandeln Sie jede Eingabe des Modells als nicht vertrauenswürdig, validieren Sie Parameter streng und verlangen Sie eine Bestätigung für destruktive Aktionen. Bedenken Sie, dass von Tools zurückgegebene Daten, etwa der Text einer Kunden-E-Mail, Anweisungen enthalten können, die das Modell manipulieren sollen. Gestalten Sie Schreib-Tools so, dass eine solche Injection allein keinen Schaden anrichten kann.
- Nutzer und Berechtigungen aus dem Quellsystem abbilden.
- Mit rein lesenden Tools starten.
- Schreib-Tools mit Validierung und Bestätigung ergänzen.
- Jeden Aufruf mit Nutzer, Tool, Parametern und Ergebnis protokollieren.
- Logs und Tool-Nutzung regelmäßig auswerten.
Lokale vs. Remote-MCP-Server
Lokale Server laufen auf dem Rechner eines Nutzers und sind für einzelne Entwickler schnell eingerichtet. Remote-Server laufen zentral und sind die richtige Wahl für den unternehmensweiten Einsatz.
Remote-Server bieten zentrale Authentifizierung, Logging, Updates und Rate Limiting und funktionieren mit webbasierten Clients. Lokale Server eignen sich für Entwickler-Tooling und Prototypen. Für die meisten Geschäftssysteme empfehlen wir einen Remote-Server in Ihrer eigenen Infrastruktur oder einer EU-Cloud-Region, mit denselben Deployment- und Monitoring-Standards wie Ihre übrigen Dienste.
So läuft ein MCP-Projekt ab
Ein fokussierter erster MCP-Server ist ein kleines Projekt: ein System, eine Handvoll gut gestalteter Tools, solide Authentifizierung und Logging.
Meist sammeln wir zuerst die Fragen und Aufgaben, mit denen Mitarbeitende tatsächlich zu KI-Tools kommen, gestalten die Tools darum herum, bauen und testen sie mit echten Clients und rollen sie dann für eine Pilotgruppe aus. Die AI Code Engineers von neooutput bauen MCP-Server im Rahmen von Agenten- und Assistentenprojekten, und unsere Agentic-Coding-Workshops zeigen internen Teams, wie sie eigene Server bauen und pflegen.
Häufige Fragen
Welche KI-Tools können einen MCP-Server nutzen?
Viele Assistenten, Agent-Frameworks und Coding-Tools unterstützen MCP, darunter die Claude-Apps und Claude Code, und die Unterstützung hat sich branchenweit verbreitet. Prüfen Sie in der aktuellen Dokumentation des jeweiligen Clients, ob Remote-Server und die gewünschte Authentifizierung unterstützt werden.
Ist MCP sicher genug für Unternehmensdaten?
Das Protokoll selbst ist ein Transport- und Schnittstellenstandard. Die Sicherheit hängt von Ihrer Implementierung ab. Mit sauberer Authentifizierung, Autorisierung pro Nutzer, Validierung und Logging kann es Enterprise-Anforderungen erfüllen.
Können wir ein Altsystem ohne API anbinden?
Oft ja, über eine Datenbank-View, einen Dateiexport oder eine kleine Integrationsschicht vor dem System. Der MCP-Server kapselt dann diese Schicht.
