Warum MCP als Kontextverteilung für KI-Systeme entscheidend ist

Die meisten Diskussionen um Model Context Protocol (MCP) drehen sich um Tool-Calls – ein naheliegender Ansatz, bei dem KI-Systeme externe Funktionen nutzen, um Daten abzurufen oder Aktionen auszuführen. Doch dieser Fokus vernachlässigt eine der wichtigsten Eigenschaften von MCP: seine Fähigkeit, den Arbeitskontext vor Beginn der eigentlichen Aufgabe zu definieren.

MCP als RPC-Mechanismus: Nur ein Teil des Potenzials

Viele Entwickler sehen MCP zunächst als eine Art Remote Procedure Call (RPC) für KI-Agenten. Ein Modell könnte damit etwa:

• GitHub-Issues auslesen,
• Datenbankabfragen durchführen,
• Dateien bearbeiten oder
• APIs aufrufen.

Diese Nutzung ist zweifellos nützlich, doch sie reduziert MCP auf eine technische Schnittstelle. Dabei bietet das Protokoll weit mehr: die zentrale Verteilung von Regeln, Fähigkeiten und Betriebsverträgen für KI-Systeme.

Warum RAG allein nicht ausreicht

Retrieval-Augmented Generation (RAG) ist eine bewährte Methode, um relevante Informationen für eine Anfrage zu finden. Doch RAG hat fundamentale Grenzen, wenn es um teamweite KI-Nutzung geht:

• RAG sucht nach möglicherweise relevanten Daten, definiert aber nicht, wie die Aufgabe bearbeitet werden soll.
• Es fehlt an klaren Governance-Regeln, etwa zur Definition autoritativer Quellen oder zur Festlegung von Abbruchkriterien.
• Die Qualität der KI-Ausgaben hängt stark von der individuellen Prompt-Kenntnis der Nutzer ab.

Diese Probleme entstehen, weil RAG lediglich Kontext liefert – nicht aber einen operativen Rahmen für die Arbeit.

Lokale Prompts sind keine nachhaltige Lösung

Viele Teams versuchen, die fehlende Governance durch lokal gespeicherte Prompts zu kompensieren. Doch dieser Ansatz scheitert in der Praxis:

• Jeder Entwickler hält eine individuelle Version der Regeln vor.
• Unterschiedliche Repositorys enthalten unterschiedliche Kontextdateien.
• Updates werden oft nicht zeitnah verbreitet.
• Die Ausgabenqualität variiert stark je nach Nutzerkompetenz.

Das Ergebnis ist kein teamweites System, sondern eine Ansammlung von individuellen Workarounds.

MCP als Lösung: Kontext vor der Arbeit definieren

Ein besserer Ansatz ist die Nutzung von MCP zur Verteilung von Startup-Kontext. Dabei wird MCP nicht erst während der Arbeit aufgerufen, sondern zu Beginn der Session genutzt, um folgende Parameter zu definieren:

• Zugangspolitiken (Wer darf was tun?)
• Autoritative Quellen (Welche Dokumente gelten als verbindlich?)
• Verfügbare Fähigkeiten (Welche Tools sind zugelassen?)
• Arbeitsabläufe (Wann ist die Aufgabe abgeschlossen?)
• Unbekanntheitsregeln (Wie wird mit fehlenden Daten umgegangen?)
• Tool-Verträge (Welche Parameter sind für API-Aufrufe erforderlich?)
• Dokumentenresolver (Wie werden interne Verweise aufgelöst?)

Dieser Startup-Kontext wird an das KI-Modell übergeben, bevor es mit der eigentlichen Aufgabe beginnt. Das Modell erhält damit nicht nur Werkzeuge, sondern einen governanten Rahmen, der die Arbeit strukturiert.

Warum der Startup-Kontext entscheidend ist

Damit MCP seine volle Wirkung entfaltet, muss das KI-System wissen, dass der übermittelten Kontext verbindlich ist. Dies erfordert eine einfache, aber kritische Regel auf Client-Seite:

Bei Beginn einer Session prüft der Client, ob ein MCP-Server für das Projekt konfiguriert ist. Falls ja, wird zunächst die Funktion `get_startup_context` aufgerufen und die zurückgegebenen Regeln als autoritativ behandelt.

Ohne diese Regel könnte das Modell versuchen, die Aufgabe auf Basis von lokalem Wissen oder unvollständigem Kontext zu bearbeiten. Mit dieser Regel wird sichergestellt, dass das System zuerst die Governance-Fragen klärt, bevor es mit der Arbeit beginnt.

Von der Wissensverteilung zur Fähigkeitsverteilung

MCP verändert auch die Art und Weise, wie domänenspezifisches Wissen in Teams verteilt wird:

• Traditionell wird Wissen in Dokumenten festgehalten oder von erfahrenen Kollegen vermittelt.
• Prompt-basiert wird dieses Wissen in lokale Anweisungen integriert – mit allen bereits genannten Nachteilen.
• MCP-basiert kann das Wissen als zentrale Fähigkeit definiert und an alle Nutzer verteilt werden.

Ein Beispiel: Ein Senior-Entwickler definiert eine domänenspezifische Regel (z. B. zur Handhabung von Risikoänderungen) als MCP-Funktion. Alle anderen Entwickler rufen diese Funktion bei Bedarf ab – ohne lokale Kopien oder manuelle Updates.

Portabilität ohne lokale Abhängigkeiten

Ein weiterer Vorteil von MCP: Die Abhängigkeit von lokalen Repositories entfällt. Stattdessen:

• Der Nutzer benötigt lediglich eine Bootstrapping-Anweisung und Zugang zum MCP-Server.
• Die autoritative Definition der Regeln und Fähigkeiten bleibt zentral auf dem Server.
• Das KI-System löst Dokumente, Workflows und Verträge dynamisch über benannte MCP-Tools auf.

Das macht das Governance-System flexibler und wartbarer – Updates müssen nicht mehr manuell verbreitet werden.

RAG vs. MCP: Ein klarer Unterschied

| RAG | MCP (Kontextverteilung) | |---------|-----------------------------| | Beantwortet: Welche Informationen könnten relevant sein? | Beantwortet: Wie soll die Arbeit strukturiert werden? | | Liefert Kontext für die Anfrage | Liefert einen operativen Rahmen für die Session | | Abhängig von lokaler Prompt-Pflege | Zentralisiert und automatisch verteilt | | Individuelle Qualität der Ausgaben | Konsistente Ergebnisse im Team |

Fazit: MCP als Grundlage für skalierbare KI-Systeme

MCP wird oft als Tool-Schnittstelle missverstanden – dabei ist es ein Mechanismus zur Kontextverteilung, der Teams ermöglicht, konsistente, kontrollierte und skalierbare KI-Lösungen zu schaffen. Durch die Definition von Startup-Kontext, Governance-Regeln und domänenspezifischen Fähigkeiten wird MCP zum Rückgrat einer teamweiten KI-Strategie.

Die Zukunft der KI-Nutzung in Unternehmen wird nicht nur von der Menge der verfügbaren Tools abhängen, sondern davon, wie gut diese Tools in einen klaren, zentralen Rahmen eingebettet sind. MCP bietet genau diesen Rahmen – und damit einen entscheidenden Wettbewerbsvorteil für Teams, die KI verantwortungsvoll und effizient einsetzen wollen.