MCP (Model Context Protocol)

Was MCP löst

Vor MCP brauchte jedes KI-Tool eine eigene Integration für jedes externe System, mit dem es sprach. ChatGPT hatte Plugins. Claude hatte sein eigenes Tool-Use-Format. Gemini hatte Extensions. Jedes Ökosystem war ein Silo, mit anbieterspezifischen APIs und begrenzter Interoperabilität.

MCP standardisiert das. Ein MCP-Server stellt eine Reihe von Tools, Ressourcen und Prompts bereit. Jeder MCP-kompatible KI-Client kann mit ihm sprechen, ohne maßgeschneiderte Integrationsarbeit. Bau einen MCP-Server für deine Analytics, und Claude, ChatGPT und Gemini können ihn alle abfragen.

Für Daten und Analytics stellte sich das als sehr wichtig heraus. Nutzer mussten Zahlen nicht mehr aus einem Dashboard in einen Chat kopieren, der Chat konnte die Zahl selbst holen.

Was MCP definiert

Das Protokoll hat drei zentrale Primitive:

• Tools, Aktionen, die die KI aufrufen kann (z. B. get_attribution_metrics, list_campaigns)
• Ressourcen, Daten, die die KI lesen kann (z. B. Dashboards, Reports, Kundenlisten)
• Prompts, vordefinierte Vorlagen, die der Nutzer aufrufen kann (z. B. „monatlicher Performance-Review“)

Ein Server veröffentlicht ein Manifest dessen, was er anbietet. Der Client (die KI-App) entdeckt das Manifest und entscheidet, was aufgerufen wird.

Was MCP für Analytics ermöglicht

Konkrete Muster, die 2026 funktionieren:

• „Wie hoch ist unser ROAS nach Kanal in diesem Quartal?“, der Chat holt Live-Zahlen, kein Dashboard nötig
• „Welche Case Studies soll ich diesem Interessenten schicken?“, der Chat fragt einen CRM-bewussten MCP-Server ab und liefert kuratierte Vorschläge
• „Entwirf das Performance-Recap dieser Woche“, der Chat zieht Metriken aus MCP, entwirft eine Zusammenfassung, der Nutzer prüft sie
• „Warum ist unser Meta-CAC gestern nach oben geschossen?“, der Chat fragt mehrere Datenquellen ab, korreliert und stellt Hypothesen auf

Das verbindende Muster: Die KI erledigt die analytische Fleißarbeit, der Mensch übernimmt Urteil und Handlung.

Sicherheit in MCP

MCP ist von Grund auf berechtigungsbewusst:

• Tool-Aufrufe brauchen eine Nutzerfreigabe (in den meisten Clients), bevor sie ausgeführt werden
• Read-only-Zugriff ist das Standardmuster für Analytics-MCP-Server
• Die Authentifizierung passiert auf Ebene des MCP-Servers, typischerweise OAuth oder API-Key
• Der Nutzer kontrolliert, welchen Servern sein KI-Client vertraut

Ein gut gebauter Analytics-MCP-Server stellt Read-only-Tools bereit, begrenzt den Datenzugriff auf die Berechtigungen des aufrufenden Nutzers und protokolliert jede Abfrage für das Audit.

Was MCP nicht leistet

• Es macht KI nicht klüger. Müll-Daten durch MCP ergeben weiterhin Müll-Antworten.
• Es ersetzt keine Semantic Layer. KI ist schlecht darin, rohe Schemata zu interpretieren. Ein Semantic Layer ergänzt die Metrik-Definitionen und die Business-Logik, die die von MCP gelieferten Zahlen korrekt machen.
• Es repariert kein Tracking. Wenn deine zugrunde liegenden Daten falsch sind, liefert MCP falsche Antworten nur effizienter.

Die Kombination, die funktioniert: saubere First-Party-Daten, Semantic Layer für die Metrik-Definitionen, MCP-Server, der den Semantic Layer bereitstellt, KI-Client.

Häufige Fehler

• Rohe Warehouse-Tabellen über MCP bereitstellen. Zu viel Angriffsfläche, kein Business-Kontext, leicht produziert es selbstbewusst falsche Antworten.
• Den Semantic Layer überspringen. Ohne einheitliche Metrik-Definitionen können zwei KI-Abfragen widersprüchliche Zahlen liefern.
• MCP als Chatbot behandeln. Es ist die Verkabelung. Die User Experience ist der KI-Client. MCP ist das, was den KI-Client nützlich macht.

FAQ zu MCP (Model Context Protocol)

Was ist MCP (Model Context Protocol)?

MCP ist ein offenes Protokoll, mit dem KI-Tools wie Claude, ChatGPT und Gemini externe Datenquellen abfragen und externe Tools auf standardisierte Weise aufrufen. Anthropic hat es Ende 2024 eingeführt, und die großen KI-Ökosysteme haben es alle übernommen.

Was bringt MCP für Analytics?

Mit MCP können Nutzer KI-Assistenten Fragen zu ihren echten Daten stellen, etwa wie hoch der Blended ROAS diese Woche ist, und bekommen Live-Antworten aus den tatsächlichen Zahlen, keine Vermutungen aus den Trainingsdaten des Modells.

Ist MCP sicher im Umgang mit sensiblen Daten?

Richtig gebaut, ja. MCP-Server sind typischerweise read-only und auf die Berechtigungen des aufrufenden Nutzers begrenzt. Tool-Aufrufe brauchen in den meisten Clients eine Nutzerfreigabe. Die Architektur ist von Grund auf berechtigungsbewusst.

Warum braucht MCP einen Semantic Layer?

Ohne Semantic Layer sieht die KI rohe Warehouse-Spalten und schreibt SQL, das syntaktisch gültig, aber semantisch falsch ist. Ein Semantic Layer stellt einheitliche Metrik-Definitionen bereit, damit die KI verlässliche Zahlen liefert.