Model Context Protocol (MCP)
Model Context Protocol (MCP): Definition, Funktionsweise und Einsatz im Kundenservice
Definition:
Model Context Protocol (MCP) ist ein offener Standard, der es KI-Assistenten und AI Agents ermöglicht, einheitlich und sicher auf externe Datenquellen, Tools und Systeme zuzugreifen. Statt für jede Integration eine eigene Schnittstelle zu programmieren, stellt MCP ein universelles Verbindungsprotokoll bereit — vergleichbar mit USB-C für Hardware, nur für KI-Software.
Wenn ein AI Agent im Kundenservice gefragt wird „Wo ist meine Bestellung?" und daraufhin antwortet „Dazu habe ich keine Informationen" — obwohl das Unternehmen ein vollständiges Shopware-Backend betreibt — liegt das fast immer an fehlender Systemanbindung. Das Modell kann die Frage verstehen, hat aber keinen Weg, die relevanten Daten abzurufen. MCP löst dieses Problem strukturell: Es definiert, wie ein AI Agent zur Laufzeit mit beliebigen externen Systemen kommuniziert — und das für alle Systeme auf dieselbe Art.
Wie funktioniert MCP technisch?
MCP folgt einer Client-Server-Architektur und läuft in zwei klar trennbaren Rollen ab. Der MCP-Client ist der AI Agent selbst — das KI-Programm, das eine Aufgabe ausführen soll. Der MCP-Server ist die Komponente, die Zugang zu einem externen System bereitstellt, zum Beispiel zu einem Shopware-Backend, einem Zendesk-Helpdesk oder einem SAP-Kundenstamm.
Die Kommunikation läuft so ab: Der AI Agent empfängt eine Nutzeranfrage und erkennt, dass er externe Daten braucht. Er sendet über den MCP-Client eine strukturierte Anfrage an den zuständigen MCP-Server — zum Beispiel: „Gib mir den Bestellstatus für Bestellnummer 98432." Der MCP-Server ruft die Daten aus dem angebundenen System ab und gibt sie in einem standardisierten Format zurück. Der AI Agent verarbeitet die Antwort und formuliert daraus eine verständliche Rückmeldung an den Kunden.
Entscheidend ist: MCP definiert das Format dieser Kommunikation verbindlich. Egal ob der AI Agent auf Shopware 6, Freshdesk, Salesforce oder Xentral zugreift — er spricht immer dieselbe „Sprache". Das reduziert Entwicklungsaufwand erheblich, macht Integrationen wartungsärmer und erlaubt es, neue Systeme als neue MCP-Server hinzuzufügen, ohne den AI Agent selbst anzupassen.
Warum MCP für AI Agents im Kundenservice unverzichtbar ist
Ein AI Agent ohne Systemanbindung ist ein Sprachmodell mit guten Manieren — es formuliert höflich, aber antwortet aus seinem Trainingswissen heraus. Das Trainingswissen kennt keine Bestellnummern, keine aktuellen Lagerbestände, keine laufenden Tickets. Für generische Fragen reicht das. Für echten Kundenservice nicht.
MCP schließt diese Lücke, indem es dem AI Agent zur Laufzeit Zugang zu den Systemen gibt, in denen das operative Wissen tatsächlich liegt. Der Unterschied ist nicht graduell, sondern kategorial: Ohne MCP-Anbindung beantwortet ein AI Agent FAQ-Fragen. Mit MCP-Anbindung schließt er Prozesse eigenständig ab — er ruft den Bestellstatus ab, leitet eine Stornierung ein, aktualisiert eine Lieferadresse oder legt ein Ticket an. Das ist der Schritt von einem Chatbot zu einem echten AI Agent im Kundenservice.
Hinzu kommt die Konsistenz. Ein AI Agent, der über MCP auf dieselben Daten zugreift wie das Support-Team, gibt dieselben Antworten wie das Support-Team — nicht ähnliche, sondern identische. Das eliminiert eine ganze Klasse von Eskalationen, die entstehen, wenn Chatbot und Mitarbeiter unterschiedliche Informationsstände haben.
MCP im Kundenservice: Typische Anwendungsfälle
MCP eignet sich überall dort, wo ein AI Agent auf operative Unternehmensdaten zugreifen muss — also nahezu in jedem relevanten Einsatzszenario im Kundenservice.
Im E-Commerce betrifft das Bestellstatus, Retourenstatus, Versandbedingungen und Verfügbarkeitsabfragen — Daten, die sich stündlich ändern können und deshalb nie im Modell-Training landen dürfen. Shop-Systeme wie Shopware 6 oder Shopify lassen sich als MCP-Server direkt anbinden, sodass der AI Agent Echtzeit-Bestelldaten abruft, ohne dass das Support-Team eingreifen muss. Bestellungen stornieren, Adressen ändern, Rücksendeetiketten ausstellen — alles vollautomatisch, alles auf Basis der tatsächlichen Live-Daten.
Im B2B-Helpdesk geht es um Produktdokumentation, Vertragsbedingungen, SLA-Definitionen und interne Prozessanleitungen für den Level-1-Support. Helpdesk-Systeme wie Zendesk oder Freshdesk fungieren dabei als MCP-Server für zwei Funktionen gleichzeitig: als Wissensquelle und als Ticketsystem, in das der AI Agent direkt schreiben kann.
Für Fitnessstudios, Sportvereine und Freizeitanbieter ermöglicht MCP den Zugriff auf Kursplan-Systeme, Mitgliedschaftsdatenbanken und Buchungsplattformen — Daten, die ein generisches Modell schlicht nicht kennt und die sich wöchentlich ändern. Dass der AI Agent auf Echtzeitdaten zugreift, ist gerade bei saisonal stark schwankenden Anfragen der Unterschied zwischen Entlastung und Fehlauskunft.
Ein weiterer Vorteil zeigt sich im mehrsprachigen Service: Weil MCP den Datenzugriff vom Sprachmodell trennt, lässt sich dieselbe Systemanbindung für Antworten auf Deutsch, Englisch, Französisch oder Niederländisch verwenden — ohne separate Integrationen je Sprache. Anbieter wie melibo, die native MCP-kompatible Konnektoren für die gängigsten DACH-Systeme vorkonfiguriert bereitstellen, ermöglichen diesen Einsatz ohne individuelles Entwicklungsprojekt. Eine Übersicht aller verfügbaren Integrationen bietet die melibo Integrationsseite.
MCP vs. REST-API vs. Webhook vs. iPaaS
Diese vier Konzepte werden im KI-Kontext häufig gleichgesetzt, obwohl sie grundlegend verschieden sind.
MCP (Model Context Protocol) ist ein offener Standard speziell für die Kommunikation zwischen KI-Programmen und externen Systemen. Er definiert, wie ein AI Agent zur Laufzeit Kontext, Tools und Daten abruft und Aktionen auslöst — bidirektional, für Echtzeit-Interaktion ausgelegt und für alle angebundenen Systeme identisch strukturiert.
REST-API ist eine allgemeine Architektur für Web-Schnittstellen. Sie ist nicht KI-spezifisch und erfordert für jedes System eine eigene Implementierung: Jede API hat ihre eigene Dokumentation, ihre eigene Authentifizierung, ihr eigenes Fehlerformat. Ein AI Agent, der zehn Systeme via REST-API anbindet, braucht zehn verschiedene Connector-Implementierungen. Derselbe AI Agent mit MCP braucht zehn MCP-Server — aber einen einzigen, standardisierten Client.
Webhook ist ein einseitiger Benachrichtigungsmechanismus: System A informiert System B, wenn ein Ereignis eintritt. Webhooks sind reaktiv und unidirektional — sie übertragen keine kontextreichen Antworten, die ein AI Agent verarbeiten oder auf deren Basis er handeln könnte. Für Event-getriggerte Workflows nützlich, für Dialogsysteme ungeeignet.
iPaaS (Integration Platform as a Service) — Beispiele: Zapier, Make, n8n — verbindet Systeme über vorkonfigurierte Workflows ohne Code. Für einfache, regelbasierte Automatisierungen gut geeignet. iPaaS-Workflows sind jedoch statisch: Sie folgen vordefinierten Pfaden und können nicht dynamisch auf den Gesprächskontext eines AI Agents reagieren. MCP ist kein Ersatz für iPaaS, sondern ergänzt es — für die Echtzeit-Dialogfähigkeit, die ein Kundenservice-AI-Agent braucht.
Kurz: REST-APIs sind individuelle Schlüssel für jeden Raum. Webhooks sind Klingeln. iPaaS ist ein automatischer Türöffner für bekannte Besucher. MCP ist das Generalschlüsselsystem, das der AI Agent selbst in der Hand hält.
Was du bei der Einführung beachten musst
Eine MCP-Implementierung steht und fällt mit drei Entscheidungen, die vor dem Go-live getroffen werden müssen.
Hosting und DSGVO. MCP ist ein Protokoll, kein Hosting-Ort — aber wo die MCP-Server betrieben werden, ist datenschutzrechtlich entscheidend. Sobald ein AI Agent via MCP auf personenbezogene Kundendaten zugreift, gilt die DSGVO nach Art. 5 und Art. 28. Ein Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter ist Pflicht. Das BSI empfiehlt für sensible Branchen Hosting innerhalb der EU. Mehr zu den rechtlichen Anforderungen erklärt der Artikel Chatbots im Unternehmen DSGVO-konform einsetzen.
Berechtigungskonzept. MCP-Server können prinzipiell Lese- und Schreibzugriff auf angebundene Systeme gewähren. Im Kundenservice ist es sinnvoll, klar zu trennen: Welche Aktionen führt der AI Agent vollautomatisch aus (Agentic AI), und bei welchen schlägt er dem Mitarbeiter nur eine Aktion vor (Agent Assist)? Schreiboperationen wie Stornierungen oder Adressänderungen sollten im ersten Schritt manuell freigegeben werden — bis das System ausreichend Vertrauen aufgebaut hat.
Monitoring und Fallback. Jeder MCP-Server ist eine Abhängigkeit. Fällt ein System aus, muss der AI Agent das erkennen und transparent kommunizieren — „Ich kann deinen Bestellstatus gerade nicht abrufen, bitte versuche es in wenigen Minuten erneut" — statt eine Fehlerantwort zu halluzinieren. Plane Fallback-Verhalten und Monitoring für alle MCP-Verbindungen aktiv ein, nicht als Nachbesserung.
Fazit
MCP ist keine Zusatzfunktion, sondern die architektonische Grundlage dafür, dass ein AI Agent im Kundenservice operativ nützlich ist. Ohne kontrollierten Datenzugriff bleibt ein Sprachmodell ein Textgenerator — gut im Formulieren, blind gegenüber dem, was in deinen Systemen passiert. Mit einer sauberen MCP-Architektur, einem durchdachten Berechtigungskonzept und DSGVO-konformem Hosting wird MCP zum Rückgrat eines AI Agents, dem Kunden und Mitarbeitende gleichermaßen vertrauen können. Welche Möglichkeiten KI im Kundenservice darüber hinaus bietet, zeigt melibo auf der Plattform-Übersicht für AI Agents.
