Model Context Protocol (MCP): Der neue Standard für die Integration von KI-Anwendungen in Medienhäusern

Genau an dieser Stelle kommt das Model Context Protocol (MCP) ins Spiel. MCP ist nicht die KI-Anwendung selbst, sondern eine Schnittstelle, durch die KI-Chatbots, RAG-Systeme und agentische Workflows kontrolliert auf Inhalte, Datenquellen, Systeme und Tools zugreifen können.

Was ist MCP – und was nicht?

MCP ist ein von Anthropic initiierter offener Standard, mit dem KI-Anwendungen kontrolliert auf externe Datenquellen, Inhalte, Tools und Funktionen zugreifen können. Vereinfacht gesagt beschreibt MCP, wie ein KI-System herausfindet, welche Fähigkeiten ein angebundenes System bereitstellt, wie diese aufgerufen werden und welche Ergebnisse zurückgegeben werden.

Für Medienhäuser wird das relevant, sobald KI-Chatbots, RAG-Anwendungen, interne Assistenzsysteme oder agentische Workflows mit Medienarchiven, Fachdatenbanken, Redaktionssystemen oder Analyse-Tools verbunden werden. Statt für jede Datenquelle, jedes Archiv, jedes Tool und jede KI-Oberfläche individuelle Integrationen zu entwickeln, lassen sich Funktionen und Datenzugriffe per MCP einheitlich beschreiben und bereitstellen.

Wichtig ist jedoch: MCP ersetzt weder bestehende API-Architekturen noch RAG. MCP ist keine Antwortlogik, kein Agent und kein Suchverfahren. Vielmehr regelt MCP den standardisierten Zugriff auf Datenquellen, Systeme, Tools und ausführbare Aktionen.

RAG: Relevante Inhalte als Grundlage für bessere KI-Antworten

Für eine präzisere Einordnung lohnt sich zunächst der Blick auf RAG. Retrieval-Augmented Generation sorgt dafür, dass KI-Anwendungen relevante Inhalte aus definierten Datenquellen abrufen und als Kontext für passgenaue Antworten nutzen können. Im Medienumfeld betrifft das etwa Archive, Artikel, Dossiers, Fachdatenbanken oder andere redaktionell geprüfte Inhalte. RAG beantwortet damit vor allem die Frage: „Welche Inhalte sind für diese Anfrage relevant?“

Agentische KI: Wenn Anwendungen autonom Schritte planen und ausführen

Agentische KI beschreibt KI-Anwendungen, die Fragen und Aufgaben nicht nur beantworten, sondern mehrstufig bearbeiten. Sie recherchieren Informationen, vergleichen Quellen, prüfen Ergebnisse, priorisieren Inhalte, rufen weitere Systeme oder Tools auf und können daraus Folgeaktionen ableiten. Agentische KI beantwortet damit vor allem die Frage: „Welche Schritte sind erforderlich, um die Frage sinnvoll zu beantworten?“

MCP: Standardisierte Schnittstelle für KI-Anwendungen

MCP beschreibt eine standardisierte Schnittstelle, durch die KI-Anwendungen kontrolliert auf externe Datenquellen, Tools und Funktionen zugreifen können. Dadurch lässt sich festlegen, welche Systeme angebunden werden, welche Aktionen erlaubt sind und wie Informationen sicher bereitgestellt werden. MCP beantwortet damit vor allem die Frage: „Wie kann eine KI-Anwendung sicher und standardisiert mit angebundenen Systemen interagieren?“

In produktiven Szenarien ergänzen sich diese Ansätze: RAG bringt relevante Inhalte in den Antwortkontext. Agentische KI organisiert mehrstufige Abläufe, Entscheidungen und Antworten. MCP schafft eine standardisierte Zugriffsschicht auf Datenquellen, Systeme und Tools.

Warum MCP für Medienhäuser relevant ist

Für Medienhäuser und Verlage geht es bei MCP nicht um einen weiteren Techniktrend. Es geht um Anschlussfähigkeit in einer Medienwelt, in der Inhalte zunehmend für KI-Oberflächen bereitgestellt werden.

Ein KI-Chatbot auf einer Nachrichtenseite kann bereits per RAG auf Artikelarchive zugreifen. Mit MCP lässt sich dieses Angebot erweitern: Neben redaktionellen Inhalten können beispielsweise auch Wissensdatenbanken, Metadaten, Themendossiers, Bildarchive, Veranstaltungsdaten, Wetter-, Verkehrs- oder Börsendaten sowie vergleichbare Datenquellen angebunden werden.

Der Nutzen von MCP liegt nicht darin, dass KI-Anwendungen dadurch automatisch bessere Antworten geben. Der eigentliche Mehrwert besteht darin, den Zugriff auf Daten, Inhalte und Funktionen kontrolliert zu strukturieren.

MCP legt fest, unter welchen Bedingungen eine KI-Anwendung auf externe Ressourcen zugreifen darf. Dazu gehören Fragen wie:

• Welche Quellen darf die KI nutzen?
• Welche Tools oder Systeme stehen ihr zur Verfügung?
• Welche Informationen oder Ergebnisse werden an die KI zurückgegeben?
• Welche Quellen müssen in der Antwort transparent angezeigt werden?
• Und welche Aktionen darf die KI-Anwendung auslösen?

Für Medienhäuser sind das zentrale Fragen. Denn journalistische und redaktionelle KI-Anwendungen brauchen nicht nur plausible Texte, sondern belastbare Quellen und nachvollziehbare Referenzen.

 

Unterschiedliche Ansätze der MCP-Integration

Medienhäuser können bei der Implementierung von MCP grundsätzlich zwei Ansätze verfolgen, die sich in Komplexität und Funktionsumfang unterscheiden: den Aufbau eigener MCP-Server zur kontrollierten Bereitstellung von Inhalten, Daten und Funktionen oder die Entwicklung flexibler MCP-Clients zur Orchestrierung unterschiedlicher Tools und Datenquellen.

MCP-Server: Inhalte und Funktionen bereitstellen

Ein MCP-Server macht verlagsinterne Inhalte, Datenbestände und Fachanwendungen für KI-Anwendungen zugänglich. Der Verlag agiert dabei als Anbieter und stellt ausgewählte Funktionen kontrolliert bereit.

Typische Anwendungsfälle sind strukturierte Archivsuchen, der Zugriff auf aktuelle Artikel, Themen-Dossiers, Metadaten-Abfragen, Bildrechte-Prüfungen oder verlagseigene Fachdatenbanken.

Der Vorteil: Medienhäuser behalten die Kontrolle darüber, welche Daten, Inhalte und Funktionen KI-Anwendungen nutzen dürfen. Eigene Inhalte können so flexibel in unterschiedliche interne oder externe KI-Oberflächen, Chatbots und Apps eingebunden werden.

Der Aufwand bleibt hierbei beherrschbar, wenn die Use Cases klar abgegrenzt sind – etwa ein einzelnes Archiv, ein spezifisches Themen-Dossier oder eine domänenspezifische Fachanwendung.

MCP-Client: Agentische Pipelines orchestrieren

Ein MCP-Client ist der Teil einer KI-Anwendung, der die Verbindung zu angebundenen MCP-Servern herstellt. Durch einen solchen Client kann die Anwendung auf Datenquellen, Inhalte, Funktionen und Tools zugreifen. Der Client sitzt also auf der Seite der KI-Anwendung – etwa in einem internen Recherche-Bot, einem redaktionellen Workspace oder einem KI-Assistenten. Er sorgt dafür, dass diese Anwendung kontrolliert und strukturiert mit den freigegebenen MCP-Servern kommunizieren kann.

Ein MCP-Client ist nicht unbedingt eine agentische Pipeline. Er schafft zunächst die technische Voraussetzung dafür, dass KI-Anwendungen verschiedene MCP-Server und deren Fähigkeiten nutzen können. Agentisch wird das KI-System erst dann, wenn die Anwendung eigenständig Zwischenschritte plant, passende Tools auswählt, Datenquellen abfragt, Ergebnisse bewertet und daraus weitere Aktionen ableitet. 

Typische Anwendungsfälle liegen vor allem in vielschichtigen redaktionellen Workflows. Eine KI-Anwendung fragt dann nicht nur einen Suchindex ab, sondern kann etwa Datenquellen validieren, aktuelle Termine abrufen, Rechteprüfungen anstoßen, Inhalte aus unterschiedlichen Systemen zusammenführen und die Ergebnisse strukturiert für mehrstufige Dialoge, Recherchen oder redaktionelle Arbeitsschritte aufbereiten. 

Der Vorteil: MCP-Clients ermöglichen deutlich komplexere KI-Anwendungen als reine Such- oder Antwortsysteme. Sie bilden die Grundlage für agentische Rechercheprozesse, automatisierte Faktenchecks, Personalisierung, Validierung und Workflows mit unterschiedlichen Rollen oder spezialisierten Agenten. 

Der Aufwand ist entsprechend höher. Eine agentische Pipeline erfordert eine intelligente Priorisierung der verfügbaren Tools, die Einbindung von Rollen- und Rechtemodellen sowie eine lückenlose Nachvollziehbarkeit der genutzten Datenquellen, Tool-Aufrufe und Ergebnisse. 

MCP für KI-Chatbots und interaktive Informationsangebote

Viele Medienhäuser entwickeln bereits KI-Chatbots, Q&A-Angebote und interaktive Informationsservices. Häufig bildet RAG dabei die Grundlage: Die KI durchsucht redaktionelle Inhalte, wählt relevante Quellen aus und erzeugt daraus Antworten mit Quellenbezug.

MCP erweitert diesen Ansatz. Durch einen standardisierte Zugriffslayer lassen sich zusätzliche Datenquellen, Fachsysteme und Tools anbinden. Dadurch müssen solche Anbindungen nicht mehr als proprietäre Einzellösungen umgesetzt werden.

Für Verlage entstehen so robustere Informationsangebote: Antworten basieren auf freigegebenen Quellen, Quellenanzeigen lassen sich systematisch steuern, und aktuelle Daten können gezielt in die Antwortlogik einbezogen werden. Maßgeblich sind dabei präzise, nachvollziehbare und belastbare Antworten auf Basis definierter Inhalte, aktueller Daten und transparenter Referenzen.

MCP und agentische Workflows

Agentische Workflows kommen zum Einsatz, wenn KI-Anwendungen nicht nur einzelne Antworten erzeugen, sondern ein Ziel in mehreren Schritten bearbeiten. MCP unterstützt solche Workflows, indem es den Zugriff auf freigegebene Datenquellen, Funktionen und Tools standardisiert und kontrollierbar macht. Dadurch können KI-Anwendungen strukturiert suchen, vergleichen, prüfen, aktualisieren, zusammenfassen, priorisieren oder Follow-up-Fragen bereitstellen.

Gerade für Medienhäuser ist das relevant: etwa bei redaktionellen Recherchen, Faktenchecks, personalisierten Briefings, der Aktualisierung bestehender Inhalte, automatisierten Content-Prozessen oder mehrstufigen Frage-Antwort-Dialogen. Ein Agent kann etwa zunächst ein internes Artikelarchiv durchsuchen, anschließend externe Daten prüfen, Quellen gewichten und daraus eine Antwort mit Referenzen und möglichen Anschlussfragen formulieren.

Wichtig ist dabei: Agentische Systeme brauchen klare Leitplanken. Sie dürfen nicht uneingeschränkt auf jedes Tool und jede Datenquelle zugreifen. Es sollte vorab definiert werden, welche Quellen zulässig sind, welche Daten Vorrang haben, welche Ergebnisse ggf. verworfen werden, wann Antworten auf „wackeligen Füßen“ stehen oder wann eine redaktionelle Freigabe erforderlich ist.

MCP schafft Transparenz und Kontrolle für  belastbare KI-Antworten

MCP ermöglicht es, Quellenzugriffe, Tool-Nutzung und Referenzlogiken standardisiert, transparent und nachvollziehbar zu steuern. Für Medienhäuser ist das ein zentraler Vorteil: Externe Datenquellen können strukturiert integriert, Tool-Ergebnisse dokumentiert und Antworten systematisch mit den zugrunde liegenden Quellen verknüpft werden. Das stärkt das Vertrauen der Nutzerschaft und unterstützt die redaktionelle Qualitätssicherung.

Besonders relevant ist dies bei sensiblen Themen, lokalen Informationen, Fachinhalten sowie in Bereichen wie Recht, Gesundheit, Finanzen oder Wahlen. Gerade hier müssen KI-Antworten auf belastbaren und überprüfbaren Quellen basieren, aktuelle Informationen berücksichtigen und fachliche Expertise einbeziehen.

Tool-Calls bleiben mit MCP redaktionell steuerbar

Mit MCP rückt nicht nur die Frage in den Vordergrund, auf welche Tools eine KI-Anwendung zugreifen darf. Ebenso wichtig ist, wie die Ergebnisse dieser Tools verarbeitet, gewichtet und in Antworten eingebunden werden.

Dabei stellen sich wichtige redaktionelle Fragen: Welche Quellen werden bevorzugt? Wie viele Treffer sollen berücksichtigt werden? Welche Rolle spielen Aktualität, Themenautorität, Paywalls, regionale Nähe oder redaktionelle Schwerpunkte? Wie werden externe Tool-Ergebnisse mit verlagseigenen Inhalten kombiniert? Und wie fließen solche Informationen in Antworten, Follow-up-Fragen oder längere Dialoge ein?

Diese Art der Steuerung entscheidet darüber, ob sich agentische KI im redaktionellen Umfeld belastbar einsetzen lässt. Für Medienmarken geht es dabei um mehr als technische Sicherheit, sondern auch um Tonalität, Nachvollziehbarkeit, Quellenhoheit und Nutzungserlebnisse, die zu eigenen Medienangeboten passen. MCP liefert dafür nicht automatisch die fertige redaktionelle Logik. Es schafft aber die technische Grundlage, um solche Vorgaben strukturiert, kontrollierbar und nachvollziehbar umzusetzen.

Wie ein konkreter Einstieg in MCP aussehen kann

Ein sinnvoller Einstieg in MCP beginnt nicht mit dem Aufbau einer großen Plattform, sondern mit einem klar abgegrenzten Use Case. Entscheidend ist zunächst die Frage, welche Anwendungen erweitert oder weiterentwickelt werden sollen – etwa ein interner Rechercheassistent, ein Chatbot für lokale Fragen, ein Fachinformationsangebot, ein Wahl- oder Themen-Dossier?

Darauf folgt die technische und redaktionelle Klärung:

• Welche Inhalte sind geeignet? Welche Quellen sind belastbar?
• Welche Rollen- und Rechtmodelle bestehen?
• Welche Tools darf die KI-Anwendung nutzen?
• Welche Ergebnisse müssen dokumentiert werden?
• Und welche Antwortlogik führt zu zuverlässigen, nachvollziehbaren Ergebnissen?

Erst auf dieser Grundlage sollte MCP auf den Weg gebracht werden. Die MCP-Implementierung sollte nicht einfach bestehende interne APIs spiegeln, sondern gezielt kuratierte Fähigkeiten bereitstellen – etwa Suchen, Quellenabrufe, Rechteprüfungen, Aktualitätschecks, Zugriffe auf Dossiers oder strukturierte Ausgabeformate.

In der Praxis beschäftigen sich viele Medienhäuser genau mit dieser Erweiterung bestehender RAG- und Agentenarchitekturen. Der Grund ist naheliegend: KI-Anwendungen erfordern nicht nur eine Textgenerierung, sondern kontrollierten Zugriff auf geprüfte Datenquellen, freigegebene Tools, Rechteinformationen und nachvollziehbare Ausspielungslogiken.

FastAPI und FastMCP als technische Bausteine

Bei Python-basierten Umsetzungen tauchen häufig zwei Begriffe auf: FastAPI und FastMCP. Beide spielen in einer MCP-Architektur meist eine tragende Rolle, erfüllen aber unterschiedliche Aufgaben.

FastAPI ist ein Web-Framework. Es wird typischerweise genutzt, um Backend-Services und HTTP-Schnittstellen zu entwickeln. In einer Verlagsarchitektur können darüber zum Beispiel Suchdienste, Content-Services, Rechteprüfungen, Analytics-Endpunkte oder interne Datenservices bereitgestellt werden.

FastMCP setzt an einer anderen Stelle an. Es ist darauf ausgerichtet, MCP-Server und MCP-Schnittstellen umzusetzen. FastMCP hilft also dabei, ausgewählte Werkzeuge, Ressourcen und Prompts so bereitzustellen, dass MCP-fähige KI-Anwendungen sie erkennen und kontrolliert nutzen können. Zugleich bietet FastMCP auch Client-Funktionen. KI-Anwendungen können damit Verbindungen zu MCP-Servern aufbauen und deren bereitgestellte Fähigkeiten integrieren.

Vereinfacht gesagt: FastAPI stellt bereits bestehende technische Dienste bereit. FastMCP macht ausgewählte Funktionen daraus für KI-Anwendungen durch MCP verfügbar. Beide Technologien sind komplementär auf unterschiedlichen Ebenen der MCP-Architektur.

MCP als Infrastruktur für eine KI-gestützte Medienwelt

Für Medienhäuser wird MCP dann relevant, wenn RAG-Anwendungen und agentische Workflows über einzelne Pilotprojekte hinauswachsen. RAG macht redaktionelle Inhalte auffindbar und dialogfähig. Agentische KI erweitert diese Grundlage zu mehrstufigen Assistenz- und Automatisierungsprozessen. MCP schafft den dafür notwendigen technischen Layer, durch den Inhalte, Datenquellen, Tools und Rechte kontrolliert in KI-Anwendungen eingebunden werden können. 

MCP ist dabei kein Wundermittel. Es ersetzt weder saubere Datenstrukturen noch geklärte Rechte, redaktionelle Qualitätssicherung oder eine tragfähige Produktstrategie. Der neue Standard adressiert jedoch ein konkretes Infrastrukturproblem: KI-Anwendungen benötigen einen verlässlichen, nachvollziehbaren und steuerbaren Weg, um mit internen und externen Quellen, Funktionen und Systemen zu arbeiten. 

Für Medienhäuser und Verlage kann MCP damit zu einer wichtigen Infrastrukturkomponente werden – nicht als Ersatz für Websites, Apps, Newsletter, SEO oder RAG, sondern als ergänzende Schicht für KI-Chatbots, interaktive Informationsangebote und agentische Workflows.

Du hast Fragen, Anmerkungen oder Feedback? Sprich uns an – wir melden uns gerne bei dir!