DIgilife - stock.adobe.com
RAG und MCP als Gamechanger für Unternehmensprozesse
KI-Anwendungen liefern eine Antwort, doch die Umsetzung ins Tagesgeschäft hängt weiterhin am Menschen. Mit der Kombination aus RAG und MCP lässt sich diese Lücke schließen.
Large Language Models (LLMs) können in vielen Bereichen unterstützen, zum Beispiel als Chatbots für den Kundenservice oder als digitale Assistenten. Doch manchmal macht die KI absurde Fehler und fantasiert.
Um das Risiko für solche Halluzinationen zu minimieren, kommt Retrieval-Augmented Generation (RAG) ins Spiel: ein hybrides Framework, das das LLM mit anderen Wissensquellen verbindet. Dadurch ist die KI nicht länger auf ihre Trainingsdaten begrenzt, sondern kann auf aktuelle und kontextrelevante Informationen zugreifen.
Unternehmen haben mithilfe von RAG zum Beispiel die Möglichkeit, die KI mit eigenen Datenbeständen und Dokumenten zu unterfüttern, etwa Produkt- und Vertriebsinformationen oder Dokumentationen. Wenn ein Anwender eine Frage in die KI-Anwendung eingibt, durchsucht RAG zunächst die angebundene Wissensbasis nach relevanten Informationen und übergibt diese an das LLM. So erhält die KI zusätzlichen Kontext und generiert daraus präzisere, korrektere Antworten. Außerdem belegt sie ihre Aussagen mit Quellenangaben, die das Ergebnis nachvollziehbar und überprüfbar machen.
Die Grenzen von RAG
In Verbindung mit RAG liefern LLMs bessere, verlässlichere und geschäftsrelevantere Ergebnisse. Damit ist schon viel gewonnen, doch trotzdem bleibt noch eine Digitalisierungslücke: Anwender müssen die Ausgaben kopieren und manuell in andere Tools eingeben, um sie weiterzuverarbeiten. Denn ChatGPT, Claude, Gemini & Co. können zwar Content generieren, aber keine E-Mails versenden, Termine erstellen oder andere Aktionen ausführen.
Bisherige Ansätze, LLMs mit anderen Systemen zu automatisierten Workflows zu verbinden, sind aufwendig. Denn jedes Tool hat seine eigene Schnittstelle, die integriert werden muss. Je mehr Tools an einem Workflow beteiligt sind, desto komplexer wird das Projekt und desto schwieriger gestalten sich Wartung und Updates. Model Context Protocol (MCP) löst dieses Problem, indem es standardisierte Schnittstellen für die Kommunikation zwischen dem LLM und externen Tools, Datenquellen und Diensten bereitstellt. Das vereinfacht die Integration erheblich – in etwa so, wie USB-C die Verbindung verschiedener Geräte erleichtert.
Wie funktioniert MCP?
MCP wurde als offener Standard vom KI-Anbieter Anthropic entwickelt, der auch hinter dem LLM Claude steckt. In der Regel besteht eine MCP-Architektur aus drei Komponenten: Host, Server und Client. Hosts sind LLM-Anwendungen, die über MCP auf Daten zugreifen wollen. Dafür baut der auf dem Host installierte Client die Verbindung zum MCP-Server auf, der dann wiederum die Daten bereitstellt.
Ein MCP-Server wirkt wie ein Übersetzer: Er nimmt die spezifische Sprache eines Dienstes – zum Beispiel eine Datenbankabfrage oder eine Drittanbieter-API – und überträgt sie in das standardisierte MCP-Format. Dadurch können alle MCP-Clients diese Informationen einheitlich verstehen und verwenden. Die Kommunikation in beide Richtungen ist möglich: vom LLM zum Drittsystem und wieder zurück.
Wie MCP und RAG zusammenspielen
MCP und RAG sind zwei Technologien, die unterschiedliche Funktionen haben und sich gegenseitig ergänzen. Während RAG dazu dient, externe Informationen für das LLM bereitzustellen, versetzt MCP die KI in die Lage, mit externen Systemen zu interagieren. Jede ausgeführte Aktion wird dabei mitgeloggt, sodass sie sich jederzeit genau nachvollziehen lässt.
Im Zusammenspiel sind RAG und MCP besonders stark. So ermöglicht MCP zum Beispiel agentisches RAG: Das LLM kann Informationen direkt aus anderen Unternehmenssystemen, etwa dem ERP oder CRM abrufen, um daraus Content zu generieren. Anschließend kann MCP wiederum nachgelagerte Aktionen anstoßen, um Prozesse zu automatisieren.
In der Praxis sieht das zum Beispiel wie folgt aus: Ein Vertriebsmitarbeiter fragt per Chat-Oberfläche nach allen offenen Deals über 100.000 Euro im laufenden Quartal. RAG durchsucht die CRM-Datenbank und liefert eine präzise Übersicht mit den relevanten Kunden, Beträgen und Statusinformationen. MCP greift diese Ergebnisse direkt auf, erstellt Erinnerungen im Kalender oder löst eine E-Mail-Kampagne aus. Auch automatisierte Feedback-Loops sind möglich, die dazu dienen, das LLM weiter zu trainieren. MCP führt dann das Ergebnis einer Aktion zurück ins LLM, das daraus lernt und sich kontinuierlich verbessert.
Die Rolle der Vektorsuche in KI-Workflows
Für den Erfolg von RAG- und MCP-Projekten sind mehrere Voraussetzungen erforderlich. Eine Schlüsselrolle spielt die Vektorsuche: Sie ermöglicht dem RAG eine semantische Suche, bei der nicht nur exakte Wortübereinstimmungen erkannt werden, sondern auch inhaltliche Zusammenhänge. So liefert eine Anfrage nach Auto beispielsweise auch Ergebnisse zu Fahrzeug oder PKW.
„Gemeinsam markieren RAG und MCP einen Wendepunkt für den KI-Einsatz im Unternehmensumfeld. RAG liefert den gesicherten Business-Kontext, indem es Sprachmodelle mit unternehmenseigenen Daten anreichert. MCP übersetzt diese Antworten in konkrete Aktionen und Workflows – transparent, auditierbar und ohne Medienbrüche.“
Markus Klose, Elastic
Außerdem kann die Vektorsuche auch verschiedene Medientypen durchsuchen – ein entscheidender Vorteil gegenüber klassischer Textsuche, um RAG mit relevanten Kontextinformationen zu versorgen. Ebenso wichtig ist eine gute Datenhygiene und hohe Datenqualität. Nur so lässt sich sicherstellen, dass die KI auf korrekte, aktuelle Informationen zugreift. Auf Seiten von MCP spielen die MCP-Server eine zentrale Rolle. Für jedes angebundene Quellsystem – sei es ein ERP, ein CRM oder eine Datenbank – wird in der Regel ein eigener Server benötigt, der das jeweilige proprietäre Protokoll ins MCP-Format übersetzt. Diese Server können lokal oder in der Cloud betrieben und über ein zentrales Repository verwaltet werden. Viele Anbieter stellen bereits passende MCP-Server bereit, sodass sich ihre Tools und Services per Plug and Play einbinden lassen.
Wo automatisierte Workflows sinnvoll sind
Mit MCP können Unternehmen generative KI einfacher als je zuvor in automatisierte Workflows integrieren. Trotzdem ist der Mensch weiterhin mit seinem kritischen Sachverstand gefragt, denn es bleibt immer ein Restrisiko, dass die KI einmal Fehler macht. Eine vollständige Automatisierung ist daher vor allem für einfache, regelbasierte Routineaufgaben empfehlenswert. In sensiblen Bereichen hingegen, die rechtliche, ethische oder geschäftskritische Entscheidungen erfordern, muss immer der Mensch die Kontrolle behalten. In erster Linie dient die KI zur Informationsaufbereitung und Prozessunterstützung, sodass Mitarbeiter ihre Effizienz steigern können und mehr Freiraum für strategische und wertschöpfende Aufgaben gewinnen.
Fazit
Gemeinsam markieren RAG und MCP einen Wendepunkt für den KI-Einsatz im Unternehmensumfeld. RAG liefert den gesicherten Business-Kontext, indem es Sprachmodelle mit unternehmenseigenen Daten anreichert. MCP übersetzt diese Antworten in konkrete Aktionen und Workflows – transparent, auditierbar und ohne Medienbrüche.
In der Kombination entsteht ein geschlossener Kreislauf aus Information, Handlung und Feedback, der Prozesse spürbar beschleunigt und Mitarbeiter von Routinetätigkeiten entlastet. Genau diese Verbindung von Präzision und Automatisierung macht RAG und MCP zu einem echten Gamechanger für Unternehmensprozesse: Sie schaffen die Basis für effizientere Abläufe, mehr Entscheidungssicherheit und die konsequente Weiterentwicklung digitaler Geschäftsmodelle.
Über den Autor:
Markus Klose ist Director Solutions Architecture, EMEA Central bei Elastic.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
