Das Model Context Protocol (MCP) wurde als elegante Lösung gefeiert, um große Sprachmodelle (LLMs) mit externen Tools wie GitHub, Linear, Notion oder Slack zu verbinden. Die Idee dahinter ist bestechend einfach: Eine standardisierte Schnittstelle, über die KI-Systeme auf Werkzeuge und Datenquellen zugreifen können, ohne dass Entwickler für jede Integration individuelle Lösungen bauen müssen. In der Praxis zeigt sich jedoch ein ernüchterndes Bild – zumindest laut einer detaillierten Analyse des Engineering-Teams von Quandri, das MCP auf dem eigenen Tech-Stack intensiv getestet hat.
Die drei Kernprobleme von MCP
Die Kritiker identifizieren vor allem drei gravierende Schwachstellen. Erstens der enorme Kontextverbrauch: MCP lädt die Schemata aller verfügbaren Tools in das Kontextfenster des Sprachmodells – und das bei jedem Aufruf. Da moderne LLMs wie Claude oder GPT-4 über begrenzte Kontextfenster verfügen, kann allein die Beschreibung der verfügbaren Werkzeuge einen erheblichen Teil des nutzbaren Speichers auffressen. Das hinterlässt weniger Raum für die eigentlichen Aufgaben und Daten.
Zweitens leidet MCP unter geringer Zuverlässigkeit. In realen Produktionsumgebungen häufen sich Fehler, Timeouts und unerwartetes Verhalten, was den Einsatz in geschäftskritischen Anwendungen riskant macht. Drittens stellt sich die Frage der Redundanz: Für viele Anwendungsfälle existieren mit klassischen CLI-Befehlen und REST-APIs bereits ausgereifte, gut verstandene und stabile Alternativen. MCP fügt hier eine zusätzliche Abstraktionsschicht hinzu, ohne in allen Szenarien einen klaren Mehrwert zu liefern.
Anthropic reagiert – aber löst das alle Probleme?
Interessanterweise hat Anthropic, das Unternehmen hinter dem KI-Assistenten Claude, bereits auf einen der zentralen Kritikpunkte reagiert. Mit der Einführung von Tool Search with Deferred Loading in Claude Code werden MCP-Tool-Schemata nicht mehr pauschal vorgeladen, sondern erst bei Bedarf abgerufen. Laut Anthropic reduziert dies den Kontextverbrauch um mehr als 85 Prozent – ein erheblicher Fortschritt.
Doch die Quandri-Ingenieure betonen, dass damit nur eines der Probleme adressiert wird. Die Schwierigkeiten beim Debugging, die architektonischen Kompromisse und die Performance-Einbußen bleiben bestehen. Wer MCP in komplexen, verschachtelten Tool-Chains einsetzt, stößt schnell an Grenzen, die sich nicht durch einen einzelnen Patch beheben lassen.
Einordnung: MCP im größeren KI-Ökosystem
Die Debatte um MCP ist symptomatisch für die aktuelle Reifephase des KI-Ökosystems. Viele Protokolle und Frameworks, die in Demo-Umgebungen glänzen, offenbaren unter Produktionslast erhebliche Schwächen. Für Entwicklerteams bedeutet das: Eine sorgfältige Evaluation ist unerlässlich, bevor MCP als zentrale Integrationsschicht eingesetzt wird. In vielen Fällen bleibt der direkte API-Aufruf oder ein gut gepflegtes CLI-Skript die robustere Wahl. MCP ist vielleicht nicht tot – aber es muss noch erheblich reifen, um seinen Versprechen gerecht zu werden.
Quellen: Hacker News