Der nächste Wettbewerb im SaaS beginnt oberhalb von MCP

Das Model Context Protocol bietet KI eine einheitliche Möglichkeit, sich mit Unternehmenssoftware zu verbinden. Vrushali Paunikar, Chief Product Officer bei Carta, argumentiert, die größere Herausforderung bestehe darin, zu entscheiden, was nach dem Herstellen der Verbindung geschieht und wie viel der Arbeit dem Sprachmodell überlassen werden sollte.

Im vergangenen Jahr hat sich das Model Context Protocol von einem relativ unbekannten technischen Standard zu einem der wichtigsten Themen im Bereich Unternehmens-KI entwickelt.

MCP bietet KI-Anwendungen eine standardisierte Möglichkeit, sich mit externer Software zu verbinden, auf Daten zuzugreifen und Aktionen auszuführen. Statt dass jedes Softwareunternehmen für jedes KI-Modell eine maßgeschneiderte Schnittstelle entwickelt, stellt MCP eine gemeinsame Sprache bereit.

Man kann sich MCP wie eine Steckdose in der Wand vorstellen. Sie ist ein gemeinsamer Standard, an den jedes Gerät angeschlossen werden kann, um Strom zu beziehen. Das ist praktisch, weil der Standard offen ist und überall funktioniert. Eine Steckdose allein nützt einem jedoch nichts. Man braucht immer noch ein Gerät.

Ich vermute, dass wir eines Tages auf die aktuelle Begeisterung für MCP ähnlich zurückblicken werden wie auf den Aufstieg von APIs. Sie bildeten eine Grundlage und veränderten die Art und Weise, wie Software entwickelt wurde. Mit der Zeit wurde die Vernetzung jedoch zu einer selbstverständlichen Infrastruktur statt zum Produkt selbst.

Ein großer Teil der SaaS-Branche behandelt die KI-Anbindung derzeit, als wäre sie bereits ein fertiges Produkt. Man entwickelt einen MCP-Server, stellt die passenden Tools und Daten bereit und überlässt dem Modell den Rest.

Für manche Anwendungsfälle reicht das aus. Für viele Arbeitsabläufe in Unternehmen, insbesondere im Finanzbereich, reicht es nicht.

MCP setzt sich auf der Verbindungsebene durch

Die Standardisierung verändert bereits, wie KI-Anwendungen mit Software interagieren. MCP wird von immer mehr großen KI-Plattformen unterstützt. Dadurch wird es zunehmend realistisch, dass Nutzer unabhängig von der bevorzugten KI-Oberfläche mit denselben zugrunde liegenden Systemen arbeiten können.

Interoperabilität löst zwar das Zugriffsproblem, sagt dem Modell aber nicht, wie es die Aufgabe erledigen soll.

Ich beschäftige mich viel mit Software für Investoren an privaten Märkten und Finanzteams. Dabei wird dieser Unterschied besonders deutlich.

Erhält ein KI-System beispielsweise Zugriff auf die Performance- und Portfoliodaten eines privaten Fonds, gibt es möglicherweise mehrere Möglichkeiten, eine Frage zu beantworten, die zunächst einfach klingt.

Ein Ansatz könnte die passende Berechnung verwenden. Ein anderer könnte eine Abkürzung nehmen. Ein dritter könnte missverstehen, worum der Nutzer bittet.

Der Nutzer muss dann zugleich Analyst, Prompt-Engineer und Qualitätskontrolleur sein. Das ist nicht die reibungslose Erfahrung, die versprochen wurde.

Das Produkt braucht weiterhin eine eigene Einschätzung

Hier wird die nächste Ebene des Stacks interessant. Wenn MCP die Verbindungsebene bildet, liegen Plugins und Skills darüber und geben dem Agenten vor, wie er diese Verbindung für eine bestimmte Aufgabe nutzen soll.

Statt einem Modell einfach nur Daten und Funktionen bereitzustellen, können sie Anweisungen, Arbeitsabläufe, deterministische Berechnungen und Benutzeroberflächen dafür bündeln.

Manchmal bedeutet das, eine festgelegte Abfolge von Aktionen auszuführen. Manchmal heißt es, eine deterministische Berechnung oder ein Skript auszuführen, statt ein LLM die Antwort ermitteln zu lassen. In anderen Fällen kann das Ergebnis eine speziell für diesen Arbeitsablauf entwickelte Tabelle, ein Bericht oder eine kleine Anwendung sein.

Das Fachwissen steckt im Produkt, statt vollständig dem Modell überlassen zu werden.

Belege zeigen, dass die Kombination funktioniert. Google hat kürzlich getestet, wie ein KI-Agent zum Programmieren über MCP auf die technische Dokumentation zugreifen kann. Anschließend erhielt er zusätzliche, auf die jeweilige Aufgabe zugeschnittene Anweisungen dazu, wie er diese Informationen am besten nutzen sollte. Durch die Kombination aus Verbindung und Anweisungen wurde in Googles Evaluierung eine Erfolgsquote von 96,3 % erreicht. Zugleich kamen pro richtiger Antwort 63 % weniger Tokens zum Einsatz als beim standardmäßigen Prompting.

Für SaaS-Unternehmen verändert sich dadurch, worin die Differenzierung liegt. Wenn jede Anwendung Daten über denselben offenen Standard bereitstellen kann, wird der Zugriff selbst zu einem weniger wichtigen Unterscheidungsmerkmal. Wertvoller wird es, zu wissen, wie sich dieser Zugriff in zuverlässige Ergebnisse umsetzen lässt.

Nicht jede Aufgabe sollte dem Modell überlassen werden

Große Sprachmodelle sind probabilistische Systeme. Ihre Flexibilität, die sie beim Schreiben, Erkunden und Schlussfolgern nützlich macht, ist in Arbeitsabläufen weniger von Vorteil, in denen Genauigkeit und Wiederholbarkeit zählen. Der Finanzbereich ist ein gutes Beispiel: Wenn jemand erwartet, dass dieselbe Berechnung jedes Mal dasselbe Ergebnis liefert, wird die Abweichung schnell zum Problem.

Finanzsoftware hat sich jahrzehntelang in die entgegengesetzte Richtung entwickelt. Prüfpfade, Berechtigungen, standardisierte Berechnungen und wiederholbare Prozesse gibt es, weil Konsistenz wertvoll ist.

KI sollte diese Erkenntnisse nicht verwerfen. Die leistungsfähigsten KI-Produkte für Unternehmen werden wissen, wann sie ein Modell Schlussfolgerungen ziehen lassen und wann sie es einschränken sollten. Probabilistische Systeme sind sinnvoll, wenn Urteilsvermögen und Interpretation gefragt sind. Deterministische Tools eignen sich besser, wenn Präzision und Wiederholbarkeit erforderlich sind.

Dasselbe Prinzip gilt überall dort, wo falsche Antworten hohe Kosten verursachen.

Wohin sich die Differenzierung bei SaaS als Nächstes verlagert

Die Ebene, die oberhalb von MCP entsteht, ist noch längst nicht so klar umrissen wie MCP selbst.

Es haben sich unterschiedliche Ansätze für Plugins und Skills herausgebildet. Zugleich laufen bereits Bemühungen, sie zwischen KI-Plattformen portabler zu machen, statt sie an ein einzelnes Ökosystem zu binden.

SaaS-Unternehmen müssen Entscheidungen treffen, bevor sich alle Standards etabliert haben. Das mussten sie schon immer.

Die Alternative besteht darin, eine Schnittstelle bereitzustellen und es den Kunden zu überlassen, das Nutzungserlebnis selbst zusammenzustellen.

Bei KI könnte es ähnlich laufen. Einen Agenten mit Unternehmenssoftware zu verbinden, wird von Monat zu Monat einfacher. Der entscheidende Vorteil wird zunehmend darin liegen, was danach geschieht: in den Arbeitsabläufen, Kontrollmechanismen und dem Fachwissen, die dem Agenten vorgeben, wie er den Zugriff in ein verlässliches Ergebnis umsetzt.