Was hinter der KI-Blackbox steckt: Einblick in LLMs und MCP

Ein Blick hinter die KI‑Blackbox

Viele nutzen ChatGPT, Claude oder ähnliche Systeme inzwischen regelmäßig. Trotzdem bleibt für viele eine zentrale Frage offen: Was passiert eigentlich hinter der Oberfläche?

Beim nächsten AI After Work im KI‑Stadel (Do., 19.2. ab 18 Uhr) öffnen wir genau diese Blackbox ein Stück weiter. Statt nur über KI zu sprechen, zeigen wir konkret, wie aktuelle KI‑Technologien funktionieren und was sie in der Praxis leisten können.

Von Textgeneratoren zu handelnden Systemen

Die meisten verbinden Large Language Models (LLMs) noch immer vor allem mit Texten: E‑Mails schreiben, Zusammenfassungen erstellen oder Ideen generieren.

Tatsächlich entwickelt sich die Technik gerade deutlich weiter. Moderne LLM‑Anwendungen können nicht nur Inhalte erzeugen, sondern auch Aktionen auslösen. Sie greifen auf Tools zu, arbeiten mit Software zusammen oder steuern automatisierte Abläufe.

Eine wichtige Grundlage dafür ist das Model Context Protocol (MCP).
Dabei handelt es sich um eine standardisierte Schnittstelle, über die LLMs strukturiert mit externen Systemen kommunizieren können. Statt nur Antworten zu formulieren, kann das Modell beispielsweise:

• Programme auf einem Rechner ansprechen
• Daten aus Tools abrufen
• definierte Aktionen ausführen
• mit anderen KI‑Agenten zusammenarbeiten

Das Ganze passiert kontrolliert und innerhalb klar definierter Regeln.

Das Model Context Protocol (MCP) ist ein von Anthropic im November 2024 eingeführter offener Standard und ein Open-Source-Framework, das eine universelle Schnittstelle für die Verbindung von KI-Anwendungen mit externen Datenquellen, Werkzeugen und Systemen schafft. Es fungiert ähnlich wie ein USB-C-Anschluss für KI-Systeme, indem es die Art und Weise standardisiert, wie KI-Modelle auf Informationen aus Repositories, Datenbanken oder Entwicklungsumgebungen zugreifen und mit diesen interagieren.

Praxisbeispiele aus dem KI‑Stadel

Beim AI After Work zeigt Daniel Stiller zwei konkrete Beispiele aus der Praxis.

Dabei wird demonstriert, wie LLMs wie Claude oder ChatGPT über MCP tatsächlich PCs oder KI‑Agenten steuern können. Das Modell formuliert also nicht nur Vorschläge, sondern führt Aufgaben über angebundene Systeme direkt aus.

Solche Ansätze bilden die Grundlage für viele aktuelle Entwicklungen rund um KI‑Agenten und automatisierte Workflows. Gerade in Unternehmen entstehen dadurch neue Möglichkeiten, wiederkehrende Aufgaben teilweise oder vollständig zu automatisieren.

Und ganz nebenbei zeigt ein kleines Beispiel aus der generativen KI auch ihre Grenzen: Systeme wie ChatGPT machen weiterhin Fehler – häufig bei scheinbar einfachen Dingen wie einzelnen Wörtern oder Details. Wer genau hinschaut, findet sie.

Was das für KMU bedeutet

Für kleine und mittlere Unternehmen wird KI damit zunehmend mehr als nur ein Schreibwerkzeug.

Interessant sind vor allem drei Einsatzfelder:

• Automatisierung von Routineaufgaben: KI kann Daten aus verschiedenen Tools abrufen, prüfen und weiterverarbeiten.
• Assistenz für Mitarbeitende: Systeme können Informationen aus internen Quellen zusammenführen und konkrete Handlungsschritte vorschlagen.
• Integration vorhandener Software: Über standardisierte Schnittstellen wie MCP lassen sich bestehende Systeme einbinden, ohne alles neu aufzubauen.

Der praktische Einstieg beginnt meist klein: einzelne Prozesse identifizieren, Tools anbinden und Erfahrungen sammeln. Entscheidend ist dabei, die Technik zu verstehen – nicht nur zu nutzen.

Fazit

Generative KI entwickelt sich gerade von reinen Textsystemen hin zu Systemen, die aktiv handeln können. Schnittstellen wie MCP spielen dabei eine zentrale Rolle, weil sie die Verbindung zwischen KI‑Modell und realen Anwendungen schaffen.

Genau deshalb lohnt sich der Blick hinter die Oberfläche. Wer versteht, wie diese Systeme funktionieren, erkennt schneller, wo sie sinnvoll eingesetzt werden können – und wo nicht.

Darüber sprechen wir beim nächsten AI After Work im KI‑Stadel.