Künstliche Intelligenz hat ein Anschlussproblem

Warum die meisten Mittelstands-KI-Projekte unter ihrem Versprechen bleiben, und wie der nächste Schritt aussieht

Wer in den letzten zwei Jahren ChatGPT, Microsoft Copilot oder eines der vergleichbaren Werkzeuge im eigenen Unternehmen ausgerollt hat, kennt das Bild. Die ersten Wochen sind voller Begeisterung. Texte fließen leichter, Mails werden schneller, Recherchen dauern nicht mehr eine Stunde, sondern fünf Minuten. Und nach drei Monaten taucht eine Frage auf, die selten offen gestellt wird: Warum stellen sich die Produktivitätsgewinne, die in den Studien stehen, im eigenen Haus nicht so deutlich ein?

McKinsey hat im November 2025 Zahlen dazu veröffentlicht. 79 Prozent der befragten Unternehmen nutzen generative KI inzwischen produktiv. Nur 39 Prozent berichten von messbaren Effekten auf das Betriebsergebnis, die meisten davon unter fünf Prozent. Eine Lücke, die sich nicht damit erklären lässt, dass die Modelle zu schwach wären. Sie sind in den letzten anderthalb Jahren spürbar besser geworden.

Aus 18 Monaten Praxis können wir sagen: Die zentrale Erklärung liegt an einer Stelle, über die in den Strategiepapieren wenig steht. Die KI hat in den meisten Häusern keinen Zugang zu den Systemen, in denen die eigentliche Arbeit stattfindet. ChatGPT kennt Goethe, aber nicht deinen Auftragsbestand. Claude kennt Quantenphysik, aber nicht die offenen Posten in deiner Buchhaltung. Solange diese Lücke besteht, bleibt die KI ein gut belesenes Werkzeug für Texte. Aber kein Kollege, der mitdenkt.

Genau diese Lücke schließt seit Ende 2024 ein offener Standard: das Model Context Protocol, kurz MCP. Was er ist, wer schon dran ist und welcher Weg für dich der richtige ist: darum geht es hier.

Wie das in der Praxis aussieht

Wenn die Brücke zwischen KI und Geschäftssystem steht, sieht der Alltag anders aus.

Der Vertriebsleiter fragt am Montagmorgen: „Welche Angebote sind seit drei Wochen offen, ohne dass jemand nachgefasst hat?” Antwort in zehn Sekunden, mit Vorschlag für die nächsten Schritte. Statt einer Stunde Filter-Akrobatik im CRM.

Die Geschäftsführerin lässt sich das Vorquartal gegen das aktuelle vergleichen. Die KI zieht die Zahlen aus dem ERP, baut die Übersicht und denkt sogar mit, welche Trends erklärungsbedürftig sind. Kein Controller-Termin nötig.

Die Buchhaltung fragt: „Hat Müller GmbH die letzte Rechnung bezahlt?” Und bekommt nicht nur die Antwort, sondern gleich den Mahnvorschlag, falls fällig. Zur Durchsicht, nicht zur Eingabe.

Das alles ging vorher technisch auch, mit drei Tabs, fünf Klicks und einem schlechten Excel-Export. Was sich ändert, ist der Zugriff. Und der Zugriff entsteht nur, wenn die Brücke zwischen KI und System steht. Wir bei kapio haben solche Szenarien in den letzten Monaten in mehreren mittelständischen Häusern produktiv aufgesetzt, vom Maschinenbau bis zur Agentur.

Wie es so weit gekommen ist

MCP wurde Ende 2024 von Anthropic veröffentlicht, dem Unternehmen hinter dem Sprachmodell Claude. Eine Art Stecker-Norm dafür, wie KI-Modelle mit externen Werkzeugen sprechen. OpenAI, Google und Microsoft zogen im Lauf von 2025 nach. Heute liegt der Standard bei der Linux Foundation, also genau dort, wo auch die Spielregeln des Internets liegen.

Was MCP technisch macht, ist schnell erzählt. Wer einmal einen Server für sein eigenes System baut, etwa fürs CRM oder die Buchhaltung, kann diesen an jeden kompatiblen KI-Client anschließen: an Claude, an ChatGPT, an Cursor, an Microsoft Copilot, an Gemini. Einmal bauen, überall nutzen. Wie ein USB-C-Anschluss, nur für KI-Agenten.

Der Punkt ist nicht, dass MCP eine besonders elegante technische Lösung wäre. Der Punkt ist, dass es die Lösung ist, auf die sich der Markt geeinigt hat. Wer 2026 ein neues CRM oder ERP einkauft, sollte fragen: Spricht das System MCP? In zwei Jahren wird das eine Standardfrage sein, ähnlich wie heute die nach einer offenen Schnittstelle.

Wer schon dabei ist, wer noch nicht, und was das für dich bedeutet

Die Anbieter-Landschaft hat sich in zwei Klassen sortiert: Office- und CRM-Anbieter wie Microsoft 365, Salesforce, HubSpot, Notion oder Slack liefern offizielle MCP-Server. ERP- und FiBu-Anbieter mit DACH-Schwerpunkt — DATEV, Lexware, Sage, SAP Business One, proAlpha — bislang nicht.

Genau in den Systemen, in denen im Mittelstand die wichtigsten Daten liegen (Auftragsbestand, OP-Listen, Kundenstammdaten, Lagerbewegungen, Buchungen), gibt es derzeit keine offizielle KI-Brücke. Wir glauben, das wird sich in den nächsten 18 Monaten verschieben. Aber nicht so schnell, dass es sich lohnt, darauf zu warten.

Die gute Nachricht: Wenn dein System in der „Nein”-Spalte steht, heißt das nicht „geht nicht”. Es heißt: Du brauchst jemanden, der die Brücke baut. Und das ist nicht zwangsläufig ein Notbehelf. Im Gegenteil. Eine eigene Brücke, die zu deinen Workflows passt, ist in vielen Fällen die bessere Lösung als ein generischer Anbieter-MCP, der für die ganze Welt gedacht ist und für niemanden so richtig.

SAP hat in der Roadmap 2026 angekündigt, dass die MCP-Unterstützung für Business One über das Partnernetzwerk kommen soll. Das ist eine bewusste Entscheidung, und gleichzeitig ein realistischer Hinweis darauf, dass es bei den großen ERP-Anbietern Zeit braucht. Wer darauf wartet, dass der eigene ERP-Hersteller eine fertige Lösung liefert, sollte sich auf mehrere Quartale einstellen.

Vier Wege, und welcher zu dir passt

Es gibt vier praktikable Wege, ein Tool ohne offiziellen MCP an einen KI-Agenten anzubinden. Sortiert nach Aufwand und Wirkung:

Aggregator-Plattformen: der schnelle Einstieg

Zapier MCP, Pipedream oder Microsoft Copilot Studio sind in Stunden eingerichtet und decken viele Standardaktionen ab. Der Einstieg ist günstig, kleine Pakete starten bei rund 20 Euro im Monat. Bei aktiver Nutzung mit mehreren Mitarbeitern wird daraus aber schnell ein dreistelliger Monatsbetrag, weil die Tarife pro Tool-Call abrechnen. Datenschutzseitig ist der Aggregator eine zusätzliche Station in der Datenkette: Ein US-Anbieter wie Zapier sieht jede Anfrage, die zwischen deiner KI und deinem CRM, deiner Buchhaltung oder deinen Kundenstammdaten fließt. Kein Showstopper, weil die großen Aggregatoren ihre DSGVO-Unterlagen sauber haben, aber ein zusätzlicher Verarbeiter, der in deiner Datenschutz-Dokumentation mitläuft. Geeignet für Lese- und einfache Schreibaufgaben, ideal als Übergangslösung oder zum Ausprobieren. Bei sensiblen Schreiboperationen wie Buchhaltung, Werbebudget oder Vertragswesen lohnt es sich, den nächsten Schritt mitzudenken.

Datenbridges: wenn vor allem Reporting im Vordergrund steht

Anbieter wie CData übersetzen Datenquellen in eine relationale Schicht. Stark fürs Reporting und für Auswertungen, weniger geeignet für mehrstufige Geschäftsprozesse mit Schreibvorgängen. Auch hier kommt ein zusätzlicher Verarbeiter ins Spiel.

Community-MCPs: nur mit Vorsicht

Auf GitHub gibt es zu vielen Tools Community-Implementierungen. Das ist wie Open-Source aus zweiter Hand: Manche Server stammen von einer einzigen Person ohne dauerhafte Pflege, und die Sicherheits-Bilanz ist gemischt. Wer das einsetzt, sollte den Server forken, einfrieren und im eigenen Haus prüfen. Nicht ohne IT-Begleitung.

Der eigene MCP-Server: deine Werkzeuge, deine Regeln, deine Workflows

Der aufwändigste Weg in der Anschaffung, und gleichzeitig der, den die meisten Mittelständler nach zwei Jahren Erfahrung mit den anderen drei Wegen ohnehin gehen. Der Grund liegt im Unterschied zwischen API und Workflow. Ein generischer Marketplace-MCP exponiert die rohe Schnittstelle eines Anbieters: jedes Feld, jede Operation, jede Eigenheit der API. Ein eigener MCP-Server modelliert nicht die API, sondern deine Geschäftsprozesse. Wenn die KI ein Angebot auf Basis eines Deals erstellen, das passende PDF generieren und im richtigen Kunden-Ordner ablegen soll, ist das in einem zusammengewürfelten Setup eine Kette aus zehn Tool-Calls. Jeder eine Fehlerquelle. In einem eigenen Setup ist es einer, der trifft.

Hinzu kommt das, was in keiner Marketing-Folie steht: Ein Server, ein Wartungspunkt, ein Audit-Trail. Statt fünf bei fünf verschiedenen Anbietern, jeder mit eigenen Update-Zyklen, eigenen Tool-Namen, eigenen Rate-Limits. Wenn ein Anbieter morgen sein Pricing ändert oder ein Tool deprecaten will, betrifft das bei einer Marketplace-Architektur deinen Tagesbetrieb. Bei einem eigenen MCP entscheidest du, welche Werkzeuge die KI bekommt, wie sie heißen, was sie dürfen. Und wer sie wann ändert.

Die meisten Mittelständler bauen das nicht selbst, sondern lassen es von Partnern bauen, die mit der Architektur Erfahrung haben. Bei uns selbst läuft das seit Monaten produktiv. In der gleichen Zeit haben wir mehrere Mittelständler-Setups aufgebaut, vom Maschinenbau bis zur Agentur. Aus dieser Erfahrung heraus: Der Aufwand amortisiert sich deutlich schneller, als die Kalkulation zunächst vermuten lässt. Auch weil ein eigener Server, der zu den Workflows passt, in der Belegschaft tatsächlich genutzt wird.

Welcher der vier Wege der richtige ist, hängt von drei Fragen ab: Wie sensibel sind die Daten? Schreibt die KI nur, oder verändert sie auch etwas? Wie tief soll der Use-Case in die Geschäftsprozesse hineinreichen? Aus unserer Sicht: Wer KI ernsthaft in Geschäftssysteme integriert, landet beim Eigenbau. Nicht aus Pflicht, sondern weil er das KI-Erlebnis liefert, das ursprünglich versprochen wurde.

Recht und Sicherheit, kürzer als befürchtet

Datenschutz-Verantwortliche werden bei diesem Thema schnell hellhörig. Zu Recht. Die gute Nachricht: In den letzten zwölf Monaten hat sich vieles geklärt.

EU-Datenresidenz ist verfügbar. Claude läuft über AWS Bedrock in Frankfurt mit europäischer Inferenz, OpenAI bietet seit Februar 2025 europäische Datenresidenz für Enterprise-Kunden, Microsoft hat seine EU Data Boundary abgeschlossen. Auftragsverarbeitungsverträge mit EU-Standardvertragsklauseln sind bei den großen Anbietern Standard, kein Sonderfall mehr. Der EU AI Act greift mit den scharfen Pflichten erst am 2. August 2026. Die meisten internen Mittelstands-Anwendungen fallen in die Kategorien „begrenztes” oder „minimales Risiko”. Die Anforderungen, sofern überhaupt welche anfallen, sind überschaubar: Mitarbeiter informieren, KI-generierte Inhalte kennzeichnen.

Wo Aufmerksamkeit nötig bleibt: KI in produktiven Systemen verhält sich wie jedes andere Backend. Sie braucht Sicherheit. Berechtigungen pro Werkzeug, Trennung von Lese- und Schreibrechten, Audit-Trail, regelmäßiger Review. Wer einen Anbieter wählt, fragt am besten konkret nach diesen vier Punkten. Die Antworten zeigen, wie ernst das Thema dort genommen wird.

Praktisch heißt das: Die rechtliche Lage spricht nicht gegen den Einsatz von KI. Sie spricht dafür, das Setup mit der nötigen Sorgfalt aufzubauen, was bei produktiven Systemen ohnehin selbstverständlich ist.

Drei Schritte, die sich jetzt lohnen

Der erste Schritt ist erfreulich klein. Such dir einen Use-Case, der heute Schmerzen verursacht: die Forecast-Pflege, das Mahnwesen, das Reporting für die nächste GF-Sitzung. Setz dich 30 Minuten mit jemandem zusammen, der die Architektur kennt, und lass dir zeigen, was an deinem Stack realistisch in vier bis sechs Wochen möglich ist. Erfahrungsgemäß ist das, was nach „IT-Großprojekt” klingt, häufig angemessen kleines Handwerk.

Der zweite Schritt ist Inventur. Welche Tools im Haus sprechen schon mit welcher KI? Wer in der Belegschaft nutzt private Accounts? Welche der eigenen Geschäftssysteme haben einen offiziellen MCP, welche noch nicht?

Der dritte Schritt ist die Architekturentscheidung. Pro System, nicht pro Stack. Hat ein Tool offiziellen MCP, wird er konfiguriert. Hat es keinen und ist der Use-Case einfach, kann ein Aggregator als Übergang sinnvoll sein. Hat es keinen und ist der Use-Case mehrstufig oder schreibend, ist der Eigenbau die langfristig stabilere Antwort.

Diese erste 30-Minuten-Einordnung bieten wir bei kapio kostenfrei an. Nicht aus Marketing, sondern weil wir glauben, dass die Marktphase Orientierung braucht. Wenn daraus ein Projekt wird, freuen wir uns. Wenn nicht, hast du eine fundierte Einordnung mehr im Kopf.