MCP (Model Context Protocol): Definition und Nutzen im Recruiting

Was ist MCP?

Definition: Was bedeutet “Model Context Protocol (MCP)”?

Das Model Context Protocol (MCP) ist ein offener Standard, der KI-Assistenten wie Claude oder ChatGPT mit externen Datenquellen und Software verbindet. Statt für jede Verbindung eine eigene Schnittstelle zu bauen, definiert MCP einen einheitlichen Weg, über den eine KI Werkzeuge aufrufen und mit echten, aktuellen Daten arbeiten kann. Vorgestellt wurde der Standard im November 2024 von Anthropic.

MCP ist damit kein KI-Modell und keine App, sondern die Verbindungsschicht dazwischen. Die vollständige technische Spezifikation liegt bei modelcontextprotocol.io.

Welches Problem löst MCP?

KI-Modelle kennen nur ihre Trainingsdaten. Die Frage “Wie ist die Budgetsituation meiner Stellenanzeigen?” kann kein Modell der Welt beantworten, weil die Antwort in einem System steckt, auf das es keinen Zugriff hat.

MCP schließt genau diese Lücke. Die KI holt die echten Zahlen aus dem System, in dem sie liegen.

Wie funktioniert MCP?

MCP lässt sich mit drei Bausteinen erklären, ohne in die Protokolldetails einsteigen zu müssen.

KI-Client, zum Beispiel Claude oder ChatGPT
MCP-Server (oder auch MCP-Connector), der Übersetzer in der Mitte
Fachsystem, zum Beispiel eine Recruiting-Software

Am besten lässt sich das mit einem Dolmetscher vergleichen. Die KI und das Fachsystem sprechen unterschiedliche Sprachen. Der MCP-Server sitzt dazwischen, übersetzt die Frage der KI in einen Befehl, den das System versteht. Es holt die Antwort und übersetzt sie zurück. Für jedes angebundene System braucht es einen eigenen Dolmetscher, also einen eigenen MCP-Server.

In der Fachpresse wird oft eine andere Analogie genutzt, nämlich MCP als “USB-C für KI”. Also ein einheitlicher Anschluss statt vieler unterschiedlicher Kabel. Beide Bilder beschreiben denselben Kern, einen gemeinsamen Standard statt Einzellösungen pro Verbindung.

Der MCP-Server sagt der KI, welche Aufgaben sie ihm geben darf, zum Beispiel Daten abfragen oder eine Aktion auslösen. Im Recruiting-Kontext wäre das zum Beispiel “Zeig mir die Job-Performance” oder “Wie hoch ist das verbleibende Budget?”. Die KI sucht sich die passende Option selbst aus, schickt die Anfrage los und baut aus der Antwort einen normalen, verständlichen Satz.

Was bringt MCP im Recruiting und Personalmarketing?

Der eigentliche Hebel ist die flexible, schnelle Datenanalyse ohne Dashboard-Navigation. Mit einem MCP-Connector angebunden, könnt ihr der KI zum Beispiel folgende Fragen stellen:

“Welche meiner Stellen brauchen gerade Aufmerksamkeit?”
“Zeig mir die Stellen mit dem höchsten Wettbewerb im Markt.”
“Wie konvertieren meine Pflege-Stellen im Vergleich zum Vormonat?”
“Fass’ die Budgetsituation der Kampagne XY zusammen.”

Jede dieser Fragen bedeutet aktuell noch, dass man Dashboard öffnen, Filter setzen, exportieren und in Excel weiterrechnen muss. Genau das kostet Zeit, weil Recruiterinnen und Recruiter dabei mehr klicken als entscheiden. Mit MCP entfällt dieser Umweg, ihr stellt die Frage in normaler Sprache, die Antwort kommt direkt aus den Live-Daten des Systems. Schon die Anbindung eines einzelnen Systems spart auf diese Weise Zeit.

Richtig groß wird der Effekt, wenn mehrere im Unternehmen genutzte Anbieter jeweils einen eigenen MCP-Connector bereitstellen. Eine einzige Frage zieht dann Daten aus mehreren Plattformen gleichzeitig und bringt sie in die Form, die zu den eigenen Abläufen passt, statt die Ergebnisse mehrerer Tools händisch zusammenzuführen.

Praxisbeispiel: Jobspreader MCP

Wollmilchsau hat einen eigenen MCP-Connector für den Jobspreader entwickelt. Damit lassen sich Job-Status, Budgets, JQX-Qualitätssignale, Marktdaten, Synonyme und Conversion-Daten per Frage an Claude abrufen, ohne Umweg über das Dashboard.

Der JS-MCP-Connector ist derzeit in ausgewählten Kundenprojekten im Einsatz. Mehr zum Jobspreader selbst gibt es auf der Produktseite.

Sicherheit von MCP

MCP regelt Sicherheit nicht automatisch mit. Laut der offiziellen Spezifikation liegt die Verantwortung für eine sichere Umsetzung bei den Betreibern des jeweiligen MCP-Servers, das Protokoll erzwingt sie nicht von sich aus.

MCP liefert dafür Bausteine für sichere Verbindungen. Dazu gehören Tokens, zeitlich begrenzte Zugriffscodes, die belegen, dass eine Anfrage tatsächlich von einer berechtigten Person kommt, und geprüfte Nutzeridentitäten. Jede Anfrage ist an eine solche verifizierte Identität gebunden, ohne gültigen Token gibt es keine Daten. Zugangsdaten oder API-Schlüssel, also die dauerhaften Zugangscodes, mit denen sich Systeme sonst gegenseitig identifizieren, bekommt die KI dabei nie zu sehen.

Wie sicher das im Einzelfall ist, hängt trotzdem von der Umsetzung des jeweiligen MCP-Servers ab. Der Sicherheitsanbieter Wiz hat über 500 öffentlich erreichbare MCP-Server untersucht und dabei festgestellt, dass 38 Prozent davon ganz ohne Authentifizierung liefen. OAuth 2.1 ist bereits seit der Spezifikationsaktualisierung vom März 2025 der Authentifizierungsstandard für extern erreichbare MCP-Server. Die Überarbeitung vom November 2025 hat die Vorgaben zusätzlich verschärft. Unter anderem wurde das Sicherheitsverfahren PKCE verpflichtend, das Angriffe auf den Autorisierungsprozess erschwert.

Praktisch heißt das für euch, MCP-Connectoren nur von Anbietern zu nutzen, die Herkunft und Berechtigungen offenlegen. Im Zweifel fragt ihr am besten direkt nach, welche Daten ein Connector tatsächlich abrufen kann und welche nicht.

Wo liegen die Grenzen von MCP?

MCP ist ein junger Standard. Nicht jedes System hat heute einen eigenen MCP-Server, und eine KI mit Datenzugriff ist nur so gut wie die Daten und die Werkzeugbeschreibungen dahinter.

Wie schnell sich das Ökosystem trotzdem entwickelt, zeigt ein Schritt vom Dezember 2025: Anthropic hat MCP zusammen mit Block und OpenAI an die neu gegründete Agentic AI Foundation unter der Linux Foundation übergeben, unterstützt unter anderem von Google, Microsoft, AWS, Cloudflare und Bloomberg. Aus einem Anthropic-Projekt ist damit ein herstellerübergreifend verwalteter Standard geworden. Das ändert nichts an den genannten Grenzen im Alltag, ist aber ein Beleg dafür, dass MCP kein kurzlebiger Trend ist.

Häufig gestellte Fragen zu MCP

Was ist der Unterschied zwischen MCP und einer API? Eine API ist die grundlegende Schnittstelle, über die eine Software ihre Funktionen zugänglich macht. MCP baut eine zusätzliche Ebene darauf auf. Eine KI erkennt damit selbst, welches Werkzeug sie für eine Aufgabe braucht, statt einem starr vorprogrammierten Ablauf zu folgen.

Wer hat MCP entwickelt? Anthropic, angekündigt am 25. November 2024 als offener Standard.

Welche KI-Modelle unterstützen MCP? Claude unterstützt MCP nativ. Mittlerweile bauen auch andere Anbieter kompatible Clients, die Umsetzung unterscheidet sich je nach Anbieter.

Ist MCP sicher? MCP selbst erzwingt Sicherheit nicht automatisch, das liegt an der jeweiligen Serverumsetzung. Der Standard stellt dafür aber Bausteine wie zeitlich begrenzte Zugriffstokens und verifizierte Nutzeridentitäten bereit. Ohne gültigen Token gibt es keine Daten.

Was kostet die Nutzung von MCP? Die Nutzung des Protokolls selbst ist kostenlos. Wer als Nutzer oder Nutzerin einen MCP-Connector aus Claude heraus verwendet, zahlt die üblichen Tokenkosten für die Verarbeitung der Daten. Wer selbst einen MCP-Connector anbietet, trägt die Kosten für Betrieb und Pflege der technischen Infrastruktur dahinter.

Was bringt MCP im Recruiting konkret? Ihr könnt eure Recruiting-Daten direkt in normaler Sprache abfragen, ohne vorher ins Dashboard zu wechseln. Zum Beispiel bei Fragen zur Höhe des Budgets einer Stelle oder wie sie im Vergleich zum Wettbewerb abschneidet. Die KI holt die Antwort live aus dem angebundenen System, ihr müsst nichts exportieren oder in Excel weiterrechnen.

Fazit

MCP macht aus dem KI-Assistenten einen Analysten mit Zugriff auf die eigenen Recruiting-Daten. Statt Dashboards zu durchklicken, stellt ihr die Frage, die euch gerade interessiert, und bekommt die Antwort aus echten, aktuellen Zahlen. Der Standard ist noch jung, wächst aber schnell und wird inzwischen zum Beispiel auch von Google, Microsoft und AWS mitgetragen. Der Effekt verstärkt sich noch, sobald mehrere der eigenen Systeme über MCP angebunden sind. Aus einzelnen Datenabfragen wird dann eine plattformübergreifende Analyse aus einer Hand. Wie sich das im eigenen Jobspreader-Einsatz konkret umsetzen lässt, könnt ihr in einem persönlichen Beratungsgespräch klären.