MCP (Model Context Protocol)

Kompakt-Definition

Das Model Context Protocol (MCP) ist ein offener, ursprünglich von Anthropic initiierter Standard, der große Sprachmodelle (LLMs) über eine einheitliche Schnittstelle sicher mit externen Datenquellen, lokalen Systemen und APIs verbindet. Im SEO- und Daten-Alltag ermöglicht MCP unter anderem den direkten, strukturierten Zugriff von KI-Assistenten auf Daten aus der Google Search Console, BigQuery oder Crawling-Tools.

Lange Zeit arbeiteten Sprachmodelle im SEO-Alltag wie isolierte Inseln: Um Daten aus der Google Search Console, aus einem Screaming-Frog-Crawl oder aus BigQuery von einer KI analysieren zu lassen, mussten CSV-Dateien manuell exportiert und in das Chat-Fenster hochgeladen oder für jede Datenquelle eigene, fehleranfällige API-Integrationen programmiert werden. Das Model Context Protocol (MCP) beendet diesen Flickenteppich durch einen universellen Standard – vergleichbar mit einem „USB-C-Anschluss für KI-Systeme“.

Wie funktioniert die MCP-Architektur?

MCP arbeitet nach einem klaren Client-Server-Prinzip, das das Sprachmodell sauber von der eigentlichen Datenquelle entkoppelt:

  1. MCP Host / Client (die KI-Anwendung): Die Oberfläche oder Entwicklungsumgebung, in der du arbeitest (z. B. Claude Desktop, Cursor, IDEs oder Automatisierungs-Plattformen wie n8n).
  2. MCP Server (der Brückenkopf): Ein leichtgewichtiges Programm, das gezielt Fähigkeiten (Tools), Datenstrukturen (Resources) und Vorlagen (Prompts) eines bestimmten Dienstes bereitstellt – etwa ein GSC-MCP-Server oder ein BigQuery-MCP-Server.
  3. Externe Datenquelle / API: Das eigentliche Zielsystem (z. B. Google Search Console API, GA4, Datenbanken, CMS oder lokale Dateisysteme), aus dem der MCP Server bei Bedarf Live-Daten abruft oder Aktionen ausführt.

Manueller KI-Workflow vs. MCP-gestützte Automatisierung

KriteriumKlassischer Copy-Paste- / Einzel-API-AnsatzWorkflow mit Model Context Protocol (MCP)
DatenanbindungManueller CSV-Export oder individuelle Skripte pro ToolStandardisierte MCP-Server für GSC, BigQuery, CMS & Co.
Kontext-AktualitätStatischer Snapshot zum Zeitpunkt des ExportsLive-Abfrage aktueller Metriken direkt während des Dialogs
SkalierbarkeitBegrenzt durch Upload-Limits & manuelle SchritteKombinierbare Abfragen über mehrere Datenquellen hinweg
WartungsaufwandHoch (jede API-Änderung bricht eigene Skripte)Gering (einmal gebauter MCP-Server läuft in jedem MCP-Client)

Konkrete Anwendungsfälle für MCP im Technical SEO

Durch die Verknüpfung eines Sprachmodells mit spezialisierten MCP-Servern entstehen im operativen SEO völlig neue, interaktive Analyse- und Automatisierungs-Workflows:

  • Interaktive GSC- & Traffic-Diagnose: Statt unzählige Filter in der Search Console manuell zusammenzuklicken, fragst du deinen KI-Client direkt nach Verlierer-URLs, Kannibalisierungs-Clustern oder Kompositionseffekten – das LLM holt sich die Rohdaten selbstständig über den GSC-MCP-Server.
  • Technische On-Page- & Schema-Audits: Über Browser- oder Fetch-MCP-Server kann ein Modell Live-URLs abrufen, das gerenderte DOM sowie JSON-LD-Strukturen prüfen und direkt korrigierten Code ausgeben.
  • Content- & Retrievability-Abgleich: Ein KI-Agent zieht sich einerseits die rankenden Suchanfragen einer URL aus der GSC und prüft andererseits direkt im CMS-Entwurf, ob die entsprechenden Fragen im Text als sauber abrufbare Chunks für RAG-Systeme beantwortet werden.

Praxis-Tipp für den Einstieg: Gib einem LLM über MCP niemals ungebremsten Schreibzugriff auf produktive CMS-Datenbanken. Starte mit reinen Lese-Verbindungen (Read-Only) auf Analyse-Daten wie die Google Search Console oder BigQuery – dort spielt MCP seine größte Stärke bei der Mustererkennung und Zeitersparnis komplett risikofrei aus.

Weiterführende Deep-Dives & Tools auf burakowski.net

Weitere Begriffe in «LLMs & Automatisierung»

LLM-as-a-Judge (Automatisierte Content- & Qualitätsbewertung)

LLM-as-a-Judge bezeichnet ein Evaluationsverfahren in KI- und SEO-Pipelines, bei dem ein leistungsstarkes Sprachmodell (LLM) anhand eines präzisen Bewertungsrasters (Rubric) die inhaltliche Qualität, Faktentreue (Faithfulness) und strukturelle Relevanz von generierten Texten oder bestehenden Webseiten automatisiert überprüft. Im Gegensatz zu oberflächlichen Heuristiken (wie Wortanzahl oder Flesch-Index) ermöglicht LLM-as-a-Judge eine semantische Qualitätskontrolle im großen Maßstab – etwa vor dem Live-Gang von Programmatic-SEO-Seiten oder beim Content-Pruning-Audit tausender Bestands-URLs.

Programmatic SEO (pSEO) & Skalierte Datenseiten

Programmatic SEO (pSEO) ist eine datengetriebene Methode zur skalierten Erstellung hunderter oder tausender hochspezifischer Landingpages auf Basis einer strukturierten Datenbank und dynamischer Seiten-Templates. Ziel ist es, wiederkehrende Longtail-Suchmuster (Head Term + Modifikatoren wie „[Software A] Integration mit [Software B]“) systematisch abzudecken. Im Gegensatz zu abgestraftem Text-Spinning (Scaled Content Abuse) liefert erfolgreiches pSEO auf jeder einzelnen URL einzigartige Datensätze, Vergleichstabellen und echten Information Gain für Nutzer und KI-Suchsysteme.

Agentic Workflows & Tool Calling (SEO-Automatisierung mit n8n & Python)

Agentic Workflows (agentische Arbeitsabläufe) bezeichnen mehrstufige Automatisierungs-Architekturen (z. B. in n8n oder Python), in denen ein großes Sprachmodell (LLM) nicht nur passiv Text generiert, sondern über Tool Calling (Function Calling) selbstständig entscheidet, welche externen APIs, Datenbanken oder Skripte aufgerufen werden müssen, um ein komplexes Ziel zu erreichen. Im Technical SEO und GEO verbinden Agentic Workflows Echtzeit-Daten aus der Google Search Console, SERP-APIs und Web-Scrapern zu autonomen Analyse- und Optimierungs-Pipelines.