KI-Skills, Plugins, Apps und MCP: Was ist eigentlich der Unterschied?

Skills, Plugins, Apps und MCP tauchen inzwischen überall auf, sobald es um ChatGPT, Codex, Claude oder KI-Agenten geht. Doch die Begriffe beschreiben keineswegs dasselbe.

Ein Skill kann einer KI beispielsweise erklären, wie sie eine bestimmte Aufgabe erledigen soll. Eine App kann ihr dagegen Zugriff auf ein externes System geben. Ein Plugin kann mehrere solcher Funktionen zu einem kompletten Workflow bündeln. Und MCP wiederum definiert eine technische Schnittstelle, über die KI-Systeme mit Werkzeugen und Datenquellen kommunizieren können.

Die Verwirrung ist verständlich. Selbst die Bezeichnungen innerhalb der großen KI-Plattformen haben sich in kurzer Zeit mehrfach verändert.

Besonders interessant ist die Entwicklung bei OpenAI: Seit dem 9. Juli 2026 ist dort das Plugin-Verzeichnis der zentrale Ort für Workflow-Erweiterungen in ChatGPT und Codex. Ein Plugin kann Skills, Apps und App-Vorlagen enthalten. Eine App bleibt dagegen die eigentliche Integration zu externen Daten, Konten oder Aktionen. Mehr zur praktischen Installation findest du in ChatGPT-Plugins installieren und nutzen (Zum Artikel).

Zeit also, die Begriffe einmal sauber auseinanderzunehmen.

Die Kurzfassung: Skill, App, Plugin und MCP in einem Satz

Wer sich nur vier Dinge merken möchte, kann die Begriffe zunächst so betrachten:

Begriff	Vereinfacht gesagt
Skill	Eine Arbeitsanweisung für die KI
App	Eine Verbindung zu Daten oder einem externen Dienst
Plugin	Ein fertiges Paket für einen bestimmten Workflow
MCP	Ein standardisiertes Protokoll zwischen KI und externen Werkzeugen

Das Entscheidende dabei: Diese Technologien schließen sich nicht gegenseitig aus.

Ein Plugin kann beispielsweise einen Skill und eine App enthalten. Die App wiederum kann technisch über MCP mit einem Unternehmenssystem kommunizieren.

Genau deshalb sieht ein moderner KI-Workflow häufig eher so aus:

Plugin → Skill → App → MCP → externes System

Das ist keine zwingende technische Reihenfolge, macht das Zusammenspiel aber anschaulich.

Was ist ein KI-Skill?

Ein Skill beschreibt in erster Linie, wie eine KI eine bestimmte Aufgabe erledigen soll. Man könnte ihn mit einer standardisierten Arbeitsanweisung für einen Mitarbeiter vergleichen.

Statt einem KI-Modell bei jeder Anfrage erneut erklären zu müssen, welche Schritte erforderlich sind, kann dieses Wissen in einem wiederverwendbaren Skill hinterlegt werden.

OpenAI beschreibt Skills 2026 als wiederverwendbare und teilbare Workflows, die ChatGPT dabei helfen, bestimmte Aufgaben konsistenter auszuführen. Ein Skill kann dabei nicht nur Anweisungen, sondern auch Beispiele, unterstützende Ressourcen, Skripte und Code enthalten.

Ein Skill könnte beispielsweise festlegen, wie eine KI einen Linux-Server analysieren soll: zuerst Betriebssystem und Kernel feststellen, danach laufende Dienste prüfen, anschließend auffällige Logs analysieren und erst danach konkrete Änderungsvorschläge machen.

Die KI bekommt dadurch keinen automatischen Zugriff auf den Server. Sie weiß zunächst lediglich besser, wie die Aufgabe erledigt werden soll. Das ist der wesentliche Unterschied zu Apps und MCP.

Beispiel: Ein Skill für den IT-Support

Stellen wir uns einen Helpdesk vor. Ein Unternehmen könnte einen Skill erstellen, der ChatGPT vorgibt, Supportanfragen immer nach demselben Schema zu bearbeiten: Problem erkennen, Dringlichkeit bewerten, mögliche Ursache bestimmen, Rückfragen formulieren, Lösungsvorschläge erstellen und anschließend eine kurze Dokumentation für das Ticketsystem vorbereiten.

Der Skill enthält das Vorgehen. Er benötigt nicht zwingend Zugriff auf irgendein externes System. Ein Skill definiert also hauptsächlich Verhalten und Methodik. Wie du eigene Skills ganz ohne Programmierkenntnisse selbst zusammenstellst, zeigt KI-Skills erstellen ohne Programmieren (Zum Artikel).

Was ist eine KI-App?

Eine App bringt externe Daten, Funktionen oder Dienste in die KI-Umgebung. Das kann beispielsweise eine Verbindung zu Google Drive, Slack oder einem anderen Unternehmenssystem sein.

OpenAI definiert Apps aktuell genau in diesem Sinn: Sie verbinden ChatGPT mit externen Tools, Informationen und Aktionen. Je nach App können Informationen gesucht, Inhalte als Quellen verwendet oder unterstützte Aktionen in einem verbundenen Dienst ausgeführt werden.

Damit verändert sich die Situation grundlegend. Ein Skill könnte ChatGPT zwar erklären: „Suche zuerst nach der aktuellen Projektdokumentation.“ Ohne Verbindung zu einem Dokumentensystem weiß ChatGPT aber möglicherweise nicht, wo sich diese Dokumentation befindet. Eine App kann diese Verbindung herstellen. Ein konkretes Beispiel für eine solche Anbindung zeigt ChatGPT mit Gmail, Kalender und Drive verbinden (Zum Artikel).

Damit könnte die KI beispielsweise Dokumente suchen, Nachrichten abrufen oder – abhängig von den freigegebenen Funktionen – Daten in einem verbundenen System verändern.

Apps bringen Berechtigungen ins Spiel

Damit kommt ein entscheidendes Thema hinzu: Authentifizierung und Rechte. Sobald eine KI auf reale Unternehmensdaten zugreifen oder Aktionen durchführen darf, stellt sich nicht mehr nur die Frage, was sie kann. Es muss ebenfalls geklärt werden, was sie dürfen soll.

Eine App für ein Ticketsystem könnte beispielsweise ausschließlich Tickets lesen dürfen. Eine andere Konfiguration erlaubt vielleicht zusätzlich: Tickets anzulegen, Kommentare zu schreiben, Prioritäten zu verändern oder Tickets zu schließen. Damit wird das Berechtigungskonzept zu einem wichtigen Bestandteil jeder KI-Integration – mehr dazu in Welche Rechte darf ein KI-Agent bekommen? (Zum Artikel).

Was ist ein Plugin?

Der Begriff Plugin sorgt besonders häufig für Missverständnisse. Das liegt auch daran, dass er in der Vergangenheit anders verwendet wurde als heute.

Bei OpenAI bezeichnet ein Plugin 2026 eine gebündelte Funktion für einen bestimmten Workflow. Ein solches Plugin kann Skills, verbundene Apps und App-Vorlagen enthalten. Es muss aber nicht zwingend alle drei Komponenten besitzen. Manche Plugins bestehen beispielsweise ausschließlich aus Skills.

Das macht ein Plugin zu einer Art Paket. Statt einzelne Komponenten selbst zusammenzustellen, erhält der Nutzer einen vorbereiteten Arbeitsablauf.

Ein Plugin für IT-Support könnte beispielsweise einen Skill zur strukturierten Fehleranalyse enthalten und gleichzeitig eine App verwenden, über die auf das Ticketsystem zugegriffen wird. Ein Vertriebs-Plugin könnte wiederum CRM-Zugriff, Unternehmensdaten und vorgefertigte Analyse-Workflows kombinieren.

Plugin bedeutet nicht automatisch externer Zugriff

Das ist ein wichtiger Unterschied. Ein Plugin muss keine Verbindung zu einem externen Dienst besitzen. Enthält es ausschließlich Skills, kann es lediglich neue Arbeitsabläufe oder Anweisungen bereitstellen.

Sobald hingegen eine App Bestandteil des Plugins ist, gelten weiterhin deren Berechtigungen und Authentifizierungsregeln. Die Installation eines Plugins bedeutet deshalb nicht automatisch, dass dadurch Zugriff auf jedes darin unterstützte System entsteht. OpenAI weist ausdrücklich darauf hin, dass erforderliche Konto- und Workspace-Berechtigungen dadurch nicht umgangen werden. Für größere, mehrstufige Aufgaben mit gebündelten Fähigkeiten lohnt sich außerdem ein Blick in ChatGPT Work erklärt: So arbeitest du 2026 mit ChatGPT an größeren Aufgaben (Zum Artikel).

Und was ist MCP?

Jetzt kommen wir zum technischsten Begriff: MCP – Model Context Protocol. MCP ist weder einfach ein Skill noch eine App oder ein Plugin. Es handelt sich um einen offenen Standard zur Verbindung von KI-Anwendungen mit externen Systemen, Daten und Werkzeugen. Die Grundlagen erklären wir ausführlich in MCP einfach erklärt: Was ist das Model Context Protocol? (Zum Artikel).

Anthropic veröffentlichte das Model Context Protocol ursprünglich im November 2024 als offenen Standard. Statt für jede Kombination aus KI-Anwendung und Datenquelle eine eigene Integration entwickeln zu müssen, soll MCP eine gemeinsame Schnittstelle bereitstellen.

Mittlerweile geht MCP weit über Claude hinaus. Ende 2025 wurde das Projekt an die Agentic AI Foundation unter dem Dach der Linux Foundation übergeben. Zu diesem Zeitpunkt wurde MCP bereits unter anderem von ChatGPT, Cursor, Gemini, Microsoft Copilot und Visual Studio Code unterstützt. Das ist einer der entscheidenden Vorteile von MCP: Es ist nicht an ein einzelnes KI-Modell gebunden.

Wie funktioniert MCP grundsätzlich?

Die klassische MCP-Architektur besteht aus Host, Client und Server. Der Host ist beispielsweise eine KI-Anwendung. Sie verwaltet MCP-Verbindungen und entscheidet, auf welche Server zugegriffen werden darf. Ein MCP-Client stellt innerhalb dieses Hosts die Verbindung zu einem bestimmten MCP-Server her. Der MCP-Server stellt anschließend Funktionen oder Informationen bereit.

Zu den zentralen MCP-Konzepten gehören unter anderem Tools, Resources und Prompts. Tools können Funktionen bereitstellen, Resources liefern Kontext wie Dateien oder Datenbankschemata und Prompts können wiederverwendbare Vorlagen bereitstellen.

Damit könnte ein eigener MCP-Server beispielsweise Funktionen wie diese anbieten: search_customer, get_server_status, create_ticket, restart_service, read_documentation. Für die KI erscheinen diese Funktionen als verfügbare Werkzeuge. Was technisch dahintersteckt, entscheidet der Entwickler des MCP-Servers – wie du einen eigenen Server aufbaust, zeigt Eigenen MCP Server erstellen: Architektur und Praxisbeispiel (Zum Artikel).

Der entscheidende Unterschied zwischen App und MCP

Apps und MCP werden besonders häufig miteinander verwechselt. Dabei befinden sie sich auf unterschiedlichen Ebenen. Eine App beschreibt die nutzbare Integration aus Sicht des Anwenders. MCP beschreibt einen möglichen technischen Standard, über den eine solche Integration umgesetzt werden kann.

OpenAI erlaubt beispielsweise eigene Apps, die über MCP auf genehmigte Tools und interne Daten zugreifen. Für Entwickler empfiehlt OpenAI zusätzlich das Apps SDK, um solche Funktionen als App-Erlebnis zu paketieren.

Vereinfacht gesagt: Eine App ist das Produkt beziehungsweise die Integration, mit der der Nutzer arbeitet. MCP kann die technische Verbindung darunter sein. Das bedeutet gleichzeitig: Nicht jede App muss MCP verwenden und nicht jeder MCP-Server ist automatisch eine App.

Ein Praxisbeispiel macht den Unterschied deutlich

Nehmen wir ein Unternehmen mit einem internen IT-Helpdesk. Ein Mitarbeiter schreibt: „Unser Webserver liefert seit heute Morgen immer wieder HTTP 503. Analysiere das Problem und erstelle bei Bedarf ein Ticket.“

Hier könnten alle vier Komponenten zusammenarbeiten. Der Skill beschreibt, wie Webserver-Probleme untersucht werden sollen. Er könnte festlegen, dass zunächst Erreichbarkeit, Reverse Proxy, Backend-Status und relevante Logs geprüft werden. Die App verbindet ChatGPT mit dem internen Ticketsystem oder Monitoring. Das Plugin bündelt den gesamten Ablauf zu einem Workflow namens beispielsweise „Server Incident Analysis“. Der MCP-Server stellt konkrete Werkzeuge wie get_haproxy_status, read_nginx_log oder create_incident zur Verfügung.

Damit ergibt sich ein komplettes System: Der Skill sagt der KI, wie sie denken und arbeiten soll. Die App stellt die Verbindung zum Dienst her. Das Plugin verpackt daraus einen nutzbaren Workflow. MCP standardisiert die Kommunikation mit den Werkzeugen dahinter.

Wer diese vier Ebenen verstanden hat, kann einen Großteil der aktuellen KI-Erweiterungen deutlich besser einordnen.

Vergleich: Skill vs. Plugin vs. App vs. MCP

Eigenschaft	Skill	Plugin	App	MCP
Hauptaufgabe	Arbeitsweise definieren	Workflow bündeln	Externes System anbinden	Kommunikation standardisieren
Enthält Anweisungen	Ja	Möglich	Nicht Hauptzweck	Prompts möglich
Externe Daten	Nicht zwingend	Möglich	Typischer Anwendungsfall	Ja
Aktionen möglich	Über Skripte bzw. Umgebung möglich	Je nach Komponenten	Je nach Berechtigung	Über Tools
Authentifizierung nötig	Meist nicht	Je nach App	Häufig	Je nach Server
Wiederverwendbar	Ja	Ja	Ja	Ja
Herstellerübergreifend	Teilweise	Plattformabhängig	Plattformabhängig	Ja
Für Anwender sichtbar	Ja	Ja	Ja	Häufig eher technische Ebene

Was brauche ich davon überhaupt?

Die Antwort hängt davon ab, welches Problem gelöst werden soll.

Wenn ChatGPT oder ein anderer KI-Agent eine Aufgabe lediglich immer nach einem bestimmten Schema erledigen soll, reicht häufig ein Skill. Soll die KI auf externe Daten oder einen Dienst zugreifen, wird eine App beziehungsweise Integration benötigt. Soll ein kompletter Arbeitsablauf aus mehreren Fähigkeiten bequem installiert und verteilt werden, ist ein Plugin interessant. Wer dagegen selbst Unternehmenssysteme, APIs oder Werkzeuge möglichst standardisiert für unterschiedliche KI-Anwendungen bereitstellen möchte, sollte sich MCP genauer ansehen.

Besonders für Unternehmen und Entwickler kann MCP interessant sein, weil eine sauber entwickelte Schnittstelle grundsätzlich von mehreren kompatiblen KI-Clients verwendet werden kann. Das reduziert potenziell die Abhängigkeit von einer einzigen KI-Plattform.

Warum MCP für Unternehmen besonders interessant ist

In klassischen IT-Landschaften existieren häufig Dutzende oder sogar Hunderte Systeme. Ticketsysteme, Monitoring, Dokumentenmanagement, CRM, ERP, Git-Repositories, Datenbanken, Serververwaltung und interne APIs besitzen jeweils eigene Schnittstellen. Ohne einen gemeinsamen Standard müsste eine KI-Integration theoretisch für jede Plattform erneut entwickelt werden. MCP versucht genau dieses Problem zu lösen.

Ein Unternehmen kann beispielsweise einen MCP-Server vor seine interne Infrastruktur setzen und dort klar definierte Werkzeuge anbieten. Die KI bekommt dadurch nicht automatisch direkten SSH-, Datenbank- oder Administratorzugriff. Stattdessen können kontrollierte Funktionen angeboten werden: Ein Werkzeug könnte beispielsweise ausschließlich den Status eines Servers abfragen, ein zweites darf Logdateien lesen, ein drittes darf nach ausdrücklicher Freigabe einen Dienst neu starten. Damit kann MCP Teil einer kontrollierten Agentenarchitektur werden.

Aber MCP macht einen KI-Agenten nicht automatisch sicher

Der Einsatz eines Standards löst keine Berechtigungsprobleme. Ein MCP-Tool mit der Funktion delete_database bleibt gefährlich – unabhängig davon, wie standardisiert die Kommunikation erfolgt. Dasselbe gilt für Apps.

Eine KI sollte deshalb niemals mehr Rechte erhalten, als sie für ihre konkrete Aufgabe benötigt. Besonders kritisch sind Schreibzugriffe, administrative Aktionen, Zugriff auf personenbezogene Informationen, produktive Datenbanken, Cloud-Ressourcen oder Infrastrukturmanagement. Für produktive Umgebungen sind deshalb Least-Privilege-Prinzip, getrennte Servicekonten, Protokollierung, Freigabemechanismen und klar definierte Tools wesentlich sinnvoller als ein pauschaler Vollzugriff. Wie das konkret umgesetzt wird, beschreibt MCP Server sicher betreiben: Rechte, Tools und Risiken erklärt (Zum Artikel).

Ein guter KI-Agent benötigt nicht möglichst viele Rechte. Er benötigt genau die richtigen Rechte.

Auch Skills sind ein Sicherheitsfaktor

Skills wirken zunächst harmloser, weil sie häufig hauptsächlich aus Anweisungen bestehen. Doch auch hier ist Vorsicht notwendig.

Ein Skill kann festlegen, welche Dateien gelesen werden, welche Befehle ausgeführt oder welche externen Werkzeuge verwendet werden sollen. Enthält ein Skill zusätzlich Skripte oder Code, steigt das mögliche Risiko weiter. Unbekannte Skills sollten deshalb ähnlich kritisch betrachtet werden wie Skripte oder Automatisierungsworkflows aus fremden Quellen. Vor der Installation sollte klar sein, was der Skill macht, welche Ressourcen er verwendet und ob möglicherweise externe Abhängigkeiten oder ausführbarer Code enthalten sind.

Warum die Begriffe 2026 noch verwirrender geworden sind

Wer bereits vor einigen Jahren mit ChatGPT gearbeitet hat, verbindet mit „Plugin“ möglicherweise etwas anderes. Die KI-Plattformen entwickeln ihre Erweiterungssysteme derzeit extrem schnell weiter.

Bei OpenAI ist das seit Juli 2026 besonders deutlich: Das frühere App-Verzeichnis wurde in das Plugin-Verzeichnis überführt. Plugins fungieren dort heute als übergeordnete Workflow-Pakete, während Apps weiterhin die eigentlichen Verbindungen zu externen Diensten darstellen.

Deshalb sollte man bei Anleitungen aus dem Internet immer auf das Veröffentlichungsdatum achten. Ein Tutorial aus 2023, 2024 oder selbst 2025 kann die Begriffe vollkommen anders verwenden als eine Plattform im Jahr 2026.

Die beste Eselsbrücke

Eine klassische Werkstatt eignet sich hervorragend als Vergleich.

Der Skill ist die Reparaturanleitung. Er beschreibt, wie eine Aufgabe durchgeführt werden soll. Die App ist das Werkzeug, mit dem auf etwas außerhalb der KI zugegriffen wird. Das Plugin ist der Werkzeugkoffer, in dem passende Werkzeuge und Anleitungen für einen bestimmten Einsatzzweck zusammengestellt wurden. Und MCP ist die genormte Aufnahme, durch die unterschiedliche Werkzeuge mit verschiedenen Maschinen zusammenarbeiten können.

Damit wird gleichzeitig klar: Man muss sich nicht zwischen Skill, Plugin, App oder MCP entscheiden. Je nach Aufgabe benötigt man möglicherweise mehrere davon.

Welche Technologie wird langfristig am wichtigsten?

Alle vier Konzepte haben ihre Berechtigung, aber MCP besitzt eine besondere strategische Bedeutung.

Skills und Plugins hängen stärker davon ab, wie eine konkrete KI-Plattform ihre Produkte organisiert. Apps sind ebenfalls häufig an die jeweilige Plattform und deren Benutzeroberfläche gekoppelt. MCP befindet sich dagegen eine Ebene darunter und soll einen offenen technischen Standard zwischen KI-Anwendungen und externen Systemen schaffen.

Das bedeutet nicht, dass MCP Apps oder Plugins ersetzen wird. Wahrscheinlicher ist das Gegenteil. Viele zukünftige Apps und KI-Agenten dürften MCP im Hintergrund verwenden, ohne dass normale Anwender überhaupt merken, dass MCP beteiligt ist. Ähnlich wie Nutzer einer Webseite normalerweise nicht darüber nachdenken, welche HTTP-Anfragen, APIs oder Protokolle im Hintergrund verwendet werden.

Fazit: Vier Begriffe, vier unterschiedliche Aufgaben

Skills, Apps, Plugins und MCP beschreiben unterschiedliche Ebenen moderner KI-Systeme.

Ein Skill bringt einer KI einen wiederverwendbaren Arbeitsablauf bei. Eine App verbindet die KI mit externen Informationen oder Aktionen. Ein Plugin bündelt verschiedene Fähigkeiten zu einem einfach nutzbaren Workflow. Und MCP stellt einen offenen technischen Standard bereit, mit dem KI-Anwendungen externe Werkzeuge und Datenquellen ansprechen können.

Die vielleicht wichtigste Erkenntnis lautet deshalb: Skill, Plugin, App und MCP sind keine vier konkurrierenden Lösungen. Sie können Bausteine derselben Architektur sein.

Gerade mit dem Übergang von einfachen Chatbots zu KI-Agenten, die recherchieren, Dateien verarbeiten, Unternehmensdaten abrufen und Aktionen durchführen können, wird dieses Verständnis immer wichtiger.

Wer heute plant, KI tiefer in seine eigene IT-Infrastruktur zu integrieren, sollte deshalb nicht nur fragen: Welches KI-Modell möchte ich verwenden? Mindestens genauso wichtig wird die Frage: Welche Skills, Apps, Plugins und MCP-Schnittstellen darf dieses Modell eigentlich verwenden?

Und genau dort beginnt aus einem einfachen KI-Chatbot eine echte, kontrollierbare KI-Plattform zu werden.

FAQ: KI-Skills, Plugins, Apps und MCP

Was ist der Unterschied zwischen einem Skill und einem Plugin?

Ein Skill beschreibt hauptsächlich wiederverwendbare Anweisungen und Arbeitsabläufe für eine KI. Ein Plugin kann dagegen mehrere Komponenten für einen kompletten Workflow bündeln und beispielsweise Skills, Apps oder App-Vorlagen enthalten.

Ist MCP ein Plugin?

Nein. MCP ist ein offener Kommunikationsstandard. Ein Plugin oder eine App kann MCP verwenden, um externe Werkzeuge und Datenquellen anzubinden.

Ist eine App dasselbe wie ein MCP-Server?

Nein. Eine App ist eine Integration aus Sicht des Nutzers beziehungsweise der KI-Plattform. Ein MCP-Server stellt über das Model Context Protocol Funktionen, Daten oder andere Fähigkeiten bereit. Eine App kann auf einem MCP-Server basieren.

Brauche ich MCP für einen KI-Skill?

Nein. Ein Skill kann vollständig ohne MCP funktionieren. MCP wird interessant, wenn externe Werkzeuge, Daten oder Systeme standardisiert eingebunden werden sollen.

Können Skills gefährlich sein?

Ja. Skills können neben Anweisungen auch Ressourcen, Skripte oder Code enthalten. Unbekannte Skills sollten deshalb vor der Installation geprüft werden.

Kann MCP mehrere KI-Systeme unterstützen?

Genau darin liegt einer der Vorteile des offenen Standards. Ein MCP-Server kann grundsätzlich von unterschiedlichen MCP-kompatiblen Clients genutzt werden, anstatt eine vollständig eigene Integration für jedes KI-System entwickeln zu müssen.

Ersetzt MCP APIs?

Nein. MCP ersetzt bestehende APIs nicht zwangsläufig. Ein MCP-Server kann bestehende REST-, GraphQL- oder andere APIs verwenden und deren Funktionen für KI-Systeme über eine standardisierte MCP-Schnittstelle bereitstellen.

Quellen und Informationsstand

Die aktuelle Einordnung von Skills, Plugins und Apps basiert auf der OpenAI-Dokumentation zu Plugins in ChatGPT und Codex sowie der OpenAI-Dokumentation zu Apps in ChatGPT, jeweils mit Informationsstand vom 31. August 2026. OpenAI beschreibt Skills als wiederverwendbare Workflows, Apps als Verbindungen zu externen Diensten und Plugins als Pakete, die Skills, Apps und App-Vorlagen kombinieren können. Seit dem 9. Juli 2026 ersetzt das Plugin-Verzeichnis das frühere App-Verzeichnis.

Für die technische Einordnung von MCP wurden die offizielle Model-Context-Protocol-Dokumentation sowie die Angaben zur ursprünglichen Veröffentlichung im November 2024 und zur Übergabe des Projekts an die Agentic AI Foundation am 9. Dezember 2025 berücksichtigt.

Stand der technischen Prüfung: 16. September 2026.

Weiterführende Themen und Quellen

MCP einfach erklärt: Was ist das Model Context Protocol? (Zum Artikel)

Eigenen MCP Server erstellen: Architektur und Praxisbeispiel (Zum Artikel)

MCP Server sicher betreiben: Rechte, Tools und Risiken erklärt (Zum Artikel)

Welche Rechte darf ein KI-Agent bekommen? (Zum Artikel)

ChatGPT mit Gmail, Kalender und Drive verbinden (Zum Artikel)

ChatGPT Work erklärt: So arbeitest du 2026 mit ChatGPT an größeren Aufgaben (Zum Artikel)

ChatGPT-Plugins installieren und nutzen (Zum Artikel)

KI-Skills erstellen ohne Programmieren (Zum Artikel)