Die Auswirkungen, die MCP-Server im Jahr 2025 auf die Technologielandschaft hatten, sind nicht zu übersehen. Gleichzeitig hat die hohe Verbreitung auch Risiken aufgezeigt. Die Verwendung von MCP-Servern in einer produktiven Umgebung ist nicht trivial. An dieser Stelle möchten wir einige Kritikpunkte aus dem letzten Jahr aufgreifen.
Der am weitesten verbreitete Kritikpunkt an MCP-Servern ist Sicherheit. Ohne besondere Vorsichtsmaßnahmen können Sicherheitslücken wie Remote-Code-Executions (RCEs) oder das Extrahieren von internen Daten auftreten. Die Sicherheitsforscherin Elena Cross hat einen detaillierteren Artikel über Risiken bei der Verwendung von MCP-Servern geschrieben.
Ein weiterer Kritikpunkt bezieht sich nicht auf MCP-Server selbst, sondern wie sie implementiert werden. Gartner rät von einer naiven "API-to-MCP conversion" ab, da sie potenzielle Risiken ignoriert. Diese Risiken umfassen Kostentreiber wie ein hoher Token-Verbrauch oder eine ineffiziente Nutzung des LLM-Kontexts, wenn Agents direkt auf API-Endpunkte zugreifen können. Darüber hinaus gibt es die Möglichkeit, dass ein Agent sensitive Daten aus der API ausliest oder kritische API-Endpunkte (z.B. mit Löschfunktionalität) falsch nutzt. Gartner empfiehlt die Nutzung eines dezidierten MCP-Servers, der bestehende APIs nutzt, jedoch diese nicht direkt dem Agent zur Verfügung stellt.
Die ineffiziente Nutzung des LLM-Kontexts, d.h. der Textmenge, an die sich ein LLM gleichzeitig "erinnern" kann, ist zu einer Hürde bei deren Nutzung geworden. Besonders in der Anwendung als Agents ist dieser Kontext wichtig, damit der Agent sich an kritische Stellen in einer Codebase "erinnern" und diese nutzen kann. Diese Problematik ist so allgegenwärtig, dass im letzten Jahr ein neuer Begriff dafür entstanden ist: "Context Engineering".
MCP-Server stellen beim Context-Engineering ebenfalls ein Risiko dar. Zum einen können die Definitionen der möglichen Funktionen ("Tools") eines MCP-Servers den Kontext eines Agents unnötig verbrauchen, auch wenn der MCP-Server nur eine kleine Menge dieser Funktionen braucht. Gleichzeitig müssen Zwischenergebnisse immer wieder vom MCP-Server in den Kontext geladen werden, um diese weiterzuverarbeiten. Anthropic nennt als Beispiel ein Transkript, das aus Google Docs in Salesforce geladen werden soll. Dabei wird es zweimal (einmal für die Verbindung zu Google Docs und einmal zu Salesforce) in Gänze vom MCP-Server in den Kontext geladen. Diese ineffiziente Nutzung führt zu höheren Kosten und potenziell zu schlechterer Qualität von LLMs. Anthropic selbst stellt dieses Problem im Detail in einem Blogbeitrag vor.
