TL;DR:

• Kein Neubau nötig: Bestehende, gut dokumentierte REST APIs lassen sich über das Model Context Protocol (MCP) direkt an KI-Agenten anbinden.
• Azure als Gateway: Azure API Management fungiert als zentraler MCP Server und regelt Zugriffe, ohne die Backend-Logik zu verändern.
• Praxis-Code: Ein komplettes Setup (Terraform, Azure Function, Konsolen-Chatbot) steht Open Source auf GitHub zur Verfügung.

Die Integration von Künstlicher Intelligenz in bestehende Unternehmensprozesse scheitert oft an einem entscheidenden Punkt: dem Datenzugriff. Viele IT-Entscheider glauben, man müsse für leistungsfähige AI-Agenten komplett neue, LLM-spezifische Schnittstellen und Vektordatenbanken von Grund auf neu bauen. Doch das ist ein teurer Irrtum.

Mit dem Model Context Protocol (MCP) in Kombination mit Azure API Management können Sie Ihre bereits existierenden REST APIs mit minimalem zeitlichen Aufwand in intelligente Werkzeuge für KIs verwandeln. In diesem Artikel zeige ich Ihnen anhand eines konkreten Architektur-Blueprints und Codes, wie Sie diesen Paradigmenwechsel umsetzen und warum der klassische "Blick in die Tabelle" bald der Vergangenheit angehört.

Dieser Beitrag ist Teil der Aktion „Hitzefrei 2026" des MVP-Treff

Von August bis Mitte September erscheint täglich ein neuer Community-Beitrag mit kurzen Tech-Impulsen, Prompts, Workflows und Sommerideen aus der DACH-Community. Alle weiteren Beiträge findest du hier: mvptreff.de/hitzefrei, täglich vorbeischauen lohnt sich.

Was ist ein Model Context Protocol (MCP) Server?

Ein MCP Server in Verbindung mit Azure API Management ist eine standardisierte Schnittstelle, die herkömmliche REST-Endpunkte so übersetzt, dass Large Language Models (LLMs) diese autonom lesen, verstehen und als Werkzeuge (Tools) ausführen können.

Bisher mussten Entwickler einer KI in aufwendigen Prompts oder durch hartgecodeten "Glue Code" erklären, wie ein spezifisches Firmen-Backend funktioniert und das bei jeder Änderung. Das führte zu fragilen Systemen, die bei der kleinsten API-Anpassung brachen. Deshalb ist der Ansatz über einen standardisierten MCP Server so wertvoll: Das API Management von Azure übernimmt die Bereitstellung der Schnittstellenbeschreibungen (meist via OpenAPI/Swagger) und das Model Context Protocol sorgt dafür, dass der AI Agent dynamisch versteht, welche Funktionen ihm zur Verfügung stehen. Das Resultat: Die KI weiß selbstständig, welchen Endpunkt sie mit welchen Parametern aufrufen muss, um eine Benutzerfrage zu beantworten.

Wie baut man die Architektur mit Terraform auf?

Um die Lösung skalierbar und reproduzierbar aufzubauen, nutzen wir Terraform. Das Setup provisioniert ein Azure API Management als zentrales Gateway, eine Azure Function als In-Memory-Datenquelle und konfiguriert den MCP Server für den direkten KI-Zugriff.

Theorie ist gut, lauffähiger Code ist besser. Um die Hürde für den Einstieg so gering wie möglich zu halten, habe ich ein vollständiges Repository erstellt: api-management-mcp.

In diesem Projekt finden Sie:

1. Terraform-Skripte: Für das vollautomatisierte Provisionieren der kompletten Azure-Infrastruktur.
2. Azure Function (Backend): Eine simple API, die Daten im Arbeitsspeicher (In-Memory) hält und bei Anfragen zurückgibt. Ideal, um ohne komplexe Datenbank-Setups sofort loszulegen.
3. Chatbot-Client: Eine eigene Konsolenanwendung, die als AI Agent fungiert und mit unserem MCP Server kommuniziert.

Das Setup zeigt eindrucksvoll, dass die Bereitstellung eines MCP Servers kein wochenlanges Projekt sein muss. Wenn Ihre bestehenden APIs sauber beschrieben sind, ist die Anbindung an die KI-Welt lediglich eine Frage der richtigen Konfiguration im API Management.

Wie funktioniert die intelligente Bestellabfrage in der Praxis?

Statt über eine komplexe Benutzeroberfläche (UI) manuell nach Datensätzen zu filtern, fragt der Nutzer den KI-Agenten in natürlicher Sprache. Der Agent ruft über das MCP-Gateway autonom die REST API auf und liefert sofort den exakten Kontext.

Stellen Sie sich vor, ein Mitarbeiter oder Kunde möchte wissen: "Wo ist die Bestellung mit der Nummer ABC?"

Ohne KI bedeutet das: Login in ein System, Navigation zum Bestell-Reiter, Eingabe der Nummer in eine Suchmaske, Warten auf das Laden der Tabelle und manuelles Ablesen des Status.

Mit unserem konfigurierten Chatbot aus dem Repository ändert sich die Interaktion fundamental. Sie stellen genau diese Frage in die Konsole. Der AI Agent erkennt die Intent (Absicht), identifiziert über den MCP Server die passenden REST-Ressourcen (z. B. GET /orders/{id}), führt den API-Call aus, wertet die JSON-Antwort aus und antwortet: "Die Bestellung ABC wurde heute Morgen um 08:30 Uhr an den Versanddienstleister übergeben."

Die klassische UI rückt in den Hintergrund. Die KI wird zum primären Interface für strukturierte Daten.

Wie sieht die technische Integration im Code aus?

Die technische Umsetzung erfordert nur wenige Zeilen Code: Das API Management stellt die Schnittstellen bereit, und die .NET-Konsolenanwendung bindet diese über das MCP-Protokoll als natives Werkzeug in den KI-Agenten ein. Harte API-Aufrufe im Quellcode entfallen komplett.

Im Repository nutzen wir C# und .NET für unseren Chatbot. Der spannende Teil passiert bei der Initialisierung des Agenten. Statt für jeden denkbaren REST-Endpunkt einen eigenen HttpClient mit spezifischen Modellen zu bauen, übergeben wir dem Agenten lediglich die Verbindung zu unserem Azure API Management, das hier als MCP-Gateway fungiert.

Die Konfiguration sieht konzeptionell so aus:

// 1. Verbindung zum MCP-Server (Azure API Management) herstellen
var mcpClient = new McpClient(new McpClientOptions
{
   ServerUrl = "https://ihr-apim-gateway.azure-api.net/mcp",
   SubscriptionKey = "IHR_API_KEY"
});

// 2. Den AI Agenten initialisieren
var agent = new ChatAgent(openAiApiKey);

// 3. Magie: Die REST-API Endpunkte als dynamische Werkzeuge (Tools) laden
var apiTools = await mcpClient.GetToolsAsync();
agent.AddPlugins(apiTools);

// 4. Abfrage in natürlicher Sprache an den Agenten stellen
var response = await agent.AskAsync("Wo ist die Bestellung mit der Nummer ABC?");
Console.WriteLine(response);


Was in diesem kurzen Snippet passiert, ist der eigentliche Paradigmenwechsel. Die klassische Herangehensweise wäre, einen fixen HTTP-Aufruf (GET /orders/ABC) in den Code zu schreiben. Hier hingegen passiert Folgendes:

1. Wir übergeben die Frage in natürlicher Sprache an das Large Language Model.
2. Das LLM erkennt anhand der vom MCP geladenen Tool-Beschreibungen autonom, dass es einen Endpunkt für Bestellungen gibt.
3. Das LLM generiert den passenden Request, extrahiert die ID ABC aus der Frage und führt den Call aus.
4. Es wertet das JSON-Ergebnis aus dem Backend aus und antwortet mit einem sauberen Satz: "Die Bestellung ABC wurde heute Morgen um 08:30 Uhr an den Versanddienstleister übergeben."

Das Backend wird somit ohne Middleware zur direkten funktionalen Erweiterung der KI.

FAQ – Häufige Fragen zu MCP und Azure APIs

Was genau ist das Model Context Protocol (MCP)?

MCP ist ein quelloffener Standard, der es KI-Modellen (wie Claude oder GPT) ermöglicht, sicher und standardisiert auf lokale oder cloudbasierte Datenquellen und Werkzeuge zuzugreifen, ohne dass individueller Integrationscode geschrieben werden muss.

Muss ich meine bestehenden REST APIs für MCP umschreiben?

Nein. Das ist der größte Vorteil. Solange Ihre APIs über eine saubere OpenAPI-Spezifikation (Swagger) verfügen, kann Azure API Management als Mittelsmann fungieren und die Endpunkte über MCP für den Agenten zugänglich machen. Die Backend-Logik bleibt unangetastet.

Ist der Zugriff durch den KI-Agenten sicher?

Ja. Da alle Anfragen durch das Azure API Management fließen, greifen weiterhin Ihre etablierten Sicherheitsrichtlinien (OAuth, Subscription Keys, Rate Limiting, IP-Filtering). Der Agent erhält keine Sonderrechte.

Fazit

Die Transformation einer bestehenden REST API in ein AI Agent Werkzeug muss kein langwieriges IT-Großprojekt sein. Wie das Repository zeigt, lässt sich das Fundament durch Infrastruktur als Code, Azure API Management und das Model Context Protocol in kürzester Zeit legen. Das Ergebnis ist eine Architektur, die Ihre Systeme zukunftssicher macht und echten Mehrwert durch sprachgesteuerte Dateninteraktion schafft.