KI-Check buchen arrow_forward

Workflow-Architektur für den Mittelstand: MCP-Server, Python und Azure

Wie KI-Assistenten wie Microsoft Copilot oder Claude sicher mit ERP, CRM und Dokumentenablage arbeiten: eine Referenzarchitektur in Schichten, mit einem MCP-Server in Python, Fachlogik auf Azure, Anmeldung über Entra ID und einem Betrieb, der sich prüfen lässt. Mit Codebeispiel und den Azure-Diensten je Aufgabe.

KI-Check buchen arrow_forward Zur Referenzarchitektur
Übersicht aller MCP-Themen Der komplette MCP-Server-Guide bündelt Architektur, Tools, Sicherheit und DSGVO — die Pillar-Seite zu diesem Cluster.
Zum MCP-Server Guide arrow_forward

Was ist eine Workflow-Architektur mit MCP-Server, Python und Azure?

Eine Workflow-Architektur mit MCP-Server, Python und Azure verbindet KI-Assistenten über einen selbst geschriebenen, geprüften Server mit Ihren Geschäftssystemen, statt die KI direkt auf ERP, CRM oder Ablage loszulassen. Der KI-Assistent fragt, der MCP-Server entscheidet anhand fester Werkzeuge, was erlaubt ist, und die Fachlogik in Python holt die Daten über die Schnittstellen der Systeme. Azure liefert dafür Laufzeit, Anmeldung, Schlüsselverwaltung, Netz und Protokoll.

Für den Mittelstand ist das interessant, weil viele Betriebe ohnehin mit Microsoft 365 und Entra ID arbeiten. Die Anmeldung, die Ihr Team jeden Tag nutzt, wird damit auch zur Anmeldung gegenüber dem KI-Werkzeug. Und weil die Regeln im Code stehen, lassen sie sich testen, versionieren und von einer zweiten Person prüfen. Was MCP grundsätzlich ist, erklärt der Ratgeber Was ist ein MCP-Server?.

Aus welchen Schichten besteht die Referenzarchitektur?

Die Referenzarchitektur hat vier Schichten: KI-Client, MCP-Server, Fachlogik und angebundene Systeme, eingebettet in Identität, Schlüsselverwaltung, Netz und Protokoll. Jede Schicht hat genau eine Aufgabe, damit Fehler und Rechte klar zuzuordnen sind.

SchichtAufgabeTypische TechnikWer sie verantwortet
1. KI-ClientFrage entgegennehmen, passendes Werkzeug wählen, Antwort formulierenMicrosoft Copilot Studio, Claude, andere MCP-fähige AssistentenIT, Freigabe der Connectoren
2. MCP-ServerAnmeldung prüfen, feste Werkzeuge anbieten, Eingaben validieren, jeden Aufruf protokollierenPython mit dem offiziellen MCP-SDK, Transport Streamable HTTPEntwicklung, Code-Review
3. FachlogikDaten holen, filtern, zusammenführen, Regeln anwendenPython-Module, ausgeführt in Azure Functions oder Azure Container AppsEntwicklung mit Fachbereich
4. SystemeDaten liefern, Vorgänge ausführenERP, CRM, DMS über ihre dokumentierten APIsSystemverantwortliche
QuerschnittIdentität, Geheimnisse, Netz, Protokoll, KostenEntra ID, Key Vault, VNet und Private Endpoints, Application Insights, Cost ManagementIT-Betrieb

Schicht 1: der KI-Client

Microsoft Copilot Studio kann eigene MCP-Server als Werkzeuge einbinden. Angebunden wird über Streamable HTTP, zur Anmeldung stehen OAuth 2.0 oder ein API-Schlüssel zur Wahl (Microsoft Learn). Claude und andere Assistenten verbinden sich ebenfalls über eine Server-Adresse. Weil der Server dem MCP-Standard folgt, bleibt er beim Wechsel des Assistenten derselbe.

Schicht 2: der MCP-Server in Python

Den Server schreiben wir mit dem offiziellen MCP-SDK für Python. Das SDK unterstützt laut Projektseite die Standard-Transporte stdio, Streamable HTTP und SSE, für den Betrieb im Netz nutzen wir Streamable HTTP. Der Server kennt nur die Werkzeuge, die im Code stehen, mit Typen und Prüfregeln für jede Eingabe.

Schicht 3: Fachlogik und Worker

Hier sitzt, was das Unternehmen ausmacht: welche Felder ein Angebot hat, wie Kundennummern aufgebaut sind, welche Summen gebildet werden. Für die Laufzeit bietet Azure zwei naheliegende Wege, die Microsoft beide für MCP-Server dokumentiert:

Lang laufende oder zeitgesteuerte Abläufe, etwa ein nächtlicher Abgleich, laufen als eigene Worker neben dem MCP-Server und nicht im Werkzeugaufruf selbst.

Schicht 4: die Systeme

ERP, CRM und Dokumentenablage werden über ihre dokumentierten Schnittstellen angebunden, nicht über direkte Datenbankzugriffe. Das hält Berechtigungsprüfungen und Geschäftslogik der Systeme intakt. Bei manchen Herstellern gelten eigene Regeln für KI-Zugriffe, SAP etwa regelt sie seit April 2026 in seiner API Policy (siehe MCP-Server für SAP). Für Microsoft 365 als System dahinter gibt es einen eigenen Ratgeber: MCP-Server für Microsoft 365.

Welche Azure-Dienste übernehmen welche Aufgabe?

Für jede Querschnittsaufgabe gibt es einen dokumentierten Azure-Dienst, sodass im eigenen Code nur Werkzeuge und Fachlogik bleiben. Die Tabelle zeigt, was Microsoft für den jeweiligen Dienst beschreibt.

AufgabeAzure-DienstWas Microsoft dokumentiertQuelle
MCP-Server betreibenAzure Container AppsEigener Container mit HTTPS-Eingang, Skalierung, optionaler Entra-ID-AnmeldungLearn
MCP-Server serverlos betreibenAzure Functions (Flex Consumption)SDK-Server als Custom Handler, Preview, nur zustandslos mit Streamable HTTPLearn
Anmeldung der NutzerMicrosoft Entra IDIntegrierte Anmeldung der App-Plattform setzt die MCP-Autorisierungsspezifikation um und leitet an Entra ID weiterLearn
Anmeldung des Servers an Azure-DienstenVerwaltete IdentitätenTokens aus Entra ID ohne gespeicherte Zugangsdaten, Rechte per RBACLearn
API-Schlüssel und ZugangsdatenAzure Key VaultZentrale Ablage für Tokens, Passwörter, API-Keys, Zugriff über Entra ID und Azure RBAC, Zugriffsprotokoll an Azure MonitorLearn
Protokoll und ÜberwachungApplication Insights, Log AnalyticsTraces, Metriken und Logs über die Microsoft OpenTelemetry Distro für PythonLearn
Privates NetzVNet, Private EndpointsContainer-Apps-Umgebung ohne öffentlichen Endpunkt, Key Vault über Private Endpoint, VNet-Integration für Flex ConsumptionLearn, Learn
Zentrales Gateway (optional)Azure API ManagementMCP-Server verwalten mit Ratenbegrenzung, JWT-Prüfung, IP-Filter und Monitoring, derzeit nur Werkzeuge, keine Resources und PromptsLearn
Kosten im BlickCost Management BudgetsWarnungen bei Ist- oder Prognosekosten, Ressourcen werden dabei nicht gestopptLearn

Stand: 28. Oktober 2026, jeweils auf Microsoft Learn gelesen.

Region: Wir planen in der Azure-Region Germany West Central (Frankfurt). Nicht jeder Dienst und jede Variante steht in jeder Region bereit, der Flex-Consumption-Tarif etwa unterstützt laut Microsoft derzeit nicht alle Regionen. Deshalb prüfen wir die Verfügbarkeit je Dienst vor dem Aufbau. Die Region des MCP-Servers sagt außerdem nichts darüber, wo der KI-Assistent rechnet. Ist ein US-Anbieter im Pfad, lässt sich nicht zusichern, dass Daten Europa nie verlassen.

Warum Code statt Low-Code für diese Architektur?

Für die Schicht zwischen KI und Geschäftssystemen spricht vor allem eines für Code: Sicherheitsgrenzen lassen sich dort prüfbar festschreiben, statt sie in Klickoberflächen zu verteilen. Konkret:

Die Nachteile gehören ehrlich dazu. Code muss gepflegt werden: Abhängigkeiten bekommen Sicherheitsupdates, das MCP-SDK entwickelt sich weiter, Schnittstellen der Hersteller ändern sich. Wer den Code betreibt, braucht Python-Kenntnisse im Haus oder einen Dienstleister mit Wartungsvertrag. Und für eine kleine Änderung ist ein Commit mit Review aufwendiger als ein Klick in einer Oberfläche.

Wann reicht ein Low-Code-Werkzeug? Wenn ein Ablauf ohne KI auskommt, also feste Auslöser und feste Schritte hat, wenige Systeme berührt und keine sensiblen Daten bewegt, ist ein Low-Code- oder Integrationswerkzeug oft der schnellere Weg. Das gilt etwa für Benachrichtigungen, einfache Datenübertragungen oder Formulare. Sobald ein Sprachmodell selbst Werkzeuge auswählt und auf Personal-, Kunden- oder Finanzdaten zugreift, empfehlen wir die Grenzen im Code.

Wie sieht ein MCP-Werkzeug in Python aus?

Ein MCP-Werkzeug in Python ist eine typisierte Funktion mit Beschreibung, die das offizielle SDK als Werkzeug anbietet. Das folgende Beispiel liest den Status eines Kundenauftrags, nur lesend und mit Prüfung der Auftragsnummer. Wir haben es am 28. Oktober 2026 mit dem Paket mcp in Version 2.3.0 getestet. In Version 2 heißt die Serverklasse MCPServer, in Version 1 hieß sie FastMCP (Migrationsleitfaden).

import os
from typing import Annotated

import httpx
from pydantic import BaseModel, Field

from mcp.server import MCPServer
from mcp.types import ToolAnnotations

mcp = MCPServer("auftragsstatus")


class Auftragsstatus(BaseModel):
    gefunden: bool
    status: str | None = None
    liefertermin: str | None = None
    offene_positionen: int | None = None


ERP_URL = os.environ.get("ERP_API_URL", "https://erp.example.internal/api")


@mcp.tool(annotations=ToolAnnotations(read_only_hint=True))
async def auftragsstatus(
    auftragsnummer: Annotated[str, Field(pattern=r"^A-\d{6}$", description="Auftragsnummer, z. B. A-104233")],
) -> Auftragsstatus:
    """Liefert Status, Liefertermin und offene Positionen eines Kundenauftrags."""
    async with httpx.AsyncClient(timeout=10) as client:
        antwort = await client.get(
            f"{ERP_URL}/auftraege/{auftragsnummer}",
            headers={"Authorization": f"Bearer {os.environ['ERP_API_TOKEN']}"},
        )
    if antwort.status_code == 404:
        return Auftragsstatus(gefunden=False)
    if antwort.status_code != 200:
        # Keine Fremd-Fehlertexte an das Modell durchreichen
        raise RuntimeError("Abfrage im ERP fehlgeschlagen")
    daten = antwort.json()
    # Nur die Felder, die der Anwendungsfall braucht
    return Auftragsstatus(
        gefunden=True,
        status=daten["status"],
        liefertermin=daten["liefertermin"],
        offene_positionen=daten["offene_positionen"],
    )


if __name__ == "__main__":
    mcp.run(transport="streamable-http", host="0.0.0.0", port=8000, stateless_http=True)

Was das Beispiel zeigt:

Was im Beispiel bewusst fehlt, gehört in einen produktiven Server: die Anmeldung der Nutzer über Entra ID, der Abruf des ERP-Tokens aus Key Vault statt aus einer Umgebungsvariable, Protokollierung jedes Aufrufs und Ratenbegrenzung. Wie wir das für Kunden umsetzen, steht im Ratgeber MCP-Server entwickeln lassen.

Wo liegen die Sicherheitsgrenzen in dieser Architektur?

Die Sicherheitsgrenzen liegen in der Anmeldung vor dem MCP-Server, im Werkzeugschnitt des Servers und im Netz hinter ihm, und zwar jeweils so, dass eine Schicht die Fehler der anderen auffängt.

Die Datenschutzseite mit Auftragsverarbeitung, Verarbeitungsort und Löschkonzept beschreibt der Ratgeber MCP-Server, Sicherheit und DSGVO.

Wie betreiben Sie die Architektur: CI/CD, Tests, Monitoring, Kosten?

Betrieben wird die Architektur wie jede andere Unternehmenssoftware: mit automatischer Auslieferung, Tests vor jedem Release, Überwachung im Livebetrieb und Budgetwarnungen.

CI/CD

Der Code liegt in einem Git-Repository, jede Änderung läuft über einen Pull Request mit Review. Nach dem Merge baut eine Pipeline das Container-Image und liefert es aus. Für Container Apps beschreibt Microsoft das mit GitHub Actions: Jeder Push auf den festgelegten Branch löst den Workflow aus, Container Apps erzeugt daraus eine neue Revision (Microsoft Learn). Weil jede Auslieferung eine eigene Revision ist und Container Apps den Verkehr zwischen Revisionen aufteilen kann, lässt sich eine neue Version erst mit einem Teil der Anfragen prüfen.

Tests

Monitoring

Der Server schickt Traces, Metriken und Logs über die Microsoft OpenTelemetry Distro an Application Insights. Daraus entstehen Warnungen für Fehlerquoten, Laufzeiten und ungewöhnlich viele Aufrufe eines Werkzeugs. Inhalte der Antworten gehören nicht ins Protokoll, nur Metadaten des Aufrufs.

Kostenkontrolle

Kosten entstehen auf drei Ebenen: Azure-Ressourcen, das Sprachmodell des KI-Clients und gegebenenfalls Kontingente der angebundenen Systeme. Für Azure setzen wir Budgets mit Warnschwellen in Cost Management. Wichtig zu wissen: Ein Budget warnt, es stoppt keine Ressourcen. Dazu kommen technische Bremsen im Code, also Ratenbegrenzung, Ergebnisobergrenzen und Zwischenspeicher für teure Abfragen. Konkrete Größenordnungen besprechen wir im KI-Check, abhängig von Nutzerzahl, Systemen und Anwendungsfällen.

Wie starten Sie mit dieser Architektur?

Starten Sie mit einem lesenden Anwendungsfall auf einem System und bauen Sie Identität, Protokoll und Pipeline gleich richtig, denn diese Teile tragen später alle weiteren Werkzeuge.

  1. Anwendungsfall wählen: eine häufige, klar beantwortbare Frage, zum Beispiel Auftragsstatus oder offene Posten.
  2. Schnittstelle prüfen: Gibt es eine dokumentierte API, welche Rechte braucht sie, gibt es Herstellerregeln für KI-Zugriffe?
  3. Grundgerüst aufsetzen: Repository, Pipeline, Entra-ID-App, Key Vault, Application Insights, Netz.
  4. Werkzeug bauen und testen: mit Negativtests und einer Testfragenliste.
  5. Pilot mit kleiner Gruppe: Antworten gegen das System prüfen, Protokolle auswerten.
  6. Erweitern: weitere Werkzeuge, weitere Systeme, später Schreibaktionen mit Freigabe.

Den Zeitplan legen wir nach dem KI-Check fest.

Verwandte Ratgeber: Was ist ein MCP-Server? · MCP-Server entwickeln lassen · Sicherheit und DSGVO · MCP-Server für Microsoft 365 · Zeiterfassung und Projektmanagement

Häufige Fragen

Warum Python für den MCP-Server?

Python ist für Datenverarbeitung und Schnittstellen im Mittelstand weit verbreitet, und es gibt ein offizielles MCP-SDK dafür. Das SDK leitet Eingabeschemas direkt aus Typangaben ab, Prüfregeln stehen damit sichtbar im Code.

Brauche ich Azure für einen MCP-Server?

Nein. Ein MCP-Server läuft überall, wo Python läuft. Azure bietet sich an, wenn Sie bereits Microsoft 365 und Entra ID nutzen, weil Anmeldung, Schlüsselverwaltung und Protokoll dann aus einer Hand kommen.

Azure Functions oder Azure Container Apps?

Container Apps ist der allgemeine Weg für einen MCP-Server als Container. Azure Functions kann SDK-basierte Server ebenfalls hosten, laut Microsoft derzeit als Preview, nur zustandslos mit Streamable HTTP und im Flex-Consumption-Tarif. Wir entscheiden das je Projekt nach Netzanforderungen und Lastprofil.

Kann Microsoft Copilot den MCP-Server nutzen?

Ja. Copilot Studio bindet MCP-Server über Streamable HTTP ein, die Anmeldung läuft über OAuth 2.0 oder einen API-Schlüssel. Ob ein Connector genutzt werden darf, regelt Ihre IT über die Datenrichtlinien der Power Platform.

Bleiben die Daten in Deutschland?

Der MCP-Server und die Fachlogik können in der Azure-Region Germany West Central (Frankfurt) laufen. Wo das Sprachmodell des KI-Assistenten rechnet, hängt vom Anbieter und Vertrag ab. Ist ein US-Anbieter im Pfad, können wir nicht zusichern, dass Daten Europa nie verlassen.

Reicht nicht ein Low-Code-Werkzeug?

Für feste Abläufe ohne KI-Entscheidung oft ja. Für die Schicht, in der ein Sprachmodell Werkzeuge auswählt und auf sensible Daten zugreift, setzen wir auf Code, weil sich Grenzen dort testen, versionieren und prüfen lassen.

Wer pflegt den Code nach dem Projekt?

Entweder Ihre IT, wenn Python-Kenntnisse im Haus sind, oder wir im Rahmen einer Betreuung. Das legen wir vor Projektstart fest, weil Abhängigkeiten, SDK und Schnittstellen regelmäßig Updates brauchen.

Passt die Architektur zu Ihrer IT?

Schreiben Sie kurz, welche Systeme der KI-Assistent erreichen soll. Sie bekommen eine schriftliche Einschätzung zur Machbarkeit, ohne Termin und ohne Verkaufsgespräch.

Danke, Ihre Anfrage ist da.

Sie bekommen innerhalb eines Werktags eine schriftliche Einschätzung per Mail.

check_circle Kostenlos
check_circle Schriftliche Antwort
check_circle Kein Termin nötig

Lieber direkt sprechen? 30 Minuten KI-Check buchen