KI hat die Kommandozeile mit MCP neu erfunden. Nur teurer.

Worum es geht, in einfach: Stell dir vor, du fragst jemanden nach der Uhrzeit. Bevor er antworten kann, muss er erstmal drei Handbücher lesen. Über die Uhr, über das Ablesen, über das Antworten. Erst dann sagt er dir: halb vier.

So funktioniert gerade vieles in der KI.

Du tippst was in ein Chatfenster. Hinter dem Fenster muss die KI Dinge tun: im Internet suchen, Dateien lesen, Tabellen füllen. Dafür braucht sie Werkzeuge. Die Frage ist nur, wie sie an die rankommt.

Der Weg, den die Branche im letzten Jahr gepusht hat, funktioniert wie die Handbücher. Jedes Werkzeug schickt der KI erstmal eine lange Beschreibung von sich selbst. Was es kann, wie man es benutzt, was es braucht. Bei drei Werkzeugen ist 72% des Denkplatzes weg. Für Anleitung. Nicht für deine Frage.

Dabei könnte die KI einfach auf die Uhr schauen. Es gibt seit Jahrzehnten kleine Programme auf jedem Computer, die genau das tun. Schnell, direkt, kein Handbuch nötig. Die KI kennt die meisten schon aus ihrem Training. Wie jemand, der weiß was eine Uhr ist und einfach draufschaut.

Warum nimmt man dann nicht einfach die? Weil KI-Anbieter nach Verbrauch abrechnen. Handbücher lesen verbraucht mehr als auf die Uhr schauen. Mehr Verbrauch, mehr Umsatz.

Erst jetzt, wo Firmen ihre echten Rechnungen anschauen, ändert sich was. Der folgende Text erzählt, wie das passiert ist.

Im Dezember 2025 übergibt Anthropic das Model Context Protocol an die Linux Foundation¹. Mitgegründet mit OpenAI und Block, unterstützt von Google, Microsoft, AWS, Cloudflare. 97 Millionen monatliche SDK-Downloads. Über 10.000 veröffentlichte Server. LinkedIn-Influencer nennen es „USB-C für AI“. Es sieht aus wie ein Standard, der bleibt.

Vier Monate später, am 11. März 2026, steht Denis Yarats auf der Bühne der Ask 2026². Der CTO von Perplexity verkündet: Intern wird MCP nicht mehr eingesetzt. Stattdessen: REST-APIs und Kommandozeilen-Tools. Perplexity hatte ihren eigenen MCP-Server erst im November 2025 awesomeagents.ai ↗ ausgeliefert. Gebaut, betrieben, verworfen, in einem Quartal.

Was ist passiert?

72% für die Bürokratie, 28% für die Arbeit#

MCP funktioniert so: Jeder angeschlossene Server lädt seine kompletten Tool-Definitionen in das Kontextfenster des Modells. Parameterbeschreibungen, JSON-Schemas, Authentifizierungshinweise und alles andere. Bevor der Agent eine einzige Nutzeranfrage sieht.

Apideck hat es gemessen³. Drei MCP-Server, GitHub, Slack, und Sentry laden rund 40 Tools. Ergebnis: 143.000 von 200.000 Token verbraucht. 72 % des Arbeitsgedächtnisses, weg. Für Infrastruktur-Overhead.

Die Ironie: Je mehr Tools man einem Agenten gibt, desto dümmer wird er. Die Schemas verdrängen die Kapazität zum Denken.

Scalekit⁴ lief 75 Vergleichstests. MCP kostet 4- bis 32-mal mehr Token als CLI-Äquivalente. Cloudflare⁵ rechnete vor: Ihre Workers-API über MCP bereitzustellen würde circa 1,17 Millionen Token kosten. Ihr Code-Mode das Modell schreibt Code gegen ein typisiertes SDK benötigt rund 1.000 Token. Faktor 1.170.

Die Leute, die es früher sagten#

Julien Simon publizierte im Juli 2025 julsimon.medium.com ↗ eine detaillierte Kritik: MCPs Session-Modell skaliere nicht horizontal, Authentifizierung sei ein Nachgedanke, JSON-Overhead und Round-Trip-Tool-Calling überleben keinen Produktionsbetrieb. Der Artikel bekam über 50.000 Views. Und, so Simon: „eine Menge wütende Nachrichten, die überwiegend völlig unsubstantiiert waren.“

Acht Monate später sagte Perplexitys CTO exakt dasselbe. Auf einer Bühne.

Garry Tan, Präsident von Y Combinator, formulierte es kürzer⁶: „MCP sucks honestly… I got sick of it and vibe coded a CLI wrapper instead.“ Gründe: Zuverlässigkeit und Geschwindigkeit.

Was die ganze Zeit da war#

Während der MCP-Hype-Zyklus lief, baute Simon Willison leise ein Ökosystem aus Unix-artigen CLI-Tools⁷: llm für Sprachmodelle von der Kommandozeile, sqlite-utils zum Manipulieren von Datenbanken per Pipe, shot-scraper zum Scrapen von Webseiten mit JavaScript, files-to-prompt zum Bündeln ganzer Verzeichnisse.

Alles composable. Alles pipebar. Alles deterministisch, wo Determinismus möglich ist und LLM nur dort, wo es Sprachverständnis braucht. Eine API-Antwort per curl holen, mit jq filtern und mit sqlite-utils insert in eine Datenbank schreiben verbraucht exakt null Token.

Ein Artikel auf dev.to⁸ bringt den Punkt: Ein CLI-Aufruf ist nur ein Bash-Befehl und sein stdout er verbraucht Token nur wenn er aktiv genutzt wird. Bei einer einfachen Dateikonvertierung reduzierte der Wechsel von MCP zu CLI den Token-Verbrauch um rund 40%. Ein MCP-Server für Gitea wurde gebaut, dann realisiert, dass der Agent einfach das offizielle tea-CLI direkt nutzen konnte. Der MCP-Server war reiner Overhead.

Das Entscheidende: Tools wie git, curl, jq, grep oder psql existieren im Trainingsdatensatz der Modelle⁹. Der Agent braucht kein Schema, keine Beschreibung, keinen Kontext. Er kennt --help. Er kann den Befehl in einem Schritt generieren. Null Schema-Token.

Warum MCP trotzdem gepusht wurde#

Die Incentive-Struktur zeigt in eine Richtung.

Tokenbasierte Abrechnung macht Effizienz zum Umsatzproblem. Ein Agent, der jq und sqlite-utils orchestriert und nur eine einzige LLM-Anfrage stellt, generiert vielleicht 500 Token. Ein MCP-Workflow für dieselbe Aufgabe: 50.000. Plattformen, die pro Token abrechnen, haben keinen ökonomischen Anreiz, den billigeren Weg zu vermarkten.

Dazu kommt Lock-in. MCP-Server und Skills binden an ein Ökosystem. Ein Shell-Script mit curl | jq | sqlite-utils läuft überall.

Und die Zielgruppe hat sich verschoben. Wer heute Agent-Workflows baut, kommt oft nicht aus dem Systems-Engineering. „Schreib eine Tool-Beschreibung als JSON“ ist zugänglicher als „lerne Exit-Codes und strukturierten Output“. Kurzfristig.

Wo die Debatte heute steht#

Es wäre falsch, MCP pauschal abzuschreiben. Charles Chen chrlschn.dev ↗ argumentiert: Für bekannte CLI-Tools, die bereits im Trainingsdatensatz sind, lohnt sich MCP nie. Aber für benutzerdefinierte REST-APIs, die das Modell nicht kennt, braucht es irgendeine Form von Schema-Beschreibung, ob per MCP oder per AGENTS.md im Repo.

Anthropics eigenes Engineering-Team¹⁰ hat publiziert, wie Code-Execution den MCP-Overhead von 150.000 Token auf 2.000 drückt. Eine Reduktion um 98,7%. Das Problem ist also bekannt. Auch intern.

Und Block/Goose block.github.io ↗ trennt sauber: Skills beschreiben den Workflow. MCP liefert die Ausführung. Bash führt die Befehle aus. Verschiedene Layer, kein Widerspruch.

Trotzdem bleibt der Befund: Firecrawl fasst zusammen firecrawl.dev ↗, dass Teams, die MCP-Integrationen eingeführt haben, wieder davon abrücken und zu direkten API-Aufrufen und CLI-Tools zurückkehren. Der Overhead überwiegt die Bequemlichkeit.

Der eigentliche Punkt#

Die Technologie war nie das Problem. grep funktionierte 1973. Pipes funktionieren seit 1964. SQLite als universelles Transferformat ist seit Jahren bewährt.

Was fehlte, war nicht Innovation. Was fehlte, war die Bereitschaft, langweilige Lösungen zu vermarkten. Oder wie es ein Dev.to-Kommentar dev.to ↗ formuliert: Wir sind von einfachen APIs zu einem hochkomplexen Protokoll gerannt, nur um an seine Grenzen zu stoßen und direkt wieder bei 30 Jahre alten Ideen zu landen.

Die Hype-Zyklen komprimieren sich. Was früher fünf Jahre dauerte, passiert jetzt in einem Produktzyklus. Die Lehren bleiben dieselben. Das Lehrgeld wird nur schneller fällig.