Agentic Web Protokolle: Ausweg aus der M‑mal‑N‑Integrationsfalle

Agentische Protokolle verschieben die Integrationslogik vom Modell zur Infrastruktur: MCP (Agent-to-Tool), A2A (Agent-to-Agent), AGENTS.md (Projekt-Governance) und das frühe NLWeb bilden einen Stack, der die M‑mal‑N‑Integrationsfalle entschärft. Für CIOs bedeutet das: statt für jedes LLM eigene Schnittstellen zu bauen, werden einheitliche Verbindungs- und Kollaborationspfade etabliert – mit messbaren Effekten auf Time-to-Value und OPEX.

Der Marktkontext ist klar: Ohne Standards droht Fragmentierung zwischen Modellen, Tools und Websites. Die Industrie formiert sich – u. a. mit der Agentic AI Foundation (AAIF) unter dem Dach der Linux Foundation (Ankündigung vom 9. Dezember 2025) – und dokumentiert den Stack öffentlich. Eine fundierte Übersicht der Protokolle liefert u. a. Search Engine Journal, flankiert von Primärdokumenten und technischen Walkthroughs.

Der Stack: Vom M‑mal‑N zur Schichtenstrategie

Die vier Bausteine adressieren unterschiedliche Ebenen und sind komplementär, nicht konkurrierend:

• MCP (Model Context Protocol): standardisiert Agent‑zu‑Tool‑Zugriffe über eine Client‑Server‑Architektur mit JSON‑RPC 2.0 (Datenebene) und Stdio/streambarem HTTP (Transport). Kernobjekte: Tools (Funktionen), Resources (Datenquellen), Prompts (Vorlagen). Laut Branchenanalysen gewann MCP nach der Veröffentlichung durch Anthropic im November 2024 innerhalb eines Monats zehntausende GitHub‑Stars (Quelle: Cisco Blog, 2025/2026).
• A2A (Agent‑to‑Agent): von Google im April 2025 eingeführt. Fokus: Entdeckung und Kollaboration zwischen Agenten über HTTP(S)/JSON‑RPC 2.0. Zentrale Metadaten sind „Agent Cards“ (Fähigkeiten, Interaktionsmodi, Authentifizierung).
• AGENTS.md: ein standardisiertes Markdown‑Artefakt auf Projektebene. Es kodifiziert Architektur‑ und Sicherheitsrichtlinien (z. B. Frameworks, Test‑Coverage, Policies) als maschinenlesbare Anleitung für Agenten in Codebasen.
• NLWeb (Natural Language Web): ein frühes, noch nicht durchformuliertes Protokollkonzept neben MCP/A2A; aktuell existieren Erwähnungen und Lernressourcen, jedoch keine konsolidierte Spezifikation.

Praktisch entsteht ein Drei‑Schichten‑Modell: Project Layer (AGENTS.md), Tool Layer (MCP) und Communication Layer (A2A). NLWeb adressiert perspektivisch die Interaktion mit Websites in natürlicher Sprache, ist aber Stand heute weniger konkret dokumentiert als MCP/A2A.

Business‑Impact: Ressourcen, Kosten, Entkopplung

Der Nutzen für Enterprise‑IT entsteht aus Standardisierung und Wiederverwendung. Statt M Modelle × N Tools individuell zu verdrahten, wird je Ebene nur noch einmal integriert:

• Ressourcenzuordnung: Plattform‑Teams bauen und warten MCP‑Server für Kernsysteme (ERP, CRM, DWH). Produktteams konsumieren diese Services agent‑agnostisch.
• Kosten und Time‑to‑Value: Weniger Punkt‑zu‑Punkt‑Interfaces, weniger Regression bei Modellwechsel, beschleunigte Rollouts.
• Vendor‑Neutralität: Standards verringern Lock‑in. Der gleiche MCP‑Konnektor kann von verschiedenen Agenten/LLMs genutzt werden.
• Governance: AGENTS.md schafft einheitliche Policies (z. B. Secrets‑Handhabung, Code‑Standards) für agentische Workflows direkt im Repository.

Zwei belastbare Zahlen unterstreichen die Relevanz: 1) MCP erreichte kurz nach Launch eine außergewöhnlich schnelle Open‑Source‑Adoption (zehntausende GitHub‑Stars im ersten Monat; Quelle: Cisco Blog, 2025/2026). 2) Der EU AI Act sieht bei Verstößen Bußgelder bis zu 35 Mio. Euro bzw. 7 % des weltweiten Jahresumsatzes vor (verbotene Praktiken), was die Notwendigkeit standardisierter Compliance‑Pfade unmittelbar betont.

Marktdynamik und Governance: Industrieausrichtung

Mit der Gründung der Agentic AI Foundation unter der Linux Foundation nimmt die Koordination Fahrt auf. Ziel ist eine herstellerneutrale Governance‑Ebene, um Interoperabilität entlang des Stacks zu sichern und proprietäre Insellösungen zu vermeiden. Technische Leitfäden und Praxisbeispiele zeigen, dass MCP für Tool‑Zugriffe und A2A für Multi‑Agent‑Workflows zusammenspielen – eine Layer‑2/Layer‑3‑Analogie aus der Netzwerkwelt ist hier hilfreich. Der Effekt: Roadmaps können auf klaren Zuständigkeiten pro Ebene basieren, ohne sich auf ein einzelnes LLM festzulegen.

Regulierung: EU AI Act und Enterprise‑Compliance

Für DACH‑Unternehmen ist der EU AI Act der zentrale Rahmen. Seit Februar 2025 gelten Verbote bestimmter Praktiken und eine KI‑Literacy‑Pflicht, seit August 2025 Governance‑ und GPAI‑Regeln. Ab August 2026 greift der Hauptteil (z. B. Hochrisiko‑Systeme), ab August 2027 laufen Übergangsfristen für Altmodelle aus. Die Protokollschichten helfen operativ: MCP kapselt Zugriffskontrollen, Audit‑Logs und Data‑Minimization pro Tool; A2A ermöglicht nachvollziehbare Kollaboration zwischen Agenten; AGENTS.md verankert Policies im Code. Die Bußgeldhöhen (bis 35 Mio. Euro/7 % Umsatz) erzwingen robuste Prozesse, weshalb Protokoll‑First‑Designs nicht nur Effizienz‑, sondern auch Compliance‑Treiber sind.

So What? CIO‑Implikationen für Architektur und Budget

Für das Management zählt die Entkopplung. Standardisierte Protokolle erlauben dir, Budgets von kurzlebigen Modell‑Integrationen zu langlebigen Infrastruktur‑Artefakten zu verschieben. Priorisiere einen MCP‑Backlog für deine Kernsysteme (zunächst die 5–10 geschäftskritischen APIs/Datenquellen), definiere A2A‑Schnittstellen für teamübergreifende Agenten‑Interaktionen und erzwinge AGENTS.md in allen Repos, die agentische Automatisierung erlauben. Damit wird Modellwechsel zur Beschaffungsentscheidung, nicht zum Re‑Engineering‑Projekt. NLWeb beobachtest du aktiv, setzt es aber erst ein, wenn stabile Spezifikationen vorliegen.

Fazit: Jetzt Standards in Roadmaps verankern

Setze 2026 auf einen Protokoll‑First‑Ansatz: MCP als universelle Tool‑Schicht, A2A für Agenten‑Orchestrierung, AGENTS.md als Governance‑Anker. Das reduziert Integrationsrisiken über Modellgenerationen hinweg und schafft Compliance‑Leitplanken zum AI Act. Vermeide proprietäre Einzellösungen und miss NLWeb als Beobachtungsfeld – Potenzial ja, Spezifikationsreife noch offen. Der Hebel für CIOs ist klar: ein Stack, der Wiederverwendung maximiert und den M‑mal‑N‑Aufwand strukturell abbaut.