Wenn KI-Agenten nicht mehr nur Tools aufrufen, sondern programmieren
Stell dir vor, du bittest einen KI-Assistenten, aus 500 Kundendatensätzen die zehn wichtigsten Chancen herauszufiltern, für jede davon eine passende E-Mail zu entwerfen und anschließend alle Ergebnisse in deinem CRM zu aktualisieren. Bei klassischem MCP würde das Modell vermutlich Dutzende einzelne Tool-Aufrufe starten: Daten abrufen, Ergebnis ansehen, nächsten Datensatz holen, filtern, E-Mail schreiben, speichern. Jeder Schritt verbraucht Kontext, Zeit und Aufmerksamkeit. Mit Code Mode ändert sich genau das: Die KI schreibt ein kleines Programm, das diese Schritte selbst orchestriert und liefert am Ende nur noch das relevante Ergebnis zurück.
Genau hier liegt der nächste Evolutionsschritt für MCP, das Model Context Protocol. MCP hat KI-Systemen bereits einen standardisierten Weg gegeben, mit externen Tools, Datenquellen und APIs zu sprechen. Code Mode erweitert dieses Prinzip um eine entscheidende Fähigkeit: Komposition. Statt einzelne Werkzeuge nacheinander zu bedienen, kann ein KI-Agent Werkzeuge zu Workflows verbinden.
MCP: Der Anschluss, der KI handlungsfähig macht
Das Model Context Protocol ist ein offener Standard, der beschreibt, wie KI-Clients mit externen MCP-Servern kommunizieren. Ein MCP-Server stellt dabei Funktionen bereit: etwa den Zugriff auf einen Kalender, eine Datenbank, ein Dateisystem, GitHub, Slack oder ein CRM. Die KI muss dafür nicht wissen, wie die jeweilige Anwendung intern funktioniert; sie nutzt die standardisierte Schnittstelle.
Wir haben MCP bereits als „universellen Anschluss für KI-Tools“ beschrieben: Ein Tool wird einmal als MCP-Server angebunden und kann anschließend von kompatiblen KI-Clients genutzt werden. Das reduziert Insellösungen und macht Integrationen deutlich skalierbarer.
Doch MCP löst zunächst ein anderes Problem: Verbindung. Es sorgt dafür, dass ein KI-Modell weiß, welche Tools es gibt, welche Parameter diese erwarten und wie Ergebnisse zurückkommen. Was MCP in seiner klassischen Form nicht zwingend löst, ist die Frage, wie ein Modell mit vielen Tools, großen Datenmengen und mehrstufigen Abläufen effizient umgeht.
Das Problem: Viele Tools, wenig Kontext
Stell dir einen KI-Agenten vor, der Zugriff auf 30 MCP-Server hat. Jeder Server bringt möglicherweise zehn, zwanzig oder noch mehr Tools mit. Schnell entsteht ein Katalog mit hunderten Funktionen. Jede Funktion braucht eine Beschreibung, Parameternamen, Datentypen und Beispiele. All das muss das Modell verstehen, bevor es überhaupt sinnvoll handeln kann.
Das erzeugt drei praktische Probleme:
- Kontextüberlastung: Toolbeschreibungen und Schemata belegen bereits vor der eigentlichen Aufgabe wertvollen Kontext.
- Viele Roundtrips: Für eine mehrstufige Aufgabe braucht das Modell möglicherweise jeden einzelnen Schritt als separaten Tool-Call.
- Datenballast: Wenn eine API 1.000 Datensätze zurückgibt, aber nur 12 relevant sind, landen im schlechtesten Fall trotzdem alle 1.000 im Modellkontext.
Genau an dieser Stelle setzt Code Mode an.
Was Code Mode tatsächlich erweitert
Code Mode erweitert MCP nicht einfach um „noch ein Tool“. Er verändert die Art, wie ein KI-Agent mit MCP-Tools arbeitet. Statt jede Operation einzeln aufzurufen, erhält das Modell die Möglichkeit, Code zu schreiben und auszuführen, der auf die verfügbaren MCP-Tools zugreift.
Cloudflare beschreibt diesen Ansatz so: Ein Code-Mode-MCP-Server ermöglicht MCP-Clients, modellgeschriebenen Code zu nutzen, ohne dass der Client selbst eine Sandbox bereitstellen muss. Statt für jede Operation ein eigenes Tool anzubieten, werden die Tools als programmierbare Schnittstelle verfügbar gemacht.
In der Praxis bedeutet das: Der Agent kann beispielsweise JavaScript oder Python schreiben, um mehrere MCP-Aufrufe zu kombinieren. Er kann Schleifen bilden, Bedingungen prüfen, Fehler abfangen, Ergebnisse zwischenspeichern und nur das Endergebnis zurückgeben.
Ein einfaches Beispiel: Statt „Hole Kundenliste“, „Prüfe jeden Kunden einzeln“, „Rufe Umsatzdaten ab“, „Erstelle Zusammenfassung“ als vier oder mehr Modell-Schritte abzuarbeiten, schreibt der Agent ein Skript. Dieses Skript ruft die Daten ab, filtert sie, berechnet Kennzahlen und gibt nur die zehn relevantesten Kunden zurück. Das Modell sieht anschließend nicht 1.000 Zeilen Rohdaten, sondern eine kompakte, entscheidungsreife Auswertung.
Progressive Discovery: Erst suchen, dann gezielt handeln
Ein weiterer wichtiger Baustein ist Progressive Discovery. Das Modell sieht nicht sofort den kompletten Tool-Katalog. Stattdessen bekommt es zunächst Meta-Tools, etwa zum Suchen und Ausführen von Operationen.
Der Ablauf sieht dann ungefähr so aus:
- Der Agent sucht nach passenden Funktionen, etwa „CRM-Kunden abrufen“ oder „E-Mail senden“.
- Er erhält nur die relevanten Toolbeschreibungen und Schemata.
- Er schreibt Code, der genau diese Funktionen verwendet.
- Der Code läuft in einer kontrollierten Umgebung.
- Nur das finale Ergebnis geht zurück an das Modell.
Das ist ein erheblicher Unterschied zum klassischen MCP-Ansatz. Dort ist das Modell oft gezwungen, den gesamten Werkzeugkasten im Kopf zu behalten. Bei Code Mode holt es sich genau das Werkzeug, das es gerade braucht – ähnlich wie ein Entwickler nicht jede Dokumentation auswendig lernt, sondern gezielt nach der passenden Funktion sucht.
Warum das für Agenten so wichtig ist
KI-Agenten werden dann wirklich nützlich, wenn sie nicht nur eine Frage beantworten, sondern einen Prozess zu Ende bringen. Genau dafür braucht es Verkettung, Logik und Umgang mit großen Datenmengen.
Code Mode macht Agenten deshalb in mehreren Dimensionen leistungsfähiger:
- Effizienz: Mehrere Operationen lassen sich in einem Ausführungsschritt zusammenfassen.
- Kontextökonomie: Zwischenergebnisse müssen nicht vollständig ins Modellkontextfenster geladen werden.
- Zuverlässigkeit: Wiederholbare Abläufe wie Pagination, Filterung oder Datenbereinigung liegen im Code statt in fragilen Modellentscheidungen.
- Skalierbarkeit: Auch große API-Landschaften bleiben bedienbar, weil der Agent gezielt sucht statt alles vorzuhalten.
- Komplexität: Bedingungen, Schleifen, Parallelisierung und Fehlerbehandlung werden möglich.
Das ist besonders relevant für Unternehmensszenarien: Vertriebsdaten aus einem CRM mit Marketingkampagnen abgleichen, offene Rechnungen prüfen, Support-Tickets kategorisieren oder Projektstatus aus mehreren Quellen konsolidieren, all das sind keine einzelnen Tool-Aufrufe, sondern Workflows.
Die Kehrseite: Mehr Macht, mehr Verantwortung
Wer jetzt denkt, Code Mode sei automatisch die bessere Lösung, sollte einen Moment innehalten. Mit der Fähigkeit, Code auszuführen, wächst auch die Angriffsfläche. Ein KI-Agent, der nicht nur Tools aufruft, sondern Programme schreibt, benötigt deshalb zwingend eine sichere Ausführungsumgebung.
Dazu gehören:
- Sandboxing: Der generierte Code muss isoliert laufen, ohne ungeprüften Zugriff auf das Betriebssystem oder sensible Umgebungsvariablen.
- Berechtigungen: Nicht jedes Tool sollte automatisch ausführbar sein. Rollen, Scopes und Allowlists sind essenziell.
- Approval-Flows: Besonders bei schreibenden Aktionen – E-Mails versenden, Datensätze löschen, Zahlungen auslösen, sollte eine menschliche Freigabe möglich sein.
- Observability: Unternehmen müssen nachvollziehen können, welcher Code ausgeführt wurde, welche Tools aufgerufen wurden und welche Daten geflossen sind.
- Limits: Zeit-, Kosten- und Ressourcengrenzen verhindern, dass ein Agent unbeabsichtigt Endlosschleifen oder übermäßige API-Aufrufe erzeugt.
Code Mode ist also kein Sicherheitsfeature, sondern eine Fähigkeit. Ob diese Fähigkeit verantwortungsvoll eingesetzt wird, entscheidet die Architektur drumherum.
Für wen lohnt sich Code Mode?
Nicht jedes Szenario braucht Code Mode. Wenn ein Agent lediglich einen Termin erstellen oder eine Datei durchsuchen soll, ist ein klassischer MCP-Tool-Call völlig ausreichend, einfacher, transparenter und leichter zu kontrollieren.
Code Mode wird interessant, wenn mindestens einer dieser Punkte zutrifft:
- Es gibt viele MCP-Server oder sehr viele Tools.
- Aufgaben erfordern mehrere abhängige Schritte.
- APIs liefern große Datenmengen, von denen nur ein Teil relevant ist.
- Workflows müssen wiederholbar und effizient ausgeführt werden.
- Agenten sollen komplexe Geschäftsprozesse über mehrere Systeme hinweg abbilden.
Dann wird Code Mode vom netten technischen Extra zum echten Hebel für skalierbare KI-Automatisierung.
Unser Fazit
Code Mode ist für MCP das, was für einen Assistenten der Unterschied zwischen „Werkzeug benutzen“ und „Arbeitsablauf gestalten“ ist. MCP verbindet KI mit der digitalen Welt. Code Mode gibt dieser KI die Fähigkeit, diese Verbindung intelligent, effizient und programmatisch zu orchestrieren.
Unsere Einschätzung: Code Mode wird kein Ersatz für klassisches MCP sein, sondern seine professionelle Erweiterung. Für einfache Integrationen bleiben einzelne Tool-Aufrufe sinnvoll. Für ernsthafte Agenten-Workflows, große Tool-Kataloge und datenintensive Prozesse wird Code Mode jedoch schnell zum Standard.
Entscheidend bleibt dabei: Mehr Automatisierung bedeutet nicht weniger Verantwortung. Wer KI-Agenten erlauben will, Code auszuführen, muss gleichzeitig in Sandboxung, Berechtigungen, Transparenz und menschliche Kontrollpunkte investieren. Dann wird aus einem mächtigen technischen Konzept kein Risiko, sondern ein belastbarer Baustein für die nächste Generation von KI-Agenten.
Hinweis: Dieser Artikel enthält Inhalte, die mit Unterstützung eines KI-Systems erstellt wurden. Die Inhalte wurden anschließend von einem Menschen mit ❤️ überprüft und bearbeitet, um Qualität und Richtigkeit sicherzustellen.