Transkripte über MCP an KI-Agenten anbinden

Wer seit zwei Jahren mit großen Sprachmodellen arbeitet, kennt dieselbe Reibung: das Modell ist klug, hat aber kein Gedächtnis für Ihre Daten. Jedes Gespräch beginnt bei null. Kontext lässt sich einfügen, verschwindet aber, sobald der Chat zu ist. RAG-Ketten helfen, sind aber jedes Mal Maßarbeit: anderer Vektorspeicher, andere Abrufregeln, anderer Klebecode, pro Projekt neu.

Das Model Context Protocol (MCP), das Anthropic Ende 2024 vorgestellt hat, ist der erste ernsthafte Standardisierungsversuch dafür. Es beschreibt, wie KI-Clients externe Kontextquellen einheitlich finden und aufrufen. Der Vergleich, der es am besten trifft: MCP will für KI sein, was das Language Server Protocol für Editoren war. Vorher sprach jeder Editor mit jedem Sprachwerkzeug anders, danach mit allen gleich.

Für jeden mit einem größeren Bestand an Transkripten, also Besprechungsarchiven, Interviewsammlungen, Podcast-Rückkatalogen oder Kundengesprächen, ist MCP das fehlende Stück, das diese Texte für KI nutzbar macht.

Was MCP technisch ist

MCP ist ein JSON-RPC-Protokoll über stdio oder HTTP. Ein Server bietet drei Arten von Fähigkeiten an:

• Resources, adressierbare Inhalte, die der Client lesen kann
• Tools, Aktionen, die der Client aufrufen kann
• Prompts, wiederverwendbare Vorlagen, die der Client dem Nutzer anbietet

Der Client verbindet sich, listet die Fähigkeiten auf und stellt sie dem Sprachmodell zur Verfügung. Wenn das Modell Kontext braucht, ruft es ein Werkzeug auf oder liest eine Ressource. Das Ergebnis fließt zurück ins Gespräch.

Stark ist daran die Standardisierung. Sie schreiben keinen Claude-spezifischen Code, sondern einen MCP-Server, und jeder MCP-fähige Client kann ihn nutzen: Claude Desktop, ein eigener Agent auf dem Anthropic-SDK, ein internes Werkzeug mit mcp-use in Python, oder was als nächstes kommt.

Warum Transkripte davon mehr profitieren als andere Daten

Die meisten Quellen, die man per MCP anschließt, haben schon brauchbare Werkzeuge. Eine Postgres-Datenbank lässt sich abfragen, ein Repository durchsuchen. Der Zusatznutzen einer MCP-Hülle ist real, aber maßvoll.

Bei Transkripten ist er größer, weil drei Eigenschaften zusammenkommen:

1. Sie sind lang. Eine Stunde Besprechung sind 8.000 bis 12.000 Wörter. Die bei jeder Frage in ein Chatfenster zu kopieren, ist keine Arbeitsweise.
2. Sie sind unstrukturiert. Anders als Datenbankzeilen lassen sie sich nicht abfragen mit "zeig mir alle Gespräche, in denen der Kunde Preisbedenken geäußert hat". Oder genauer: ließen sich nicht, bis Sprachmodelle in semantischer Suche gut wurden.
3. Sie wachsen schnell. Ein Vertriebsteam mit 30 Demo-Terminen pro Woche produziert 1.500 Transkripte im Jahr. Das von Hand zu erschließen, ist aussichtslos.

Lang, unstrukturiert, wachsend: genau die Kombination, in der ein Agent mit semantischem Zugriff seine Stärke hat. Er liest die Frage, sucht im Bestand, holt die passenden Stellen und antwortet im Kontext. Die MCP-Schicht macht das ohne eigene RAG-Kette möglich.

Was der DeepScript-Server anbietet

Der Server ist gehostet und erreichbar unter https://mcp.deepscript.com. Er stellt drei Werkzeuge bereit:

• search_transcripts durchsucht die Bibliothek im Volltext und liefert die besten Treffer mit Ausschnitt, Transkript-ID und Datum
• get_transcript gibt den vollständigen Text einer Transkription samt Wort-Metadaten zurück
• list_recent listet die letzten N Transkriptionen

Drei Werkzeuge sind wenig, und das ist Absicht. Ein Agent, der zwischen zwölf Werkzeugen wählen muss, wählt schlechter, und die Suche ist der Aufruf, der in fast jeder Frage vorkommt. Zwei Prinzipien tragen den Zuschnitt: ein Werkzeug gibt kleine, gezielte Antworten zurück statt ganzer Transkripte, wo ein Ausschnitt genügt, und die Suche muss gut genug sein, dass ein oder zwei Abrufe für eine Antwort reichen.

Ein durchgespieltes Beispiel

Angenommen, Sie sind in der UX-Forschung und haben 80 Interviewtranskripte aus dem letzten halben Jahr in DeepScript. Mit eingerichtetem MCP sieht die Arbeit so aus:

Sie: Ich bereite die Synthese für die Onboarding-Studie vor. Was haben die Leute dazu gesagt, dass der erste Eindruck verwirrend ist? Claude: *[ruft search_transcripts mit "Onboarding erster Eindruck verwirrend" auf]* Ich habe 14 Interviews gefunden, die das berühren. Die Hauptmuster: 1. Die Kontoeinrichtung wirkt losgelöst vom Nutzen (Interviews 23, 31, 45). Mehrere Teilnehmende verstanden nicht, warum sie Zahlungsdaten eingeben sollen, bevor sie das Produkt arbeiten sehen. 2. Der leere Zustand im Dashboard ist eine Sackgasse (Interviews 12, 18, 29, 31, 50). Zitat aus Interview 29 bei 14:32: *"Ich habe mich eingeloggt und da war nichts. Ich wusste nicht, was jetzt."* 3. Die Dokumentation ist schwer zu finden (Interviews 5, 12, 41, 50, 61). Soll ich zu einem der Muster die genauen Zitate ziehen?

Für eine Person wäre das ein halber Tag Arbeit. Mit MCP sind es Sekunden, und der Agent kann nachfragen, Teilnehmende gegeneinander stellen oder mit anderen Quellen verbinden.

Einrichtung

Es gibt nichts zu installieren. Sie zeigen den Client auf die URL und authentifizieren mit einem normalen ds_live_-API-Schlüssel, demselben, den die REST-API nutzt.

In der Konfiguration von Claude Desktop (%APPDATA%\Claude\claude_desktop_config.json unter Windows):

{
  "mcpServers": {
    "deepscript": {
      "url": "https://mcp.deepscript.com",
      "headers": {
        "Authorization": "Bearer ds_live_xxx"
      }
    }
  }
}

Cursor und Zed nutzen dieselbe URL mit eigener Konfigurationsform, beide stehen auf der MCP-Integrationsseite. Nach einem Neustart erscheinen die Werkzeuge, und Sie können über Ihre Transkripte sprechen.

Warum das am Pro-Tarif hängt

Der MCP-Zugriff gehört zum Pro-Abo (22 € im Monat). Der Grund ist nüchtern: ein Agent löst viel mehr Aufrufe aus als ein Mensch. Eine einzige Recherchesitzung kann 30 bis 50 Suchen über das Archiv auslösen. Zu einer Abrechnung nach Verbrauch passt dieses Muster schlecht, zu einer Pauschale gut.

Dazu kommt die Aufbewahrung. Voreingestellt löscht DeepScript nach 30 Tagen, Pro hebt das auf. Ein Agent arbeitet besser über einem Jahr Interviews als über den letzten vier Wochen, insofern gehören beide Dinge zusammen.

Datenschutz bei MCP-Aufbauten

Der Punkt, der in den meisten MCP-Artikeln fehlt, und für europäische Teams der wichtigste: der KI-Client sieht, was der Server zurückgibt. Wer Claude Desktop an einen Bestand mit sensiblen Inhalten hängt, lässt diese Inhalte im Gespräch durch die Infrastruktur des LLM-Anbieters laufen.

Für viele Teams ist das vertretbar, es gehört aber ausgesprochen:

• Die Transkripte selbst bleiben auf DeepScript-Servern in Deutschland. Sie werden nicht zum LLM-Anbieter kopiert.
• Ausschnitte und Suchtreffer laufen durch das Gespräch. Was das Modell sieht, sieht auch sein Anbieter.
• Die Körnung steuern Sie. Ein Server, der kleine Ausschnitte statt ganzer Transkripte zurückgibt, begrenzt die Menge.

Für regulierte Umgebungen reicht das oft nicht. Bei Mandantengesprächen nach § 43a BRAO oder Patientendaten unter § 203 StGB ist schon der Ausschnitt eine Offenlegung gegenüber einem Dritten, und die braucht ihre eigene Rechtsgrundlage. Zwei Wege bleiben: ein lokal betriebenes Modell in der EU mit MCP-Unterstützung, oder den Agenten auf Metadaten beschränken, also Titel, Beteiligte und Datum, ohne Inhalte.

Das ist keine Einschränkung von MCP, sondern die normale Frage bei jedem Auftragsverarbeiter. Sie fällt hier nur oft unter den Tisch, weil MCP nach Werkzeug klingt und nicht nach Datenweitergabe.

Warum das mehr ist, als es aussieht

MCP ist nicht nur ein Protokoll, es ist der Anfang einer Verschiebung. "KI im Arbeitsablauf" hieß bisher entweder generische Chatbots ohne Kenntnis der eigenen Daten, oder maßgeschneiderte RAG-Systeme, die Monate kosten und bei jedem Modellwechsel brechen.

MCP macht externe Daten zur Massenware. Sie stellen einen Server für Transkripte hin, einen für das CRM, einen für die Codebasis, einen für die Dokumentation. Jeder Agent, heute oder künftig, spricht mit allen gleich. Die Integrationskosten fallen um eine Größenordnung.

Für Transkription heißt das: Besprechungsarchive, Interviewsammlungen und Anrufmitschnitte werden erstmals vollwertige Teilnehmer am KI-Arbeitsablauf. Nicht als Dateien, die man in einen Chat kopiert, sondern als befragbare Quelle.

Nächste Schritte

Wenn Sie DeepScript schon nutzen:

1. Auf Pro wechseln, damit MCP-Zugriff und dauerhafte Speicherung offen sind.
2. Einen API-Schlüssel unter Einstellungen → API-Schlüssel erzeugen.
3. Den Konfigurationsblock in Claude Desktop oder Ihren MCP-Client eintragen.
4. Anfangen zu fragen.

Wenn nicht, gilt derselbe Ablauf, nachdem Sie Ihr Archiv über den normalen Upload oder die API transkribiert haben. Das vollständige Werkzeug-Schema samt Beispielcode steht auf der MCP-Integrationsseite.