API Integration in Chat Agents via MCP: Warum eine Entscheidung vor 10 Jahren heute zum Gamechanger wird

Vor rund 10 Jahren haben wir bei riskine eine klare technologische Richtung eingeschlagen: API-first, mit Fokus auf einen starken fachlichen Kern, strukturierte Daten und nachvollziehbare Berechnungslogiken. Daraus entstand eine API, die bis heute unterschiedlichste Anwendungsfälle abbildet: von Rentenlücken über Versicherungsanalysen bis hin zu Kreditberechnungen.

Mit dem Aufkommen moderner LLMs stellt sich eine zentrale Frage: Wie greifen Sprachmodelle zuverlässig auf externe Systeme zu? Kurz gesagt: MCP macht aus einem LLM einen handlungsfähigen Agenten, der nicht nur antwortet, sondern auch rechnet, prüft und entscheidet.

Heute nutzen wir genau diese Architektur, um unsere API direkt in Chat Agents wie Claude zu integrieren. Über einen MCP-Server kann der Agent:

1. die passende Funktion in unserer API identifizieren,
2. eine Anfrage korrekt strukturieren,
3. die Berechnung durchführen lassen und
4. das Ergebnis verständlich erklären und visuell aufbereiten.

Das funktioniert, weil unsere API auf einem klaren Domänenmodell basiert, das LLMs hervorragend nutzen können.

Dazu ziehen wir einen konkreten Use Case heran: eine Rentenberatung für unsere Kundin, Lena Meier.

Ein(e) Berater(in) stellt im Chat eine Frage wie: „Wie hoch ist die Rentenlücke von Lena Meier?“

Im Hintergrund erkennt der Chat Agent die Intention und…

• Wählt das passende MCP-Tool (riskine API)
• Führt die Berechnung durch
• Liefert eine verständliche Antwort

Im nächsten Schritt kann die/der Berater(in) weitergehen:

• „Zeig mir 3 Szenarien, um die Lücke zu schließen“

Der Agent:

• Ruft mehrere API-Endpunkte auf
• Kombiniert die Ergebnisse
• Erstellt eine strukturierte Übersicht

Das Ergebnis: komplexe Finanzberatung – vollständig conversational.

Diese Integration ist mehr als ein technisches Feature. Sie zeigt einen grundlegenden Wandel von statischen Tools und isolierten Berechnungen hinzu einer dialogbasierten Interaktion, dynamischer Orchestrierung von APIs und einer personalisierten Beratung in Echtzeit.

Und vor allem: 👉 LLMs werden nur dann wirklich verlässlich, wenn sie auf strukturierte, geprüfte Systeme und Daten zugreifen können.

Unsere riskine API-Dokumentation mit einer Vielzahl an Use Cases findet sich hier.