MCP vs RAG vs Agent Skills vs Custom GPTs: Ein Entscheidungsbaum für Unternehmen

Diese vier sind nicht vier Antworten auf dieselbe Frage. Sie sitzen auf unterschiedlichen Schichten eines KI-Systems. RAG ist ein Retrieval-Muster, um Antworten in deinen Dokumenten zu verankern. MCP ist ein offenes Protokoll, mit dem ein Modell deine Tools und Daten ansprechen kann. Agent Skills sind verpacktes prozedurales Wissen, das ein Agent bei Bedarf lädt. Custom GPTs sind ein No-Code-Assistent, der innerhalb von ChatGPT läuft. Der Markt stellt sie als "Eins davon wählen" dar. Für die meisten Unternehmen ist die richtige Sicht, sie zu kombinieren: Ein einziger Agent kann einem Skill folgen (die Prozedur), deine Systeme über MCP erreichen (die Tools) und über RAG Kontext ziehen (das Wissen), alles zugleich. Das einzige echte Entweder-oder sind Custom GPTs, denn sie zu wählen ist eine Plattform- und Lock-in-Entscheidung, keine Baustein-Entscheidung.

Das ist eine Engineering-Sicht, kein Verkaufsgespräch. Das Feld bewegt sich schnell, deshalb zählen Daten; alles unten ist Stand Mitte 2026 und sollte vor einer Festlegung gegen die Primärdokumentation gegengeprüft werden.

Der Unterschied auf einen Blick

Der schnellste Weg, sie nicht länger zu vermengen, ist zu sehen, was jedes tatsächlich ist.

Die ersten drei sind Schichten eines einzigen Agenten und kombinieren sich frei. Custom GPTs sind eine Auslieferungsfläche, und selbst sie stützen sich inzwischen unter der Haube auf MCP.

RAG: aus deinem Wissen antworten

Retrieval-Augmented Generation holt relevante Dokumente aus deiner Wissensquelle und spielt sie in den Kontext des Modells ein, bevor es antwortet. Es existiert, um Antworten in deinen proprietären oder aktuellen Daten zu verankern, Halluzinationen zu reduzieren und Antworten ohne erneutes Training frisch zu halten. Wichtig im Kopf zu behalten: Klassisches RAG ist ein Lesemuster. Es ruft keine APIs auf und ändert keinen Zustand. In dem Moment, in dem dein System handeln muss, bist du im Tool-Gebiet, nicht bei RAG. Wenn du RAG gegen Fine-Tuning oder schlicht ein größeres Kontextfenster abwägst, haben wir das in RAG vs Fine-Tuning vs Long Context durchgearbeitet.

MCP: das Modell mit deinen Systemen verbinden

Das Model Context Protocol ist ein offener Standard, von Anthropic Ende 2024 eingeführt, um KI-Anwendungen mit externen Tools und Daten zu verbinden. Die offizielle Analogie ist ein USB-C-Anschluss für KI: ein standardisierter Weg, ein Modell an alles anzustecken, sodass du einen Connector einmal baust und jeder kompatible Host ihn nutzen kann, statt pro Tool eine maßgeschneiderte Integration zu schreiben. Es ist ein Client-Server-Protokoll, und ein Server kann Tools (Aktionen), Ressourcen (Daten) und Prompts bereitstellen. Du brauchst MCP, wenn ein Modell oder Agent deine Systeme auf wiederverwendbare, anbieterneutrale Weise ansprechen soll. Was es nicht ist: eine Retrieval-Technik, ein Modell oder prozedurale Anweisungen. Es ist die Verrohrung unter dem Agenten. Es ist inzwischen wirklich anbieterübergreifend, mit OpenAI, Google und Microsoft, die es alle übernommen haben, und im Dezember 2025 wurde es der Agentic AI Foundation der Linux Foundation gespendet.

Agent Skills: die Prozedur verpacken

Agent Skills, von Anthropic im Oktober 2025 eingeführt und später im selben Jahr als offener Standard veröffentlicht, sind organisierte Ordner aus Anweisungen, Skripten und Ressourcen, die ein Agent erkennt und nur dann lädt, wenn eine Aufgabe passt. Die Einheit ist eine SKILL.md-Datei: eine kurze Beschreibung plus ein Korpus prozeduralen Wissens, optional mit Skripten. Der clevere Teil ist Progressive Disclosure, bei dem nur Name und Beschreibung im Kontext liegen, bis der Skill tatsächlich gebraucht wird, sodass eine Bibliothek von Skills fast nichts kostet, bis sie genutzt wird. Der am häufigsten vermengte Punkt: Skills ergänzen MCP, sie konkurrieren nicht mit ihm. MCP ist Anbindung, die Systeme, die ein Agent erreichen kann. Skills sind die Prozedur, das Vorgehen, dem der Agent folgt, und ein Skill kann MCP-Tools orchestrieren. Behandle einen Skill wie installierte Software und nutze nur solche aus vertrauenswürdigen Quellen.

Das ist für uns keine Theorie. Wir veröffentlichen eine öffentliche Agent-Skills-Registry: sechs signierte SKILL.md-Skills in jeweils einer Datei, gelistet in einem maschinenlesbaren Manifest unter /.well-known/agent-skills/index.json, jeder gespiegelt von einer menschenlesbaren Seite. Unser Skill qa-advisor etwa kodiert die Prozedur eines erfahrenen QA-Engineers, die Prüfungen und die Bewertung, als portables, versioniertes Wissen. Er verbindet sich nicht mit einem System und ruft keine Dokumente ab. Er sagt dem Agenten, wie er denken soll. Genau das ist ein Skill, und genau das ist weder MCP noch RAG.

Custom GPTs: der schnelle verpackte Assistent

Ein Custom GPT ist eine No-Code-Version von ChatGPT, im GPT Builder erstellt, die Anweisungen, ein paar Wissensdateien und optionale Actions kombiniert und innerhalb von ChatGPT läuft. Es ist der schnellste Weg, einer nicht-entwickelnden Person einen nützlichen Assistenten zu geben, und es ist in Ordnung für einen schnellen internen Frage-Antwort-Bot. Die Kompromisse sind real: Das Erstellen erfordert einen kostenpflichtigen Tarif, das Wissen ist gedeckelt, und es gibt einen harten Lock-in, denn ein Custom GPT lässt sich nicht exportieren, selbst hosten oder auf einem anderen Modell betreiben. OpenAIs eigene Entwickler-Dynamik ist zu portablen, API- und MCP-basierten Agenten gewandert, und Custom GPTs sind, obwohl weiterhin unterstützt, nicht länger die Front. Prototype in einem GPT, bau das eigentliche Ding als Agent.

Der Entscheidungsbaum

Geh von dem aus, was das Modell tatsächlich tun soll.

1. Aus deinen Dokumenten oder deinem Wissen antworten? RAG. Antworten in deinen Daten verankern, ohne erneutes Training.
2. Deine Systeme, APIs, Datenbanken, internen Tools auf wiederverwendbare, anbieterneutrale Weise ansprechen? MCP. Einen Server einmal bauen; jeder Host kann ihn nutzen.
3. Eine wiederholbare Prozedur oder einen Unternehmens-Workflow zuverlässig befolgen? Agent Skills. Das Wissen verpacken, bei Bedarf laden.
4. Einen schnellen No-Code-Assistenten für Nicht-Entwickler innerhalb von ChatGPT, und Lock-in akzeptieren? Custom GPT.
5. Mehr als eines davon brauchen (die meisten realen Systeme)? Kombiniere sie. Ein Support-Agent antwortet aus Dokumenten (RAG), schlägt eine Bestellung nach und erstattet einen Betrag (MCP) und folgt deinen Eskalations- und Tonregeln (Skill). RAG kann sogar als MCP-Tool bereitgestellt werden, sodass "RAG vs MCP" meist eine Scheinwahl ist.

"RAG ist Wissen, MCP ist Anbindung, Skills sind Prozedur, und ein Custom GPT ist ein verpackter Assistent. Sobald du sie als verschiedene Schichten statt als konkurrierende Produkte siehst, lautet die Frage nicht mehr welches, sondern welche Kombination."