Deine Hotelzahlen in Claude, ChatGPT und Langdock.

Das Model Context Protocol ist ein offener Standard, mit dem KI-Chatbots Werkzeuge und Daten anfragen. Indicate stellt so seinen Kennzahlen-Katalog bereit, ohne Export und ohne Kopie.

Die eigenen Systeme direkt per API an ein Sprachmodell anzubinden, ist technisch möglich. Es funktioniert aber nur im kleinen Rahmen und skaliert nicht. Die Gründe:

1. Oft gibt es gar keine nutzbare API
Gerade in der Hotellerie lassen sich Marketingsysteme meist noch anbinden. Bei CRM und PMS ist für die meisten Schluss. Man braucht offizielle Schnittstellen und Partnerschaften mit den Herstellern, um überhaupt an die Daten zu kommen.

2. Hoher Entwicklungs- und Wartungsaufwand
Jedes Mal, wenn ein Hersteller seine API ändert, muss man die eigene Anbindung nachziehen. Bei mehreren Systemen wird das zur Daueraufgabe.

3. Nur Momentaufnahmen, keine Datenhistorie
Eine API liefert, was sie gerade jetzt hat. Viele APIs geben nur die letzten 13 Monate oder sogar nur den heutigen Tag heraus. In fünf Jahren kann man also nicht mehr fragen, wie es vor fünf Jahren war.

4. Keine Zeitreisen
Fragen wie „Wie sah die Auslastung für Mai zu einem bestimmten Stichtag aus?“ brauchen eine Datenbank, die solche Stände speichert, und ein System, das damit arbeiten und sie bereitstellen kann.

5. Enormer Tokenverbrauch
Bei jeder Frage wird die gesamte API abgefragt. Das Kontextfenster ist schnell voll, und die KI muss viel mehr rechnen und erst verstehen, woher welche Daten kommen.

6. Rohdaten führen zu falschen Ergebnissen
Viele Schnittstellen liefern Rohdaten statt fertig berechneter Kennzahlen. Die KI versteht sie oft nicht richtig und rechnet falsch. Im Originalsystem steht A, die KI liefert B. Die Systeme sind schlicht nicht dafür gebaut, von einer KI gelesen zu werden.

7. Keine Vergleichbarkeit zwischen Systemen
Jedes System hat ein eigenes Datenmodell und geht anders mit Daten um. Die KI bräuchte dafür erst ein Verständnis, und woher soll sie das bekommen?

8. Fehlender Kontext
„Buchungen“ gibt es im CRM, im PMS und vielleicht noch in einem dritten System. Die KI muss wissen, was eine Buchung jeweils bedeutet und in welchem Zusammenhang die Daten stehen. Dafür braucht es eine Schicht, die Kontext liefert und Daten verständlich bereitstellt.

9. Datenschutz
Bei direktem API-Zugriff kann jedes Sprachmodell auch auf personenbezogene Daten zugreifen: Geburtsdaten, Ausweisnummern, Adressen, Kreditkartendaten. Diese sind dann direkt abfragbar und einsehbar.

10. Kosten explodieren mit der Teamgröße
Solange eine Person das macht, geht es. Sobald viele Mitarbeitende über diesen Weg zugreifen, steigen der Tokenverbrauch und damit die Kosten extrem schnell.

11. Rate Limits und Last auf den operativen Systemen
Hersteller begrenzen die Anzahl der API-Aufrufe. Wenn viele KI-Anfragen direkt auf das PMS gehen, stößt man schnell an diese Grenzen oder bremst im schlimmsten Fall das System aus, mit dem die Rezeption gerade arbeitet.

12. Unvollständige Antworten
APIs liefern große Datenmengen seitenweise aus. Eine KI holt sich oft nur die erste Seite und antwortet auf Basis eines Bruchteils der Daten, ohne das zu merken oder anzuzeigen.

13. Einheitliche Kennzahlendefinitionen (eine Wahrheit)
Was genau ist ADR, RevPAR oder Auslastung? Zählen Stornos, Tagesgäste und Out-of-Order-Zimmer mit? Ohne zentral definierte Metriken rechnet die KI heute so und morgen anders, und zwei Kollegen bekommen auf dieselbe Frage unterschiedliche Zahlen.

14. Rechte und Rollen
Ein direkt angebundener API-Schlüssel hat meist volle Rechte. Man kann nicht sauber steuern, dass die Revenue-Managerin alles sieht, der Marketingpraktikant aber nur Webseitenzahlen. Zudem haben viele Schlüssel auch Schreibrechte, womit die KI im Zweifel Daten verändern könnte.

15. Nachvollziehbarkeit
Bei Indicate ist klar, aus welcher Quelle eine Zahl kommt und wie sie berechnet wurde. Bei einer direkten KI-Abfrage ist das eine Blackbox, und niemand kann prüfen, ob das Ergebnis stimmt.

16. Datenqualität und Zusammenführung
Daten müssen bereinigt, dedupliziert und abgeglichen werden, zum Beispiel derselbe Gast im CRM und im PMS, unterschiedliche Zeitzonen, Währungen oder Buchungsstatus. Das leistet keine direkte API-Anbindung.

17. Unabhängigkeit vom KI-Anbieter
Mit Indicate als Datenschicht kannst du zwischen Claude, ChatGPT und Langdock wechseln, ohne alle Anbindungen neu zu bauen.

18. Geschwindigkeit
Vorberechnete und gespeicherte Kennzahlen liefern Antworten in Sekunden, statt bei jeder Frage erst Rohdaten aus mehreren Systemen zu ziehen und zu verrechnen.

19. Abhängigkeit von Einzelpersonen
Selbstgebaute Anbindungen hängen oft an einer Person. Geht sie, weiß niemand mehr, wie das Ganze funktioniert oder gewartet wird.

Nur die Kennzahlen, die dein Chatbot für die Frage anfragt, mit den Rechten des Tokens. Gästedaten und rohe Tabellen bleiben im Space.

Nein. Derselbe MCP-Server läuft in Claude Code und GitHub Copilot. Dazu kommen API-Tokens, Exporte und das KPI Studio für eigene Definitionen.