Papermark veröffentlicht jetzt einen offiziellen MCP Server: @papermark/mcp-server auf npm, der 43 typisierte Tools bereitstellt, die die vollständige Papermark API für Data Rooms, Dokumente, Links, Ordner, Besucher und Analysen abdecken. Verbinde ihn mit einem einzigen JSON-Snippet mit Claude Desktop, und ein KI-Agent kann in deinem Auftrag einen Data Room einrichten, Dokumente in großen Mengen hochladen, investorenspezifische Links erstellen und seitenweise Aufrufsanalysen abrufen. Nach unserem Kenntnisstand ist Papermark der erste Anbieter virtueller Datenräume mit einem echten MCP Server, während etablierte VDR-Anbieter wie Intralinks, Datasite und DocSend keine MCP-Integration bieten – und im Fall von DocSend gar keine öffentliche API.
MCP (Model Context Protocol) ist der offene Standard, der es einem KI-Agenten ermöglicht, Tools außerhalb seiner eigenen Sandbox zu erkennen und aufzurufen. Ein Data Room MCP Server nimmt die Aktionen, die du normalerweise im VDR-Dashboard durchführst (einen Raum erstellen, Dateien hochladen, einen Freigabelink konfigurieren, prüfen wer was angesehen hat), und stellt sie als Tools bereit, die ein Agent wie Claude direkt aufrufen kann.
Der Papermark MCP Server spiegelt die Papermark REST API eins zu eins wider. Tool-Argumente verwenden dieselben Strukturen wie die Anfrage-Bodies der API, Ergebnisse spiegeln die API-Antworten Feld für Feld wider, und nichts wird simuliert oder nachgeahmt. Was die API kann, kann auch der Agent – das umfasst die sechs Ressourcen, aus denen ein Papermark-Konto besteht: Data Rooms, Dokumente, Ordner, Links, Besucher und Analysen.
Es gibt zwei Transportmethoden. Der stdio-Transport (@papermark/mcp-server auf npm) läuft lokal und ist die richtige Wahl für Claude Desktop und Claude Code – mit dem Vorteil, dass der Agent Dateien direkt von deiner Festplatte hochladen kann. Der HTTP-Transport wird unter mcp.papermark.com/mcp für browserbasierte Clients wie claude.ai Connectors und ChatGPT Apps gehostet und authentifiziert sich über OAuth. Dieselben Tools, dieselben Strukturen – auf beiden Wegen.
Wenn Claude sich mit dem Papermark-MCP-Server verbindet, sieht es keine 43 undifferenzierten Funktionen. Es sieht einen typisierten Katalog, der um dieselben sechs Ressourcen wie die Papermark Data-Room-API organisiert ist: Data Rooms, Dokumente, Ordner, Links, Besucher und Analytics. Jedes Tool enthält einen Namen, eine Beschreibung und ein JSON-Schema für seine Argumente – das Modell liest diesen Katalog so, wie du eine Speisekarte überfliegen würdest, und wählt das Tool aus, dessen Schema zu deiner Anfrage passt. Da die Schemas aus der OpenAPI-Spezifikation der API generiert werden, muss der Agent keine Argumentstrukturen erraten, wie es bei manuell geschriebenen HTTP-Anfragen der Fall wäre.
Die Gruppierung ist wichtig, weil sie widerspiegelt, wie du tatsächlich mit dem Agenten sprichst. Fragst du nach der Einrichtung, greift das Modell auf die Data-Room- und Dokument-Tools zurück; fragst du nach dem Zugriff, greift es auf die Link-Tools zurück; fragst du „Wer hat das gelesen“, greift es auf Besucher und Analytics zurück. Du nennst dabei nie ein Tool beim Namen. Du beschreibst das gewünschte Ergebnis auf einfachem Deutsch, und die Model-Context-Protocol-Schicht wandelt diesen Satz in die richtige Abfolge von MCP-Tool-Aufrufen um – jeder davon trifft über dein Token auf dein Papermark-Konto. Die nachfolgende Tabelle ist das mentale Modell, das es sich zu behalten lohnt: was jede Tool-Kategorie leistet, ein Prompt, der sie auslöst, und was zurückkommt.
Die Aufteilung zeigt auch, wo das Risiko liegt. Die Lesekategorien (Analysen, Besucher, die meisten Dokumente und Datenräume) können bedenkenlos einem dauerhaft aktiven Agenten übergeben werden. Die Schreibkategorien (Links erstellen, Dokumente hochladen) sind die Bereiche, in denen du den Umfang bewusst einschränkst – und die destruktiven Aktionen jeder Kategorie (einen Raum, ein Dokument oder einen Link löschen) sind solche, die du grundsätzlich aus dem Standard-Scope eines Agenten heraushalten solltest. Darauf geht der Sicherheitsabschnitt noch genauer ein.
| Tool-Kategorie | Beispiel-Prompt | Was der Agent tut |
|---|---|---|
| Datenräume | "Erstelle einen Datenraum namens Acme Series B" | Ruft create_dataroom auf und gibt die neue dataroom_id zurück, auf die der Rest des Workflows aufbaut |
| Dokumente | "Lade alle PDFs in ~/acme/ hoch und lege die Finanzdokumente in einen Ordner "Financials"" | Verkettet upload_document pro Datei sowie Ordner-Tools und gleicht ab, was bereits vorhanden ist |
| Links | "Erstelle einen passwortgeschützten Link für Sequoia, der am 30. September abläuft" | Ruft create_link mit dataroom_id, Passwort, Ablaufdatum und E-Mail-Gate als Felder auf |
| Analysen | "Wer von Acme hat am meisten Zeit mit dem Investoren-Memo verbracht?" | Verkettet get_document_analytics, list_link_views und get_view_analytics für Seitendauern |
| Besucher | "Liste alle Personen auf, die den Series-B-Raum geöffnet haben, und wann" | Durchläuft list_visitors und den Anzeigeverlauf jedes Besuchers – zurückgegeben als lesbarer Fließtext |
Die Lese-Tools bieten den größten Mehrwert im täglichen Betrieb, denn ein VDR ist nur so nützlich wie die Signale, die er dir zurückliefert. Die Schreib-Tools ersetzen das manuelle Klicken im Dashboard. Und die destruktiven Tools existieren zwar, sind aber bewusst schwer erreichbar – genau das ist der Sinn des Scope-Modells.
Den Papermark MCP-Server mit Claude Desktop zu verbinden ist eine einzige Konfigurationsänderung – kein Installationsprozess. Es gibt kein SDK zum Importieren, keinen lokalen Server, der ständig laufen muss, und keinen OAuth-Tanz für den stdio-Transport – du fügst ein Token ein, startest die App neu, und Claude kann deinen VDR steuern. Das Ganze ist bewusst schneller erledigt als das Lesen der Dokumentation dazu, und es ist der schnellste Weg, um zu sehen, wie ein KI-Agent einen echten Datenraum erstellt und verwaltet.
Erstelle ein API-Token im Papermark-Dashboard unter Einstellungen und dann API-Tokens. Lege fest, was dieser Agent tun darf (beginne mit reinem Lesezugriff, wenn du erst mal einen ersten Eindruck gewinnen möchtest), und füge dies zu ~/Library/Application Support/Claude/claude_desktop_config.json hinzu:
Starte Claude Desktop neu. Das war die gesamte Einrichtung: kein Installationsschritt, da npx das Paket beim ersten Start von npm abruft (einmalig ca. 5 Sekunden). Du benötigst Node 24+ auf deinem Rechner. Überprüfe die Einrichtung, indem du Claude bittest, „meine Papermark-Dokumente aufzulisten“. Falls etwas nicht funktioniert, ordnet die Claude Desktop Dokumentation jede Log-Meldung der entsprechenden Lösung zu.
Der Sinn eines Datenraum-MCP-Servers besteht darin, dass du aufhörst, deine Absichten in Klicks zu übersetzen. Du beschreibst in einem Satz, was du möchtest, und Claude ermittelt, welche der 43 MCP-Tools in welcher Reihenfolge aufgerufen werden müssen. Die folgenden Prompts sind die, die es sich lohnt zu merken, da sie den gesamten Lebenszyklus eines virtuellen Datenraums abdecken: erstellen, befüllen, investorenspezifisch teilen, messen und prüfen. Jeder davon ist ein echter Workflow, den ein Gründer während einer Finanzierungsrunde durchführt – kein Spielzeug-Demo.
Dies sind getestete Prompts, keine Wunschvorstellungen aus Demos. Jeder entspricht einer Kette von MCP-Tool-Aufrufen, die der Agent selbst auswählt. Betrachte sie als Vorlagen, nicht als magische Worte — der Agent verarbeitet Umformulierungen problemlos, sodass „Raum einrichten und diese Dateien laden“ dieselben Tools anspricht wie der genaue Wortlaut hier. Was konstant bleibt, ist die Struktur: Beschreibe das gewünschte Ergebnis, nenne die Einschränkungen (Passwort, Ablaufdatum, E-Mail-Abfrage), und lass die Model Context Protocol-Schicht den Rest erledigen.
„Erstelle einen Datenraum namens 'Acme Series B', lade alle PDFs in ~/acme/ hoch und gib mir einen passwortgeschützten Link.“
Der Agent ruft create_dataroom auf, dann upload_document pro Datei, dann create_link mit der dataroom_id und einem Passwort. Ein einziger Satz ersetzt etwa zwanzig Minuten manuelles Klicken im Dashboard. Die vollständige Anleitung findest du unter how to create a data room with Claude.
„Synchronisiere alle PDFs in ~/Drive/Acme/ in den Datenraum 'Acme current'. Erstelle ihn, falls er noch nicht existiert, überspringe bereits vorhandene Dateien und lege Finanzberichte in einen Ordner 'Financials'.“
Der Agent prüft list_datarooms, erstellt den Raum bei Bedarf, vergleicht mit list_dataroom_documents und lädt nur fehlende Dateien hoch. Der Prompt ist idempotent, du kannst ihn also jede Woche erneut ausführen, wenn neue Dokumente hinzukommen.
„Erstelle einen separaten Link zum Datenraum Acme Series B für jede dieser Firmen: Sequoia, Index, Point Nine. E-Mail-Verifizierung aktiviert, Downloads deaktiviert, Ablaufdatum 30. September.“
Ein create_link-Aufruf pro Firma, alle verweisen auf dieselbe dataroom_id. Da die Analysen pro Link erfasst werden, siehst du, welche Firma das Dokument tatsächlich liest und welcher Partner es intern weitergeleitet hat. Dies ist der Workflow hinter why startups track investor engagement.
"Wie entwickelt sich das Investoren-Memo? Zeig mir die Gesamtstatistiken und sag mir dann, wer von Acme die meiste Zeit damit verbracht hat und auf welchen Seiten sie verweilt sind."
Der Agent verknüpft get_document_analytics, list_links, list_link_views und get_view_analytics für seitenweise Verweildauern, filtert dann nach E-Mail-Domain und sortiert nach verbrachter Zeit. Du erhältst eine Antwort in Textform statt eines Dashboard-Exports.
"Prüfe meinen Papermark-Account. Liste jeden Datenraum auf, die darin enthaltenen Dokumente, die vorhandenen Links, und markiere jeden Link ohne Passwort oder Ablaufdatum."
Der Agent durchläuft list_datarooms, list_dataroom_documents und list_links und meldet dann offene Links, die gesichert werden sollten. Führe es einmal pro Quartal als Hygiene-Durchgang aus. Weitere Muster dieser Art findest du im Leitfaden für Agent-Workflows.
Stell dir eine Solo-Technikgründerin vor, die an einem Dienstagabend eine Seed-Runde eröffnet – Pitch-Deck und Finanzdaten liegen in einem lokalen Ordner, und sie hat kein Interesse daran, ein VDR-Dashboard zu erlernen. Sie öffnet Claude Desktop mit dem verbundenen Papermark-MCP-Server über ein Token mit begrenzten Schreibrechten und tippt einen einzigen Satz: „Erstelle einen Datenraum namens 'Nimbus Seed', lade alle PDFs aus ~/nimbus/raise/ hoch und organisiere das Finanzmodell sowie die Cap Table in einem Ordner 'Financials'.“ Claude ruft create_dataroom auf, schleift upload_document über den Ordner, richtet den Ordner ein und bestätigt den Raum in etwa zwanzig Sekunden. Sie sieht nie einen Einstellungsbildschirm.
Als Nächstes beschreibt sie die Kontaktaufnahme: „Erstelle für jede Firma in investors.txt einen separaten, per E-Mail gesperrten Link, ohne Download-Möglichkeit und mit einem Ablaufdatum in sechs Wochen.“ Ein create_link pro Firma, alle auf denselben Raum verweisend, jeder mit eigenem Analyse-Trail. Sie fügt die URLs in ihre Einführungs-E-Mails ein und verschickt das Paket noch vor dem Schlafengehen.
Am Donnerstag ist die Finanzierungsrunde zu einem Informationsspiel geworden, und sie liest die Fragen von einer Eingabe ab: „Wer beschäftigt sich eigentlich mit dem Nimbus-Datenraum?“ Claude verknüpft die Analyse-Tools und antwortet in Fließtext – ein Fonds verbrachte elf Minuten mit dem Modell und kehrte zweimal zurück, ein anderer öffnete die Titelfolie nur einmal. Sie priorisiert die Nachverfolgung bei der Firma, die laut Datenlage ernsthaft interessiert ist. Wenn ein Partner aktualisierte Zahlen anfordert, lädt sie eine neue Dokumentversion hoch, und alle bestehenden Links liefern automatisch die aktuelle Version. Wenn sie einen Datenraum löschen möchte, erledigt sie das selbst im Dashboard – nicht über den Agenten.
Ein Papermark-Datenraum wie der, den ein KI-Agent über den MCP-Server einrichtet, befüllt und teilt – während du destruktive Aktionen im Dashboard behältst.
Einem KI-Agenten Schreibzugriff auf deine Due-Diligence-Dokumente zu geben, ist verständlicherweise ein Grund zur Besorgnis – deshalb ist das Berechtigungsmodell bewusst schlicht gehalten: Der Agent handelt in deinem Namen, über deinen API-Token, und die Token-Berechtigungen werden serverseitig bei jedem Aufruf durchgesetzt. Es gibt keine separate „MCP-Identität“ und keinen versteckten Seitenkanal.
Das gibt dir drei konkrete Steuerungsmöglichkeiten. Erstens erzeugt ein Nur-Lese-Token (documents.read, links.read, analytics.read) einen Nur-Lese-Agenten: Jedes Schreib-Tool gibt 403 forbidden zurück, und der Agent teilt dies klar mit. Zweitens sind Berechtigungen pro Ressource granular konfigurierbar, sodass du das Erstellen von Links erlauben, das Löschen von Dokumenten jedoch verbieten kannst. Drittens können Token jederzeit über das Dashboard widerrufen werden.
Unsere empfohlenen Standardeinstellungen: Gib einem langlebigen Assistenten ein schreibgeschütztes Token, erstelle bereichsspezifische Schreib-Tokens pro Aufgabe und widerrufe sie danach – und bitte einen Agenten niemals, Massenl löschungen durchzuführen. Löschvorgänge sind wie alles andere durch Berechtigungsbereiche geschützt, aber Fehler sind nicht rückgängig zu machen. Halte daher destruktive Operationen im Dashboard oder in der CLI, wo du genau siehst, was du tust.
Mache das zur festen Regel: Destruktive Operationen bleiben außerhalb des Standard-Berechtigungsbereichs des Agenten und erfordern einen Menschen im Prozess. Der MCP-Server stellt zwar Lösch-Tools bereit – delete_dataroom, delete_document, delete_link – weil die API das tut, und sie nicht zu wrappen wäre schlicht unehrlich gegenüber dem, was die Oberfläche bietet. Aber es gibt eine klare Grenze zwischen einem Agenten, der den ganzen Tag deine Analysen lesen kann, und einem Agenten, der einen Raum entfernen kann – und das Berechtigungsmodell zieht diese Grenze bewusst. Ein Lese- oder Schreib-Token kann trotzdem nicht löschen; ein Token mit Löschberechtigung ist eines, das du bewusst erstellst, für einen bestimmten Vorgang nutzt und danach widerrufst. Wenn ein Raum wirklich geschlossen werden muss, genehmigst du das selbst im Dashboard – genauso wie du die Widerrufskontrolle nicht in die Hände von KI-Agenten in einem Skript geben würdest. Nichts in diesem Workflow verlangt, dem Modell eine unumkehrbare Aktion anzuvertrauen.
Das Ergebnis ist, dass ein KI-Agent, der deinen VDR betreibt, nie auf Vertrauen basiert – er arbeitet mit einem Zugangsdaten-Token, dessen genauen Wirkungsbereich du selbst festgelegt hast. Das macht es zu einer vernünftigen Entscheidung, Claude Zugang zu deinem Datenraum zu geben, anstatt einen Vertrauenssprung ins Unbekannte zu wagen: Das Schlimmste, was ein schreibgeschützter Agent tun kann, ist dir etwas zu sagen, das du nicht hören wolltest – und das Schlimmste, was ein bereichsspezifischer Schreib-Agent tun kann, ist einen Link zu erstellen, den du mit einem Klick widerrufen kannst.
Virtuelle Datenräume gehören zu den entwicklerunfreundlichsten Softwarekategorien überhaupt. Datasite und Intralinks verkaufen Unternehmensverträge ab rund 25.000 $/Jahr, wobei Integrationen über Sales-Engineering und nicht über Self-Service-Dokumentation bereitgestellt werden. DocSend verfügt trotz der Zugehörigkeit zu Dropbox über keine öffentliche API und kein Entwicklerportal – ein MCP-Server ist für sie heute strukturell nicht möglich. Das Ergebnis: Im Jahr 2026 bietet kein etablierter VDR-Anbieter einem KI-Agenten eine unterstützte Möglichkeit, einen Datenraum zu betreiben.
Papermark verfolgt einen entgegengesetzten Ansatz. Die API umfasst 43 Operationen mit einer OpenAPI-Spezifikation, und der MCP-Server ist ein schlanker, transparenter Wrapper darüber. Die Preisgestaltung für den Data-Rooms-Plan ist mit €99/Monat und einer 7-tägigen kostenlosen Testphase transparent, und die Entwickleroberfläche (API, CLI, MCP) ist in Business-Plänen und höher enthalten. Wenn du Anbieter nach diesem Kriterium vergleichst, zeigt die Übersicht der besten virtuellen Datenräume, wo die einzelnen Anbieter stehen.
Der Papermark-MCP-Server ist eine von drei Möglichkeiten, auf denselben Datenraum zuzugreifen. Da sie sich ein Token und ein Datenmodell teilen, geht nichts verloren, was du auf einer Oberfläche aufgebaut hast, wenn du zu einer anderen wechselst. Ein Raum, den Claude über den MCP-Server erstellt, ist byte-für-byte derselbe Raum, den die REST-API oder die CLI erstellt. Die Frage ist nie, welche Oberfläche abstrakt betrachtet die beste ist, sondern nur, welche zur jeweiligen Aufgabe passt – und das von Anfang an richtig zu entscheiden, erspart dir das spätere Portieren eines Workflows.
Greife auf den MCP-Server zurück, wenn die Arbeit gesprächsorientiert und variabel ist – wenn du das gewünschte Ergebnis lieber Claude oder ChatGPT beschreibst, anstatt die einzelnen Schritte aufzuschreiben, und Flexibilität über byteweise Reproduzierbarkeit stellst. Er ist das richtige Werkzeug für explorative Analysen ("Wer interagiert?"), spontane Raum-Einrichtung und jeden Workflow, bei dem die genaue Abfolge von Durchlauf zu Durchlauf variiert. Greife auf die REST-API zurück, wenn du einen Backend-Dienst entwickelst, der Links nach einem Zeitplan oder als Reaktion auf Ereignisse deiner eigenen App erstellt, bei dem du typisierte Antworten und explizite Wiederholungssteuerung benötigst. Und greife auf die CLI zurück, wenn es sich um ein deterministisches Skript, einen Cron-Job oder einen CI-Schritt handelt, der bytegenau reproduzierbar sein soll – das Ordner-rein, Linkliste-raus-Prinzip, auf dem das CLI-Fundraising-Cookbook aufbaut.
In der Praxis nutzen die meisten Gründer alle drei: den MCP-Server für die tägliche, gesprächsorientierte Auswertung, die CLI für das wiederholbare Einrichtungsskript und die REST-API nur dann, wenn ein Workflow innerhalb eines Dienstes laufen muss. Da ein einziges Token für alle drei gilt, kannst du mit einer Anfrage an Claude beginnen und einen häufig genutzten Pfad genau dann in Code überführen, wenn er reproduzierbar sein muss – ohne Migrationsaufwand.
Der schnellste Einstieg ist das oben beschriebene 30-Sekunden-Setup mit Claude Desktop, gefolgt von Prompt Nr. 1. Wenn du lieber skriptest als chattest, steht dieselbe API-Oberfläche über die Papermark CLI und die REST-API zur Verfügung. Und wenn du sehen möchtest, wie weit sich Agenten-Workflows treiben lassen, haben wir als praktisches Beispiel einen vollständigen Due-Diligence-Agenten mit Claude und Papermark entwickelt.
Erstelle in wenigen Minuten einen Data Room mit Claude. Verbinde den Papermark MCP-Server mit Claude Desktop und lass Claude Dokumente hochladen und sichere Links teilen.
Ein einziges Shell-Skript verwandelt einen lokalen Ordner in einen strukturierten Fundraising-Datenraum mit VC-spezifischen Links, E-Mail-Verifizierung und Ablaufdaten. Papermark CLI Cookbook mit Code.
So richten Sie 2026 einen Data Room in Microsoft SharePoint für M&A, Fundraising und Due Diligence ein – mit Einschränkungen und einer Papermark-Alternative.
