Wat is MCP? Model Context Protocol uitleg voor bedrijven

In 2024 lanceerde Anthropic een open standaard genaamd MCP (Model Context Protocol). Anderhalf jaar later wordt MCP ondersteund door OpenAI, Google, Microsoft en honderden andere bedrijven. Het is in stilte het USB-C van AI geworden: één stekker voor alle systemen waar je AI-model toegang toe nodig heeft.

Dit artikel legt uit wat MCP precies is, hoe het werkt, wanneer het loont voor jouw bedrijf, wat het kost en hoe het zich verhoudt tot alternatieven zoals losse API-koppelingen of RAG.

MCP (Model Context Protocol) is een open standaard die AI-modellen veilig verbindt met externe tools, data en systemen, zonder dat je per AI-model en per systeem een aparte integratie hoeft te bouwen.

Daarmee wordt MCP de integratielaag tussen AI en de software die je al gebruikt: je CRM, je documentopslag, je projectmanagement-tool, je database, je interne wiki.

Wat is MCP en waarom bestaat het?

Voor MCP bestond, zat elk AI-model gevangen in zijn eigen wereld. Wilde je ChatGPT laten samenwerken met je CRM? Maatwerk integratie. Wilde je dat ook met Claude doen? Nog een maatwerk integratie. Switch je naar Gemini? Begin opnieuw.

Het probleem groeide met de week. Bedrijven hadden tien tools, vijf AI-modellen en geen consistente manier om die te koppelen. Ontwikkelaars schreven steeds dezelfde integratiecode, in slechts iets andere vormen, voor elke combinatie.

MCP lost dit op met één simpele regel: definieer de tool één keer volgens de standaard, en elk AI-model dat MCP ondersteunt kan hem gebruiken.

In de praktijk betekent dat:

• Je CRM publiceert één MCP-server. Claude, ChatGPT, Gemini, Copilot en welk model dan ook kunnen er via die ene interface mee werken.
• Je AI-assistent kan zonder maatwerk code je projectplanning lezen, een mail versturen, een ticket aanmaken of een rapport genereren.
• Wissel je van AI-leverancier? Je integraties blijven werken. Geen lock-in.

Anthropic publiceerde de eerste versie eind 2024. OpenAI nam MCP officieel over in 2025. Microsoft bouwde het in Copilot, Google in Gemini. Dat brede draagvlak is precies waarom MCP nu al de facto de standaard is voor AI-tool-koppelingen.

Hoe werkt MCP technisch?

MCP draait op drie componenten die samen één gesprek voeren: client, server en transport.

De MCP-client zit in het AI-model of de AI-applicatie. Claude Desktop, ChatGPT, Cursor en VS Code zijn allemaal MCP-clients. De client weet welke MCP-servers beschikbaar zijn en stuurt verzoeken die kant op.

Een MCP-server is een proces dat één specifieke functionaliteit aanbiedt. Een Slack MCP-server biedt tools aan zoals "lees bericht", "stuur bericht" of "maak kanaal". Een Postgres MCP-server biedt "voer query uit" of "lees schema". Een GitHub MCP-server biedt "open issue", "lees pull request" of "merge branch". Elke server publiceert zijn eigen catalogus aan tools, prompts en bronnen.

Het transport is hoe client en server praten. Voor lokale tools is dat stdin/stdout. Voor servers op het netwerk is dat HTTP met server-sent events (SSE) of WebSocket. Het maakt voor het AI-model niet uit welke vorm wordt gebruikt; de communicatie verloopt altijd via dezelfde JSON-RPC berichten.

Een typische flow ziet er zo uit:

1. De gebruiker stelt een vraag aan het AI-model: "Welke openstaande facturen heeft klant Acme?"
2. Het model herkent dat het toegang nodig heeft tot het boekhoudsysteem en vraagt de MCP-client om een lijst met beschikbare tools.
3. De MCP-client laat zien dat er een Exact Online server beschikbaar is met de tool "facturen.zoek".
4. Het model roept die tool aan met parameters: klant=Acme, status=open.
5. De MCP-server vraagt de data op bij Exact, geeft het resultaat terug.
6. Het model formuleert een leesbaar antwoord met de gevonden facturen.

Dit hele proces duurt typisch één tot drie seconden en gebeurt voor de gebruiker onzichtbaar. Voor een bredere uitleg van hoe AI-modellen tools gebruiken, zie ons artikel wat is een AI agent.

Wat kun je met MCP in een bedrijf doen?

MCP wordt pas concreet als je kijkt naar wat het mogelijk maakt voor een MKB-bedrijf. Een paar voorbeelden uit de Nederlandse praktijk:

Klantenservice met volledige context. Je AI-chatbot kijkt via MCP-servers in je CRM (klantgeschiedenis), je orderbeheer (recente bestellingen), je ticketsysteem (open meldingen) en je kennisbank (handleidingen). De agent geeft antwoorden die rekening houden met de specifieke klant, niet generieke tekst.

Sales support op vraag. Een verkoper vraagt in Slack: "Stuur een offerte naar Jan van Bakkerij De Tarwe voor 500 stuks variant B." De agent leest het CRM, controleert prijzen in het ERP, genereert de offerte als PDF, mailt die naar Jan en logt alles terug in het CRM. Geen menselijk werk tussen verzoek en verstuurde offerte.

Projectmanagement zonder switch-kosten. Je AI-copilot leest je tickets in Jira, je tijdregistratie in Toggl, je documentatie in Confluence en je e-mails in Outlook, allemaal via MCP. De vraag "Welke projecten lopen achter en waarom?" wordt beantwoord op basis van échte data, niet op gevoel.

Boekhouding-assistent. Je accountant of medewerker vraagt: "Welke leveranciers hebben we deze maand twee keer betaald?" Een MCP-server boven je boekhouding voert de query uit en geeft het antwoord terug, zonder dat je zelf in tabellen hoeft te graven.

Code reviews en deployments. Voor ontwikkelteams: een AI-agent leest pull requests, draait tests, vergelijkt met de huidige main-branch, schrijft samenvattingen van wijzigingen en kan na goedkeuring zelf deployen. MCP-servers voor GitHub, GitLab en CI-tools maken dit werkbaar.

Document workflows. Een MCP-server boven Google Drive of SharePoint geeft je AI-model selectief toegang tot mappen. Vraag "Maak een samenvatting van alle nieuwe contracten van deze week" en de agent levert het zonder dat je documenten handmatig moet uploaden.

Voorraadbeheer en logistiek. Een MCP-server boven je WMS of ERP laat de AI-agent voorraadniveaus checken, bestellingen plaatsen en transporten plannen. Voor logistieke en handelsbedrijven zonder eigen ontwikkelaars is dit een van de snelste paden naar concrete tijdsbesparing. Lees ook ons artikel over AI in de logistiek voor meer toepassingen.

HR en onboarding. Nieuwe medewerker? Een agent met MCP-toegang tot je HR-systeem, je IT-provisioning en je documenttool kan het hele welkomspakket regelen: account aanmaken, rechten toekennen, handleidingen sturen, eerste afspraken inplannen. Werk dat anders uren handmatig kost.

MCP vs API-koppelingen vs RAG

Drie technieken worden vaak in één adem genoemd: MCP, klassieke API-koppelingen en RAG. Ze lossen verschillende problemen op en zijn vaak complementair.

Wanneer kies je wat?

Kies MCP als je AI-model acties moet uitvoeren in een ander systeem of live gegevens moet ophalen op het moment dat de gebruiker erom vraagt. Voorbeeld: "Boek deze afspraak in mijn agenda."

Kies een traditionele API-koppeling als je systemen continu data moeten uitwisselen, zonder AI in het midden. Voorbeeld: een nieuwe order in je webshop maakt automatisch een factuur in je boekhouding.

Kies RAG als je AI antwoorden moet kunnen geven uit jouw eigen documenten en kennisbank, met bronvermelding. Voorbeeld: een interne assistent die handleidingen, beleidsstukken en oude tickets doorzoekt.

In de praktijk combineer je vaak alle drie. Een agent gebruikt RAG voor kennis, MCP voor acties, en daaronder zorgen API-koppelingen voor de data-stromen tussen systemen.

Welke MCP-servers bestaan er al?

Een van de redenen dat MCP zo snel groeit, is dat de catalogus aan kant-en-klare servers explodeert. Op het moment van schrijven zijn er meer dan 800 publieke MCP-servers beschikbaar. De meest gebruikte categorieën:

Productiviteit en samenwerking

• Slack, Microsoft Teams, Discord
• Notion, Confluence, Coda
• Google Workspace (Drive, Docs, Sheets, Gmail, Calendar)
• Microsoft 365 (Outlook, OneDrive, SharePoint)

Ontwikkeling

• GitHub, GitLab, Bitbucket
• Linear, Jira, Asana
• Sentry, Datadog, Grafana
• Postgres, MySQL, MongoDB, SQLite

Sales en marketing

• HubSpot, Salesforce, Pipedrive
• Mailchimp, ActiveCampaign
• Stripe, Mollie, Adyen

Boekhouding en HR

• Exact Online, Twinfield, AFAS
• Personio, BambooHR
• DocuSign, SignRequest

Naast publieke servers kun je ook een eigen MCP-server bouwen voor je eigen software. Het MCP SDK is beschikbaar in Python, TypeScript, Go, Rust en Java. Een simpele server voor je eigen API bouwen kost een ervaren ontwikkelaar typisch één tot drie dagen.

Veiligheid en governance bij MCP

MCP geeft AI-modellen toegang tot je echte systemen. Dat moet je serieus nemen. De grootste valkuilen die we in de praktijk zien:

Te brede rechten. Een MCP-server die "lees alle e-mails" kan ook commercieel gevoelige informatie doorgeven. Geef AI-agents alleen toegang tot wat strikt nodig is. Een sales-agent heeft je HR-systeem niet nodig.

Geen audit trail. Wie heeft wat aangeroepen, met welke parameters, met welk resultaat? Zonder logging weet je niet wat een agent heeft gedaan toen er iets misging. Lees ons artikel over AI audit trail en logging voor de essentiële controles.

Prompt injection via MCP. Een MCP-server die documenten teruggeeft, kan onbedoeld instructies aan je AI-model doorgeven die in die documenten verstopt zitten. Een malafide PDF kan zo het gedrag van je agent kapen. Whitelist welke MCP-servers je vertrouwt en behandel hun output als onbetrouwbare gebruikersinput.

Geen versiebeheer. MCP-servers updaten. Wat in versie 1.2 een veilig "lees-only" tool was, kan in 1.3 plotseling kunnen schrijven. Pin versies expliciet en controleer changelogs.

Onbeheerd toolgebruik. Een agent kan in één sessie tien tools achter elkaar aanroepen. Zonder limieten en goedkeuringsstappen voor risicovolle acties (bedragen overmaken, klanten mailen, contracten aanpassen) vertrouw je je bedrijfsvoering aan een statistisch model toe. Bouw "human in the loop"-checks in voor alles wat onomkeerbaar is.

Voor bedrijven die vallen onder de EU AI Act of in een gereguleerde sector werken (financieel, zorg, juridisch), is MCP-governance geen optie maar een verplichting. Je moet kunnen aantonen welke data via welke server naar welk model is gegaan en op basis waarvan welke beslissing is genomen.

Hoe begin je met MCP in jouw bedrijf?

De simpelste route in vier stappen:

Stap 1: Kies één concrete use case. Niet "MCP overal." Begin met één pijnpunt waar AI-toegang tot een bestaand systeem snel resultaat oplevert. Bijvoorbeeld: een AI-assistent voor je sales-team die het CRM kan lezen.

Stap 2: Check of er al een MCP-server bestaat. Voor de meeste populaire SaaS-tools bestaat er al een. HubSpot, Salesforce, Slack, Notion, Google Workspace: allemaal beschikbaar. Geen integratiewerk nodig.

Stap 3: Configureer en test in een kleine omgeving. Zet de server op met de minimale rechten die de use case nodig heeft. Geef alleen sales toegang. Test met productiedata maar in lees-modus eerst.

Stap 4: Schaal stap voor stap. Werkt het? Voeg de volgende tool toe. Niet werken? Pas de prompts en server-configuratie aan voor je het uitrolt naar de rest van het bedrijf.

Voor bedrijven zonder eigen ontwikkelteam is de drempel nu echt laag. Tools als Claude Desktop, ChatGPT Team en Cursor bieden grafische interfaces om MCP-servers toe te voegen. Voor maatwerk integraties met je eigen systemen is het verstandig een AI-bureau in te schakelen dat ervaring heeft met MCP en met jouw type stack.

Wat kost een MCP-implementatie? Voor een implementatie met drie tot vijf bestaande SaaS-tools en gestandaardiseerde MCP-servers zit je typisch op €3.000 tot €8.000 aan eenmalige inrichting, plus enkele honderden euro's per maand aan model-API-kosten en hosting. Voor maatwerk MCP-servers boven je eigen systemen reken op €5.000 tot €15.000 per server, afhankelijk van complexiteit en de staat van de onderliggende API. Doorlopende kosten zijn relatief laag: een paar honderd euro per maand aan onderhoud en een paar tientjes tot enkele honderden aan AI-API-tokens, afhankelijk van gebruik.

Wanneer is MCP niet de juiste keuze?

MCP is krachtig, maar geen heilige graal. Sla het over of stel het uit als:

Je systemen geen API hebben. MCP-servers leunen op de onderliggende API. Heeft je oude ERP geen toegankelijke API? Dan moet je eerst dat onderliggende probleem oplossen, eventueel via een legacy systeem koppeling met AI-integratielaag. MCP wordt dan een laatste schakel, niet de eerste.

Je use case puur informatief is. Wil je dat de AI alleen vragen beantwoordt op basis van je documenten? Dan is RAG goedkoper en eenvoudiger. MCP voegt complexiteit toe die je niet nodig hebt.

Je beveiliging niet op orde is. Heeft je bedrijf nog geen rechtenmatrix, geen audit trail, geen scheiding tussen test en productie? Dan introduceer je met MCP een aanvalsoppervlak dat je niet aankunt. Investeer eerst in basis-IT-hygiëne.

De use case één keer per jaar voorkomt. MCP-servers vragen onderhoud. Voor incidentele taken is een eenmalig script goedkoper.

Voor bedrijven die nog niet weten of MCP de juiste keuze is, is het verstandig om eerst de kandidaat-toepassingen te toetsen tegen het bredere palet aan AI-oplossingen. Ons artikel de juiste AI-oplossing kiezen helpt daarbij.

MCP en multi-agent systemen

Een vaak overgeslagen punt: MCP wordt pas écht interessant als je meerdere agents combineert. Eén agent leest data via MCP-server A, een tweede agent voert acties uit via MCP-server B, een derde houdt overzicht en stuurt bij. Dat is wat we multi-agent AI-systemen noemen.

Een concreet voorbeeld: een sales-orchestrator-agent ontvangt een lead. Een research-agent gebruikt MCP om publieke data over het bedrijf op te halen. Een schrijf-agent gebruikt een MCP-server boven je CRM om eerdere contacten op te zoeken. Een planning-agent boekt de demo via een MCP-server boven je agenda. De orchestrator coördineert alles. Dit hele proces draait van begin tot eind autonoom.

Zonder MCP zou elk van die agents zijn eigen integraties moeten onderhouden. Met MCP delen ze dezelfde set servers en wisselen ze data uit via een gemeenschappelijke standaard. De ontwikkeltijd halveert.

Conclusie: waarom MCP er nu toe doet

MCP heeft binnen anderhalf jaar de rommelige, versnipperde wereld van AI-integraties opgeruimd. Voor MKB-bedrijven betekent dat drie dingen die er concreet toe doen:

Kortere implementatietijd. Wat in 2024 een paar weken aan integratiewerk was, kost nu vaak een paar dagen. Voor populaire tools zelfs een paar uur.

Geen lock-in op één AI-leverancier. Je investering in MCP-servers werkt met OpenAI, Anthropic, Google, Microsoft en open-source modellen tegelijk. Wissel je van model? Je integraties blijven.

Makkelijker stap voor stap uitbreiden. Begin met één server, voeg er morgen één bij. Geen big-bang projecten meer.

Tegelijk geldt: MCP is geen wondermiddel. Het is een uitstekende standaard voor AI-tool-toegang, maar je hebt nog steeds een goed begrip van je processen, schone data, en strakke governance nodig. Wie eerst MCP zonder strategie gaat uitrollen, krijgt enkel sneller een rommeligere AI-architectuur.

Wil je weten welke MCP-toepassingen voor jouw bedrijf het meeste tijd opleveren en het laagste risico hebben? Plan een gratis automatiseringsscan en we kijken samen naar de meest kansrijke ingangen.