Wat is MCP en waarom praten AI-tools daar ineens mee?

Van losse tools naar verbonden intelligentie

Steeds meer AI-tools spreken opeens over MCP. In technische blogs, in changelog-updates van grote platforms, in gesprekken tussen developers. Als ondernemer vraag je je af: moet ik hier iets mee? Kort antwoord: ja, want MCP verandert hoe AI-systemen met je bedrijfsdata omgaan, en dat heeft directe gevolgen voor hoe automatiseringen worden gebouwd.

Dit artikel legt uit wat MCP is, waarom het nu zo snel opduikt, en wat het praktisch betekent als je AI inzet in je bedrijf.

Wat MCP is, in gewone taal

MCP staat voor Model Context Protocol. Het is een open standaard die beschrijft hoe een AI-model, zoals Claude van Anthropic of een zelfgebouwde AI-agent, verbinding maakt met externe tools, databases en diensten.

Voor MCP was elke koppeling maatwerk. Wil je dat een AI-agent je CRM kan raadplegen? Dan bouwde een developer een aparte integratie. Wil je dat dezelfde agent ook een Google Agenda kan inzien of een Supabase-database kan bevragen? Nog twee aparte integraties. Elke verbinding was uniek, kostbaar en breekbaar.

MCP lost dat op met één gedeelde taal. Een AI-model dat MCP spreekt, kan in principe verbinding maken met elk systeem dat ook MCP spreekt, zonder dat je voor elke combinatie een nieuwe brug hoeft te bouwen.

Denk aan USB: voor USB had elk apparaat zijn eigen aansluiting. USB zorgde voor één standaard waar alles op aansloot. MCP doet hetzelfde voor AI-koppelingen.

Waarom dit nu zo snel gaat

Anthropics Claude ondersteunt MCP. OpenAI heeft aangekondigd het protocol te omarmen. Grote tools als Notion, Linear, GitHub en Slack bouwen MCP-integraties. De adoptie gaat snel omdat de pijn van het alternatief, eindeloos maatwerk voor elke koppeling, voor iedereen herkenbaar is.

Voor bedrijven die AI serieus inzetten, betekent dit dat de architectuur van een AI-systeem fundamenteel verandert. In plaats van een AI die alleen praat met wat er hardcoded is ingeprogrammeerd, krijg je een AI die dynamisch kan schakelen tussen tools, afhankelijk van wat een taak vereist.

Een AI-agent voor klantenservice kan daardoor niet alleen vragen beantwoorden, maar ook een order opzoeken in je systeem, een afspraak inplannen in de agenda, of een klantprofiel bijwerken, allemaal binnen hetzelfde gesprek. Hoe dat er in de praktijk uitziet, lees je in het artikel over AI-agents op je eigen data en hoe RAG werkt.

Wat MCP technisch doet

Het helpt om te begrijpen uit welke onderdelen MCP bestaat.

MCP Hosts

Dit is de omgeving waarin de AI draait. Denk aan een chatinterface, een automatiseringstool als n8n, of een maatwerk applicatie. De host beheert de verbinding met de AI en met de beschikbare tools.

MCP Servers

Een MCP Server is een klein stukje software dat een tool of databron beschikbaar maakt voor een AI. Je Supabase-database kan een MCP Server hebben. Je CRM ook. De AI hoeft niet te weten hoe die systemen intern werken, alleen dat hij via MCP er informatie uit kan halen of acties in kan uitvoeren.

MCP Clients

De AI-agent zelf gedraagt zich als een MCP Client. Hij vraagt aan beschikbare servers wat ze kunnen, kiest wat relevant is voor de taak, en roept de juiste actie aan.

Het resultaat is een AI die niet star is. Hij past zich aan op basis van wat er beschikbaar is en wat de situatie vraagt.

Wat dit betekent voor jouw automatiseringen

Als je nu nadenkt over het inzetten van AI in je bedrijf, is MCP een concrete reden om dat niet op een half-doordachte manier te doen.

Veel bedrijven beginnen met een chatbot die antwoord geeft op veelgestelde vragen. Dat is nuttig, maar beperkt. Met MCP als fundament bouw je iets dat verder kan groeien: een agent die vandaag vragen beantwoordt, morgen ook leadinformatie opslaat in je CRM, en overmorgen automatisch een offerte aanmaakt als iemand aangeeft interesse te hebben.

Dat is ook waarom de aanpak die wij hanteren bij NRL Automations begint bij het bedrijf, niet bij de technologie. MCP is krachtig, maar alleen als je weet welke processen je wilt verbinden en waarom. Zonder die duidelijkheid bouw je een flexibel systeem dat nergens concreet aan bijdraagt.

Een paar praktische vragen die helpen:

• Welke tools gebruik je nu die los van elkaar staan?
• Waar verlies je tijd omdat je handmatig informatie overzet tussen systemen?
• Welke acties herhaalt je team elke dag op basis van standaard regels?

Die antwoorden bepalen welke MCP-koppelingen waarde opleveren.

MCP en veiligheid

Een terechte vraag is wat MCP betekent voor de veiligheid van je data. Een AI die toegang heeft tot meerdere systemen, heeft ook meer mogelijkheden om iets fout te doen.

Goed ontworpen MCP-implementaties werken met expliciete toestemmingen. Een MCP Server geeft precies aan welke acties een AI mag uitvoeren, lezen, schrijven, of niets. De AI kan niet verder dan wat jij toestaat. Dat vereist wel dat je bij de inrichting goed nadenkt over die grenzen, en dat je met een partij werkt die dat serieus neemt.

Dit sluit aan bij iets wat in de kern van elke automatisering hoort: veiligheid is geen toevoeging achteraf, maar een uitgangspunt vanaf dag één.

De praktijk voor Nederlandse ondernemers

MKB-bedrijven in Nederland omarmen AI in rap tempo, maar de strategische inzet blijft in veel gevallen oppervlakkig. MCP is een voorbeeld van een ontwikkeling die het verschil maakt tussen AI die je echt verder helpt en AI die alleen indruk maakt in een demo.

De bedrijven die nu een solide fundament leggen, met de juiste koppelingen, de juiste toegangsrechten en een duidelijk doel per automatisering, hebben over een jaar een systeem dat meegroeit. De bedrijven die ad-hoc losse tools stapelen, bouwen technische schuld op die later duur is om op te lossen.

MCP is geen hype. Het is een infrastructuurlaag die de komende jaren bepaalt hoe AI-systemen zijn gebouwd. Als je nu gaat automatiseren, is het slim om dat op een manier te doen die hierbij aansluit.

Volgende stap

Wil je weten welke koppelingen voor jouw bedrijf het meeste opleveren en hoe je dat veilig inricht? Plan een gesprek en we kijken samen waar de grootste kansen liggen.