Model Context Protocol: koppel AI veilig aan je bedrijfssystemen.

Waarom AI zonder context niet werkt.

De meeste organisaties die AI willen inzetten lopen tegen hetzelfde aan: het model weet veel over de wereld, maar niets over jouw situatie. De oplossing die teams dan kiezen is kopiëren en plakken. Per vraag opnieuw context aanleveren. Dat werkt voor één collega met één vraag. Het schaalt niet als je twintig mensen hebt die dagelijks met AI werken.

Stel je voor dat je een nieuwe medewerker aanneemt en die persoon nooit toegang geeft tot je interne systemen. Geen CRM, geen projecttool, geen gedeelde mappen. Je verwacht wel dat diegene bruikbare antwoorden geeft over lopende projecten. Dat is precies wat de meeste organisaties nu doen met hun AI-tools.

En dan is er het schaduw-AI probleem. Zonder een officiële, veilige route kopiëren medewerkers bedrijfsdata naar tools die buiten de organisatie draaien. ChatGPT hier, een los experiment daar. Niemand doet dat met kwade bedoelingen, maar het resultaat is wel dat gevoelige informatie terechtkomt op plekken waar je geen zicht op hebt en geen verwerkersovereenkomst mee hebt.

Wat is het Model Context Protocol (MCP)?

MCP is ontwikkeld door Anthropic (het bedrijf achter Claude) en inmiddels breed geadopteerd door OpenAI, Google en Microsoft. In december 2025 is het beheer overgedragen aan de Linux Foundation, waarmee het officieel een leveranciersneutrale standaard is geworden.

Het protocol definieert een gestandaardiseerde manier waarop AI-modellen communiceren met externe systemen. Denk aan een universele reisstekker. Vroeger had elk apparaat zijn eigen aansluiting. Nu sluit alles op dezelfde interface aan. MCP doet hetzelfde voor AI-integraties: één open standaard, ongeacht het systeem aan de andere kant.

De architectuur bestaat uit drie onderdelen. De MCP Host is de omgeving waarin het AI-model draait, zoals Claude Desktop, Cursor of een geautomatiseerde workflow. De MCP Client verzorgt de verbinding tussen model en server. De MCP Server is de laag die bovenop jouw systemen zit. Hier definieer je welke tools beschikbaar zijn (acties die het model mag uitvoeren), welke resources het mag raadplegen (data uit je systemen) en welke prompts vooraf zijn ingesteld (sjablonen voor terugkerende taken).

Het verschil met een traditionele API-koppeling: een API is statisch en vooraf geprogrammeerd. MCP is dynamisch. Het model ontdekt bij elke sessie zelf welke tools beschikbaar zijn en beslist wanneer het zinvol is om ze in te zetten.

Hoe deel je bedrijfsinformatie gecontroleerd met een AI-model?

Dit is de vraag die we bij organisaties het vaakst horen. Je wilt dat AI toegang heeft tot relevante context, maar je wilt niet dat gevoelige data ongecontroleerd in een extern model verdwijnt.

MCP pakt dat op drie niveaus aan:

• Infrastructuur: Een MCP-server draait op je eigen omgeving. Data verlaat je infrastructuur niet, tenzij jij dat expliciet toestaat. Voor organisaties die dat nog een stap verder willen trekken, is het mogelijk om open-source AI-modellen self-hosted te draaien, bijvoorbeeld op infrastructuur binnen de EU. Zo is er geen enkele verbinding naar buiten nodig.

• Permissies: Per tool stel je in wie er toegang heeft en wat er mag. Een marketing-AI hoeft geen HR-data te zien. Een supportbot hoeft geen financiële gegevens te verwerken. Je stelt per use case in welke informatie nodig is, en niets meer.

• Audit en compliance: MCP ondersteunt authenticatie via OAuth en API-keys, verplichte inputvalidatie, rate limiting en logging. Elke interactie is traceerbaar. Dat maakt het geschikt voor organisaties die werken met persoonsgegevens of vallen onder de AVG.

Waarom MCP nu essentieel wordt.

Veel organisaties zijn de afgelopen jaren voorzichtig begonnen met AI. Een pilot hier, een experimenteel dashboard daar. De resultaten zijn veelbelovend, maar de stap naar structureel gebruik lukt niet. Niet omdat de modellen tekortschoten, maar omdat ze geen toegang hadden tot de data die er echt toe doet.

MCP is de laag die AI-experimenten omzet in werkende AI-architectuur. Niet door bestaande systemen te vervangen, maar door er een intelligente verbindingslaag bovenop te bouwen.

Vier ontwikkelingen maken dit moment relevant:

1. Brede adoptie. Het protocol wordt inmiddels ondersteund door alle grote AI-aanbieders. Een MCP-server die je vandaag bouwt, werkt over twee jaar nog, ongeacht welk model dan dominant is.

2. Compliance-druk. Zonder een gecontroleerde integratielaag groeit schaduw-AI ongemerkt. MCP biedt de officiële, veilige route die organisaties nodig hebben om AI-gebruik beheersbaar te houden.

3. Van chatbot naar agent. AI verschuift van het beantwoorden van vragen naar het daadwerkelijk afmaken van werk: tickets classificeren, rapportages samenstellen, inkooporders verwerken. Die stap begint niet bij het model, maar bij de vraag welk handwerk op de werkvloer overgenomen kan worden. MCP is het fundament waarop AI-agents end-to-end kunnen opereren op je systemen.

4. Maatwerk wint aan relevantie. Standaardsoftware behandelt elke organisatie hetzelfde. Maar de plekken waar je écht onderscheidend bent, zitten in je eigen logica: hoe jij prijst, plant, calculeert, beslist. Dat zijn ook de plekken waar AI het meeste oplevert, en daar past geen standaardoplossing. MCP maakt het mogelijk om AI te verbinden met precies die unieke processen en bedrijfsregels.

MCP en je bestaande datalandschap.

Een veelgestelde vraag is hoe MCP zich verhoudt tot de systemen en koppelingen die er al zijn.

MCP vs. API-koppelingen.

De twee sluiten elkaar niet uit. API-koppelingen zijn prima voor vooraf gedefinieerde, statische datastromen: een order die automatisch van je webshop naar je ERP gaat. MCP is de betere keuze zodra een AI-model zelf moet beslissen welke data het nodig heeft. In de meeste organisaties werken ze naast elkaar.

MCP en een Data Management Platform.

Een DMP zorgt dat data uit verschillende systemen gecentraliseerd en gestructureerd beschikbaar is. MCP is de laag die AI-modellen vervolgens toegang geeft tot die data. Ze vullen elkaar aan. Het DMP regelt de data fundamenten en de bedrijfslogica, MCP regelt de toegangslaag voor AI. Door MCP als module op een bestaande middleware-laag te plaatsen, werk je met één centraal punt in plaats van per applicatie opnieuw te integreren. Juist in die samenhang tussen systemen zit de waarde: niet wat er in één bron staat, maar wat er ontstaat als je CRM, ERP, planning en portalen combineert. Heb je nog geen Data Management Platform? Dan kan een MCP-integratie ook rechtstreeks op losse systemen worden gebouwd.

MCP in de praktijk: vier scenario's.

Klantvragen beantwoorden op basis van live data.

Een serviceteam bij een installatiebedrijf krijgt dagelijks vragen van opdrachtgevers: wanneer komt de monteur, wat is de status van mijn storing, is het onderdeel al besteld? De informatie staat verspreid over een planningstool, een ERP-pakket en een CRM. Elke vraag kost vijf minuten zoekwerk. Met een MCP-koppeling stelt de medewerker de vraag in gewone taal. Het AI-model haalt de planning status, de orderstatus en de klanthistorie op en formuleert een compleet antwoord. Geen drie systemen openen, geen context kopiëren.

Wekelijkse managementrapportage samenstellen.

Een operationaal manager bij een horecaketen wil elke maandag inzicht in omzet per vestiging, personeelsbezetting en openstaande inkooporders. Die data zit in drie verschillende systemen. Het samenstellen kost anderhalf uur. Met MCP-koppelingen naar het kassasysteem, de planningstool en het inkoopsysteem vraagt de manager de AI om een weekoverzicht. Het model haalt de cijfers op, vergelijkt ze met de week ervoor en signaleert afwijkingen: vestiging X zit 20% onder target terwijl de personeelsbezetting daar ook lager was dan gemiddeld. Geen rapport dat je zelf moet interpreteren, maar een analyse die direct richting geeft.

AI inzetten op gevoelige data zonder dat die je omgeving verlaat.

Een zorginstelling wil AI gebruiken om intake-dossiers samen te vatten en vervolgacties voor te stellen, maar patiëntgegevens mogen de eigen infrastructuur niet verlaten. Met een self-hosted open-source model op EU-infrastructuur, gecombineerd met MCP-koppelingen naar het ECD (elektronisch cliënten dossier), haalt de AI relevante gegevens op, maakt een samenvatting en plaatst de voorgestelde acties terug in het systeem. Alles blijft binnen de eigen omgeving.

Dynamische pricing op basis van real-time signalen.

Een groothandel met duizenden productlijnen past prijzen handmatig aan op basis van inkoopkosten, voorraadniveaus en concurrentie. Dat kost het commerciële team uren per week, en tegen de tijd dat de aanpassing doorgevoerd is, is de informatie alweer verouderd. Met MCP-koppelingen naar het ERP (inkoopprijzen, voorraad), marktdata en het CRM (klantafspraken, contractprijzen) analyseert het AI-model de actuele situatie en stelt prijswijzigingen voor. De commercieel manager reviewt en accordeert. Geen spreadsheet die achter de feiten aanloopt, maar een systeem dat meedenkt met de markt.

Aan de slag met MCP.

De drempel is lager dan je misschien denkt. Je hebt geen volledig nieuw dataplatform nodig en je hoeft je architectuur niet te verbouwen. Wat je nodig hebt: systemen met een API, een duidelijke use case en bereidheid om klein te beginnen. Een eerste MCP-server voor één systeem is doorgaans binnen twee tot vier weken operationeel. Daarna bouw je stap voor stap uit. Bij Cube bouwen we al jaren bedrijfskritische software. AI is voor ons geen apart speelveld, maar gereedschap dat we toevoegen aan oplossingen die al draaien in productie. Die combinatie van software-ervaring en praktische AI-kennis zit in elk MCP-project dat we opleveren.