Model Context Protocol

Zet AI aan het werk

AI
Web/ app
Technologie
auteur
Paul van der Meijs
Head of Technology

Stel: je praat met een language model (zoals ChatGPT) en vraagt het om een taak uit te voeren. Bijvoorbeeld een Jira-ticket bijwerken, een Google Sheet invullen of data ophalen uit een backend. Dan loop je al snel tegen een beperking aan: taalmodellen kunnen veel kennis genereren, maar missen de “armen en benen” om daadwerkelijk iets te doen.

Daar komt het Model Context Protocol (MCP) in beeld. Dit protocol breidt AI-systemen uit met daadkracht. En dat betekent: sneller werken, slimmer groeien. In dit blog lees je wat MCP is, welke problemen het oplost en hoe je het in de praktijk kunt inzetten.

Wat is Model Context Protocol MCP?

MCP – kort voor Model Context Protocol – is de brug tussen AI en jouw tools. Een language model is slim, maar blijft zonder hulp vooral een prater. Vol woorden, geen daden.

Met MCP verandert dat. Zie het als een adapter. Het koppelt AI direct aan je systemen en vertaalt gesprekken naar acties. Van een comment in Jira tot data in Google Sheets. Zo bespaar je tijd, verklein je foutkansen en creëer je ruimte om sneller te groeien.

Verschil agent en MCP

De grootste uitdaging die MCP oplost, is het omzetten van een passief gesprekspartner naar een actieve digitale assistent. Het is echter niet hetzelfde met een agent. Want waar een agent de rol speelt van uitvoerder, is MCP zo gezegd het gereedschap waarmee die agent kan werken. Zonder MCP heeft de agent geen handen om iets mee te doen.

Hoe werkt MCP in de praktijk?

Technisch gezien draait MCP om een gestandaardiseerde manier van integreren. Zowel ChatGPT als Claude ondersteunen al custom connectors die aan de MCP-standaard voldoen. Elke tool binnen MCP heeft duidelijk afgebakende argumenten en context. Daardoor weet een LM precies welke acties het kan uitvoeren en binnen welke grenzen. Belangrijk daarbij is dat beveiliging voorop staat: koppel je een beveiligde API, dan moet de gebruiker eerst gewoon inloggen voordat de LM er iets mee kan doen.

Use cases uit de praktijk

Bij de ontwikkeling en interne workflows wordt MCP al veel toegepast. Dit maakt processen efficiënter en geeft ook de mogelijkheid om AI echt in te zetten als actieve partner in development en operations. Enkele voorbeelden:

  • Jira

    Automatisch comments toevoegen of issues bijwerken.

  • Figma

    Designs vergelijken met code en feedbackloops sluiten.

  • Error logging

    Sneller bugs analyseren en rapporteren.

  • Browsers

    via Playwright kan een LM acties in een browser automatiseren en controleren of code voldoet aan het ontwerp.

Uitdagingen bij implementatie

Zoals bij elke nieuwe technologie zijn er ook hobbels:

  • Authenticatie

    Kan complex zijn, afhankelijk van het systeem

  • Datamodel en structuur

    Moeten goed worden afgestemd om bruikbare integraties te maken.

  • Koppelingen

    Vragen om eigen fine-tuning

De toekomst van MCP

De verwachting is dat MCP steeds breder omarmd wordt. Hoe meer integraties er komen, hoe waardevoller het ecosysteem wordt. Het zou zelfs kunnen uitgroeien tot een standaard binnen AI-systemen, net zoals we nu API-standaarden hebben voor webservices.

Take aways

MCP maakt AI bruikbaar in de praktijk, omdat het niet alleen praat, maar ook doet. Of je nu een developer bent die dagelijks met Jira werkt, een designer die in Figma zit, of een bedrijf dat processen wil automatiseren: met MCP zet je AI pas echt aan het werk.

Paul van der Meijs
Head of Technology

Meer weten over MCP?

Paul is your man.

contact contact

Over MCP

Wat is MCP

MCP – kort voor Model Context Protocol – is de brug tussen AI en jouw tools. Zie het als een adapter. Het koppelt AI direct aan je systemen en vertaalt gesprekken naar acties. 

Waar kan je een MCP voor gebruiken?

Bij de ontwikkeling en interne workflows wordt MCP al veel toegepast. Denk aan comments toevoegen in Jira, designs vergelijken in Figma of error logging.

Wat is het verschil tussen een agent en MCP?

Waar een agent de rol speelt van uitvoerder, is MCP zo gezegd het gereedschap waarmee die agent kan werken.

Wat zijn uitdagingen van MCP?
  • Authenticatie kan complex zijn, afhankelijk van het systeem.
  • Datamodel en structuur moeten goed worden afgestemd om bruikbare integraties te maken.
  • Elke koppeling vraagt om eigen fine-tuning.
Hoe waarborg je veiligheid bij MCP?

Beveiliging staat voorop: koppel je een beveiligde API, dan moet de gebruiker eerst gewoon inloggen voordat de LM er iets mee kan doen.