MCP, voluit Model Context Protocol, is een open standaard waarmee een AI-toepassing zoals Claude of ChatGPT verbinding maakt met andere systemen: je mailbox, een dossiermap, een boekhoudpakket of een CRM. In plaats van losse koppelingen per combinatie werkt elke AI-toepassing die MCP ondersteunt met dezelfde server per systeem.
Binnen AI agents en automatisering vormt MCP de koppellaag: het deel dat bepaalt hoe een model bij gegevens en acties in een ander programma komt. Een MCP-server biedt daarvoor tools, resources en prompts aan, en de AI-toepassing roept die aan.
Voor een kantoor betekent MCP dat Claude een document uit de dossiermap leest of een concept in de agenda zet, zonder dat het kantoor daar zelf een maatwerkkoppeling voor bouwt.
Elke koppeling geeft een model ook toegang, en daar zitten de risico’s: verborgen instructies in opgehaalde tekst, te ruime rechten en servers van onbekende makers.
Wat betekent MCP?
MCP staat voor Model Context Protocol: een open standaard waarmee AI-toepassingen verbinding maken met externe systemen, gegevens en tools, zodat een model informatie ophaalt en acties uitvoert in programma’s buiten de chat.
Anthropic, de maker van Claude, introduceerde MCP in november 2024. Volgens de aankondiging van Anthropic is het protocol sinds december 2025 ondergebracht bij de Agentic AI Foundation, een stichting onder de Linux Foundation, zodat geen enkele AI-aanbieder de standaard alleen bepaalt. De actuele versie van de specificatie draagt de datum 2026-07-28.
Welk probleem lost MCP op?
MCP lost het probleem op dat je zonder standaard voor elke combinatie van AI-toepassing en systeem een eigen koppeling bouwt. Drie AI-toepassingen die met vier systemen werken, vragen zo twaalf koppelingen.
Met MCP krijgt elk systeem één server en ondersteunt elke AI-toepassing het protocol één keer: vier servers en drie toepassingen, samen zeven onderdelen in plaats van twaalf koppelingen. Een nieuw systeem toevoegen kost één server, en wisselen van AI-aanbieder laat de bestaande servers intact.
Hoe werkt MCP?
MCP werkt met verzoeken tussen een AI-toepassing en een server: de toepassing vraagt welke mogelijkheden de server heeft, het model kiest er één, de server voert die uit en stuurt het resultaat terug. Sinds de specificatie van juli 2026 is het protocol stateless, wat betekent dat elk verzoek alle informatie bevat die de server nodig heeft.
Welke rollen kent MCP?
MCP kent drie rollen: de host, de client en de server. De host is de AI-toepassing waarin je werkt, zoals Claude Desktop of Claude Code. De host maakt per server een client aan, die de verbinding met die ene server onderhoudt. De server is het programma dat toegang geeft tot een systeem.
Eén host met drie servers, voor mail, dossiermap en boekhoudpakket, heeft dus drie clients die elk met hun eigen server praten.
Wat biedt een MCP-server aan?
Een MCP-server biedt drie soorten bouwstenen aan:
- Tools: acties die het model laat uitvoeren, zoals een zoekopdracht in een database, een bestand opslaan of een factuurregel ophalen.
- Resources: informatie die de toepassing als context meegeeft, zoals de inhoud van een document of de opbouw van een database.
- Prompts: herbruikbare instructies die een gebruiker kiest om een vaste taak met de server uit te voeren.
Een tool die iets wijzigt, vraagt een andere controle dan een resource die alleen leest. Juist dat onderscheid bepaalt waar een mens akkoord geeft voordat een actie doorgaat.
Wat is het verschil tussen MCP en een API?
MCP verschilt van een API doordat een API de toegang tot één systeem regelt met eigen afspraken, terwijl MCP vastlegt hoe een AI-toepassing zulke toegang vindt en gebruikt. Een MCP-server roept achter de schermen vaak de API van het systeem aan.
Bij een eigen koppeling via de Claude API beschrijf je met tool use zelf welke tools het model mag gebruiken. MCP standaardiseert die beschrijving, zodat dezelfde server werkt in Claude, ChatGPT en andere toepassingen zonder dat je de tools per toepassing opnieuw definieert.
Waar draait een MCP-server?
Een MCP-server draait lokaal op je eigen computer of extern als webdienst. Een lokale server wordt door de AI-toepassing zelf opgestart en bedient één gebruiker; een externe server draait bij de leverancier of op een eigen server en bedient meerdere gebruikers via internet.
Bij een externe server meld je je meestal aan via OAuth, dezelfde methode waarmee je een app toegang geeft tot je Google- of Microsoft-account. De plek bepaalt wie erbij kan: een lokale server werkt met jouw bestanden en rechten, een externe server met de rechten die je bij het aanmelden toekent.
Welke programma’s ondersteunen MCP?
Volgens de officiële MCP-documentatie wordt MCP ondersteund door AI-assistenten als Claude en ChatGPT en door ontwikkeltools als Visual Studio Code en Cursor. In Claude heten MCP-koppelingen connectors.
Claude Desktop en Claude Code werken allebei als host: je voegt er servers aan toe, waarna het model de tools van die servers in een gesprek of tijdens een programmeertaak aanroept.
Wat koppel je als kantoor via MCP?
Via MCP koppel je als kantoor de systemen waarin het dagelijkse werk staat aan een AI-toepassing. Gangbare voorbeelden:
- Mail en agenda, zodat een model berichten samenvat of een conceptafspraak klaarzet.
- Een gedeelde dossiermap, zodat een model documenten opzoekt en leest zonder dat iemand ze kopieert en plakt.
- Een boekhoudpakket, zodat een model openstaande posten of factuurgegevens ophaalt.
- Een CRM, zodat klantgegevens en de laatste contactmomenten in het gesprek beschikbaar zijn.
- Search Console en GA4 voor marketingbureaus, zodat rapportagevragen direct op de data draaien.
Een AI agent gebruikt MCP om in die systemen te handelen: de agent bepaalt de stappen, MCP geeft hem de toegang om ze uit te voeren.
Welke risico’s heeft MCP?
MCP heeft vier risico’s die met elke nieuwe koppeling meegroeien:
- Verborgen instructies: tekst in een opgehaald document of in de beschrijving van een tool geeft het model soms een andere opdracht dan de gebruiker bedoelde. Behandel alles wat een server teruggeeft als invoer, niet als instructie.
- Te ruime rechten: een server die alles mag lezen en wijzigen, geeft het model dezelfde reikwijdte. Geef een koppeling alleen de rechten die de taak vraagt, en waar het kan alleen leesrechten.
- Onbekende makers: een server van een onbekende partij voert code uit met jouw toegang. Gebruik servers van de leverancier van het systeem zelf of laat ze eerst beoordelen.
- Wijzigingen zonder akkoord: een tool die mailt, betaalt of verwijdert, hoort een bevestiging van een mens te vragen voordat de actie doorgaat.
Een medewerker die zelf een MCP-server installeert en koppelt aan bedrijfssystemen, buiten IT en beleid om, valt onder shadow AI: niemand weet welke gegevens het model dan bereikt.
Bij mijn eigen automatiseringen begin ik met drie vragen: welke data erin gaat, waar die terechtkomt en wie erbij kan. Uit mijn jaren bij grootbanken neem ik het vier-ogen-principe mee: geen wijzigende actie zonder tweede controle.
Stuurt MCP je gegevens naar de AI-aanbieder?
Nee, MCP stuurt zelf geen gegevens naar de AI-aanbieder, omdat het protocol alleen regelt hoe een AI-toepassing met een server praat. Wat een tool of resource teruggeeft, komt wel in de context van het model terecht, en die context gaat naar de aanbieder van dat model.
Een server die een volledig dossier teruggeeft in plaats van het ene gegeven dat nodig is, stuurt dus meer naar de aanbieder dan de taak vraagt. Voor persoonsgegevens heb je onder de AVG een grondslag en afspraken met de verwerker nodig, net als bij ander AI-gebruik.
Heb je een eigen MCP-server nodig?
Nee, een eigen MCP-server is meestal niet nodig, omdat softwareleveranciers zelf servers aanbieden die je alleen koppelt; volgens de MCP-documentatie draait Sentry zijn officiële server bijvoorbeeld op het eigen platform. Zelf bouwen komt pas in beeld bij een systeem zonder bestaande server dat wel een API heeft.
Een directe koppeling volstaat vaak bij één AI-toepassing en één systeem. De winst van MCP groeit met het aantal toepassingen en systemen dat je met elkaar verbindt.
Hoe leer je zelf AI-automatiseringen bouwen?
Zelf AI-automatiseringen bouwen leer je door klein te beginnen: eerst één MCP-koppeling die alleen leest, dan tools die het model zelf aanroept, en pas daarna een stap die iets wijzigt, met een controlestap ervoor.
Tool use is het mechanisme waarop MCP-tools draaien. De AI automatisering cursus behandelt tool use in een eigen module en sluit af met een koppeling op je eigen werkstroom. Zo weet je wat een MCP-server met je systemen doet voordat je er een aansluit.
