Wat is MCP: definitie + simpele uitleg & voorbeelden

We staan aan het begin van een tijdperk waarin AI niet alleen teksten en afbeeldingen genereert, maar ook steeds vaker daadwerkelijk dingen voor ons gaat doen, zoals documenten ophalen, processen starten of data verwerken in systemen. Daarvoor moet een AI-systeem kunnen samenwerken met andere tools en applicaties. Precies voor dat probleem is MCP (Model Context Protocol) ontwikkeld.

Vanuit Data Science Partners zien we dat organisaties in toenemende mate AI-tools inzetten, maar dat deze nog vaak geïsoleerd werken. Denk bijvoorbeeld aan een organisatie met twee AI-systemen: een chatbot en een agent. Met de interne AI-chatbot kunnen medewerkers vragen stellen over een interne kennisbank, zonder directe verbinding met andere systemen zoals het ERP-systeem. De AI-agent verwerkt geautomatiseerd bestellingen in datzelfde ERP-systeem. Voor beide AI-systemen is er behoefte aan een koppeling met het ERP. Zo’n koppeling wil je liever niet twee keer bouwen. Dit is precies waar MCP in beeld komt.

Wat is MCP: een simpele definitie

MCP (Model Context Protocol) is een open standaard, ontwikkeld door Anthropic, waarmee AI-modellen veilig kunnen communiceren met externe systemen en tools. Het is een gestandaardiseerde manier om verschillende AI-systemen toegang te geven tot databronnen, tools en acties, zonder dat je keer op keer complexe en maatwerk API-koppelingen hoeft te bouwen.

MCP kun je zien als een soort universele stekkerdoos: zodra systemen via MCP zijn aangesloten, kunnen meerdere AI-systemen ermee communiceren.

Waarom is MCP belangrijk?

MCP maakt AI bruikbaar in echte organisaties, omdat het:

• Toegang tot data mogelijk maakt (bestanden, databases, documenten)
• Acties kan uitvoeren, zoals workflows starten of gegevens verwerken
• Tools van verschillende leveranciers kan combineren
• Veiligheid en controle centraal stelt
• Onafhankelijk is van specifieke AI-modelaanbieders

Dat maakt MCP een belangrijke stap vooruit: AI-systemen worden hierdoor niet alleen slimmer, maar ook daadwerkelijk inzetbaar binnen operationele processen.

Hoe werkt MCP: in begrijpelijke taal

MCP werkt met een client–server-model:

• De MCP-server is een systeem dat functies aanbiedt, zoals “verwerk een order in het ERP-systeem”, “zoek in deze database” of “verstuur een e-mail”. Deze functies vormen gecontroleerde koppelingen met bestaande tools en systemen.
• Een MCP-client is een gebruiker van deze functies, bijvoorbeeld een AI-agent of een interne AI-chatbot.
• MCP is het gestandaardiseerde communicatieprotocol tussen client en server, zodat beide dezelfde taal spreken.

Het concept lijkt op plugins, maar MCP is een open source standaard en daardoor breed inzetbaar en niet gebonden aan één platform of leverancier.

Praktische voorbeelden: wat kun je met MCP doen?

Denk bijvoorbeeld:

• Een AI-agent die gegevens uit meerdere systemen ophaalt en verwerkt
• Een AI-chatbot met RAG door koppelingen met diverse databronnen en systemen
• Een AI-assistent die lokale bestanden kan gebruiken
• Data-analyse waarbij een AI-assistent specifieke taken aanroept

Binnen Data Science Partners zien we het gebruik van MCP en vergelijkbare integratiepatronen vooral terug in onze AI-engineer opleiding, waar deelnemers leren hoe ze AI-modellen koppelen aan echte data en systemen in plaats van alleen te werken met losse prompts.

Hoe leer je MCP gebruiken?

MCP is verrassend toegankelijk. De officiële documentatie vind je op modelcontextprotocol.io. Je kunt lokaal beginnen met alleen je laptop en bijvoorbeeld de applicatie Claude Desktop. Je bouwt een eenvoudige MCP-server, definieert tools, en de AI kan ermee werken.

Lokaal is MCP ideaal om te experimenteren. In productie behandel je de MCP-server echter als elke andere kritische service: beheerd, beveiligd, gemonitord en schaalbaar, inclusief zaken als authenticatie, logging en foutafhandeling.

Om MCP te gebruiken, volg je grofweg de volgende stappen.

1. Definiëren van tools vanuit de MCP-server

Je kunt een MCP-server zien als een API-laag met expliciete tool-definities, speciaal ontworpen om veilig met AI-modellen te communiceren.

Voor iedere actie die de server via een tool kan uitvoeren, wordt een definitie vastgelegd. In het onderstaande voorbeeld zie je een tool-definitie voor het verwerken van een nieuwe klantbestelling in het ERP-systeem.

{
  "name": "verwerk_order_in_erp",
  "description": "Verwerkt een order in het ERP.",
  "input_schema": {
    "type": "object",
    "properties": {
      "order_id": { "type": "string" },
      "klant_id": { "type": "string" },
      "orderregels": {
        "type": "array",
        "items": {
          "type": "object",
          "properties": {
            "sku": { "type": "string" },
            "aantal": { "type": "integer" }
          },
          "required": ["sku", "aantal"]
        }
      }
    },
    "required": ["order_id", "klant_id", "orderregels"]
  }
}

Deze definitie volgt het standaard MCP-protocol zoals beschreven op modelcontextprotocol.io:

• name: unieke toolnaam
• description: bedoeld voor het AI-model
• input_schema: JSON Schema dat de structuur van de input vastlegt

Door het gebruik van JSON Schema weet het model exact welke input geldig is, kunnen fouten vroegtijdig worden afgevangen en is tooling herbruikbaar tussen verschillende AI-modellen.

In dit voorbeeld zie je hoe de gegevens van een bestelling, klant en orderregels, op een gestructureerde manier worden vastgelegd.

2. Gebruik van de tool door een client

Wanneer een AI-systeem een tool gebruikt, gebeurt dat via een vast, gestandaardiseerd formaat. We gaan verder met het voorbeeld van het verwerken van een bestelling.

{
  "tool": "verwerk_order_in_erp",
  "arguments": {
    "order_id": "ORD-100238",
    "klant_id": "C-45821",
    "orderregels": [
      { "sku": "SKU-7781", "aantal": 2 },
      { "sku": "SKU-3320", "aantal": 1 }
    ]
  }
}

In dit voorbeeld gebruikt een AI-agent via de MCP-server een tool om een nieuwe order vanuit een webshop te verwerken in het centrale ERP-systeem. Daarbij worden de relevante klant- en ordergegevens doorgegeven.

3. Antwoord vanuit de MCP-server

Wanneer een client gebruikmaakt van een tool via de MCP-server, volgt er een gestandaardiseerde response. In dit voorbeeld zou die er als volgt uit kunnen zien:

{
  "result": {
    "order_id": "ORD-100238",
    "status": "verwerkt",
    "erp_order_nummer": "SO-84519",
    "voorraad_ok": true,
    "backorder_items": []
  }
}

De client ontvangt deze response en beslist vervolgens wat de volgende stap is, bijvoorbeeld het uitvoeren van een vervolghandeling of het genereren van een bericht voor een gebruiker.

Voor wie is MCP relevant?

Voor organisaties betekent MCP dat AI schaalbaar kan integreren in bestaande processen. Geen losstaande experimenten meer, maar robuuste en herbruikbare toepassingen.

MCP is relevant voor:

• AI engineers die koppelingen tussen AI en andere tools willen bouwen
• Software developers die AI-features willen integreren
• Data-teams die RAG-toepassingen ontwikkelen
• Consultants en analisten die AI-assistenten gebruiken in hun werk
• IT- en securityteams, omdat MCP duidelijke controlemechanismen biedt

In onze trainingen zien we dat er een groeiende behoefte is aan grip op tooling. MCP biedt hiervoor een helder en gestructureerd fundament.

Afsluiting

MCP verandert de manier waarop we AI inzetten. Het maakt AI niet alleen een denkende, maar ook een uitvoerende assistent, doordat AI en bestaande tools en processen via MCP dezelfde taal spreken.

In onze AI engineer opleiding leren deelnemers niet alleen hoe ze met LLM's werken, maar ook hoe ze deze laten samenwerken met de systemen van een organisatie. MCP vormt daarin een belangrijke bouwsteen.

Wil je weten wat MCP voor jouw organisatie kan betekenen? Of wil je leren hoe je zelf AI-koppelingen bouwt die écht iets doen? Neem dan contact met ons op.