MCP (Model Context Protocol)

MCP staat voor Model Context Protocol. Het is een open standaard die vastlegt hoe een AI-toepassing met andere software praat. Denk aan Claude, ChatGPT, Gemini of een AI-agentEen AI-toepassing die niet alleen antwoordt, maar zelf stappen zet om een taak af te werken. Ze kiest welke tools ze nodig heeft, roept die aan, bekijkt het resultaat en beslist wat de volgende stap is. die je zelf laat bouwen. Via MCP vraagt zo'n toepassing eerst aan een systeem welke tools het aanbiedt, en roept ze daarna een van die tools aan met de juiste gegevens. Technisch heten die twee stappen tools/list en tools/call.

MCP en API zijn geen rivalen

Wie over MCP leest, vraagt zich vaak af of het de APIEen vaste afspraak waarmee software met andere software praat. Het ene programma stuurt een aanvraag over het internet, het andere stuurt gestructureerde gegevens terug. Elke oproep is vooraf door een developer uitgeschreven. vervangt. Dat doet het niet. Een MCP-server zit meestal bovenop je bestaande API. De API blijft de plek waar je systeem zijn gegevens en functies aanbiedt, en de MCP-server vertaalt die naar een vorm die een AI-model begrijpt. De ketting ziet er zo uit: de AI-agent praat met de MCP-server, de MCP-server roept jouw API aan, en jouw API werkt met de gegevens in jouw systemen.

Het verschil zit in wie de vraag stelt. Bij een gewone API schrijft een developer op voorhand elke oproep uit. Bij MCP beslist het AI-model op het moment zelf welke tool het nodig heeft, op basis van de beschrijving die de server bij elke tool meegeeft.

Waar je op let als je een MCP-server laat bouwen

Bouwt je softwarepartner een MCP-server voor jouw systemen, of krijg je er een bij een pakket dat je al gebruikt? Met deze vier vuistregels stel je de juiste vragen.

1. Hou authenticatie en business-logica in je API. De MCP-server is een dunne laag die vertaalt. Wie wat mag zien en welke bedrijfsregels gelden, zoals kortingen of goedkeuringen, blijft geregeld op de plek waar dat vandaag al gebeurt.
2. Maak één tool per taak, niet één per endpoint (elke afzonderlijke ingang van je API). Een tool die de openstaande facturen van een klant opzoekt, is voor een AI-model veel bruikbaarder dan tien losse technische oproepen die het zelf aan elkaar moet knopen.
3. Stel minder bloot. Elke tool die de server aanbiedt, neemt plaats in het werkgeheugen van het model (de context) en kost dus tokens. Hoe meer tools, hoe duurder elke vraag wordt en hoe groter de kans dat het model de verkeerde kiest.
4. Label wat leest en wat schrijft. Bij elke tool kan je aangeven of die enkel gegevens leest (readOnlyHint) of iets kan wissen of overschrijven (destructiveHint). Zo weet de AI-toepassing wanneer ze eerst om jouw bevestiging moet vragen.