MCP uitgelegd: wat Model Context Protocol voor je doet

MCP (Model Context Protocol) is een open standaard waarmee een AI-assistent als Claude of ChatGPT op één vaste manier verbinding maakt met je andere software, zoals je CRM, mailbox of database. Je koppelt een tool één keer via een MCP-server, en elke AI-app die MCP spreekt kan hem gebruiken.

Update 25 september 2026: MCP valt sinds 9 december 2025 onder de Agentic AI Foundation van de Linux Foundation, en op 28 juli 2026 verscheen een nieuwe versie van de specificatie. Gecorrigeerd: het aantal servers (‘tienduizenden’ was niet te onderbouwen) en de voorbeelden bij Slack en Stripe. Cijfers en versies staan nu in Stand van zaken onderaan.

Het probleem dat MCP oplost

In 2024 voelde elke nieuwe AI-integratie als opnieuw beginnen. ChatGPT moest leren met Slack praten? Bouw dat. Claude met Slack? Bouw dat opnieuw. Gemini met Slack? Idem. Elke AI-leverancier had eigen plugin-systemen, eigen authenticatie-flow, eigen documentatie, eigen valkuilen. Het netto-effect was dat AI in praktische werkstromen achter bleef bij wat technisch al lang kon.

Anthropic zag dit als één van de grootste bottlenecks. Op 25 november 2024 publiceerden ze het Model Context Protocol (MCP) als open standaard (Bron: Anthropic). Een jaar later telde de Linux Foundation al meer dan 10.000 gepubliceerde MCP-servers, van consumenten-apps tot bedrijfsdatabases (Bron: Linux Foundation).

Binnen een jaar ging MCP zo van “nieuw standaardvoorstel” naar “de facto-norm.” Hoe komt dat? Omdat MCP een echt ingewikkeld probleem op een verbluffend eenvoudige manier oplost.

Beginner-tip: Heb je geen technische achtergrond? Geen probleem. Lees dit artikel zoals je een gids over USB-C zou lezen — je hoeft de specificaties niet te kennen om te begrijpen dat hetzelfde stopcontact in alles past. Dat is letterlijk wat MCP voor AI is.

De USB-C-vergelijking die helemaal klopt

De officiële documentatie van het protocol gebruikt deze metafoor zelf, en hij is goed. MCP is voor AI-applicaties wat USB-C is voor elektronische apparaten.

Voor USB-C had elke laptop, elke telefoon, elk randapparaat zijn eigen aansluiting. Een kabel voor je iPhone was niet bruikbaar voor je Samsung. Een hub voor Mac niet voor Windows. Reizen met drie kabels. USB-C maakte dat alles op één standaard kon — één kabel, één poort, miljarden combinaties.

MCP doet hetzelfde voor AI. Voorheen moest elke AI z’n eigen integratie hebben naar elke tool. Nu spreekt iedereen dezelfde “taal.” Anthropic’s Claude, OpenAI’s modellen, Google’s Gemini, Microsoft’s Copilot — allemaal kunnen ze MCP-servers gebruiken. En elke ontwikkelaar die een MCP-server bouwt voor zijn tool, maakt die tool meteen beschikbaar voor alle MCP-sprekende AI’s.

Drie eenvoudige bouwstenen

De technische schoonheid van MCP zit in de soberheid. De hele standaard rust op drie primitieven:

Tools — uitvoerbare acties die iets in de wereld veranderen. Een tool kan een database-rij invoegen, een e-mail versturen, een PR mergen, een factuur sturen. Dit is waar AI “iets doet.”

Resources — read-only data. Een resource kan een database-record zijn, een bestand, een API-response. Dit is waar AI “iets weet” zonder iets te veranderen.

Prompts — herbruikbare templates. Een prompt kan een vast workflow-script zijn, een systeem-prompt, of een gespreks-template. Dit is waar AI “iets gestandaardiseerds opzet.”

Met die drie categorieën dek je de meeste werkstromen.

Gevorderden: Onder de motorkap draait MCP via JSON-RPC 2.0 over een connectie tussen Hosts (de AI-applicatie), Clients (de verbinder in de host), en Servers (de tool-aanbieder) (Bron: Descope). Dat klinkt complex maar betekent in praktijk: een MCP-server is gewoon een proces dat een paar standaard-endpoints aanbiedt — niets exotisch.

Hoe MCP zich verhoudt tot Skills en Agents

Drie termen die makkelijk door elkaar lopen. Even uit elkaar trekken.

Een goede setup combineert vaak alle drie. Een agent (autonoom) gebruikt een skill (regels) en MCP-servers (data + acties). Voor wie wil zien hoe dat in de praktijk werkt: onze analyse van autonome agents op de achtergrond en de Claude Skills-gids gaan dieper in op de andere twee bouwstenen.

Vijf MCP-koppelingen die je vaak terugziet

Niet elke MCP-server is gelijk. Vijf koppelingen die je in zakelijke setups vaak tegenkomt:

GitHub MCP. De standaard voor wie code-werk doet. Issues lezen, PR’s reviewen, branches managen, releases checken. Voor Claude Code-gebruikers is dit de eerste die je installeert.

Slack MCP. Threads doorzoeken, kanaal-status checken, antwoorden plaatsen. Slack biedt inmiddels een eigen, officiële MCP-server (Bron: Slack); community-versies hebben soms extra functies, maar minder review.

Notion MCP. Pages lezen, database-queries draaien, content updaten. Bijzonder krachtig voor teams die Notion als single source of truth gebruiken. Sluit aan op de Karpathy LLM Wiki-aanpak — je wiki kan in Obsidian wonen, of in Notion.

Postgres / MySQL MCP. Read-only database-toegang. Stelt AI in staat om actuele bedrijfsdata in zijn antwoorden te gebruiken zonder dat je de data eerst handmatig uit hoeft te trekken. Cruciaal voor data-georiënteerde rollen.

Stripe MCP. Factuurgeneratie, klantbeheer, refunds. Stripe biedt zelf een MCP-server aan (Bron: Stripe), zodat je betalingen in gewone taal kunt opvragen of afhandelen in plaats van via een dashboard. Zet schrijfacties als refunds wel achter menselijke goedkeuring.

Voor de meeste MKB-organisaties is een combinatie van drie tot vijf van deze genoeg om mee te beginnen. Een laagdrempelige eerste koppeling is je notulen: hoe je Granola via een connector aan Claude hangt, lees je in Granola koppelen aan Claude. Onze overzicht-gids over Claude versus ChatGPT versus Gemini versus Copilot helpt bepalen welk model bij jouw stack past; de zakelijke ChatGPT vs Claude-vergelijking gaat dieper op enterprise-cases waar MCP het verschil maakt.

De drie verleidingen om te vermijden

Drie patronen die in de praktijk vaak misgaan.

Installeer-alles-syndroom. Een MKB-team installeert dertig MCP’s omdat het kan. Resultaat: tragere AI, hogere kosten, fouten omdat de AI niet weet welke tool wanneer relevant is. Houd het op vijf-tot-tien actieve MCP’s, en review periodiek wat je gebruikt.

Read-write zonder waarom. Veel MCP’s bieden zowel read- als write-toegang. Voor productie: start met read-only. Schakel write pas in voor specifieke MCP’s en specifieke acties, met menselijke goedkeuring waar geld of klantcommunicatie aan vasthangt. Draai je zelf een MCP-server, zet hem dan nooit zonder inlog op internet (zo scherm je hem af).

Onbekende MCP-publishers. Een MCP-server is uitvoerbare code. Een kwaadaardige Slack-MCP kan in principe je hele werkverleden lezen. Gebruik alleen MCP’s van bekende partijen (Anthropic zelf, GitHub, Linear) of open-source servers met genoeg sterren en activiteit dat ze door anderen ge-audit worden. Hoe ver zo’n koppeling kan reiken, zie je aan REA, een tool die AI-agents via MCP complete programma’s laat ontleden.

Hoe je vandaag begint met MCP

Stap 1. Installeer Claude Desktop, Claude Code of Cowork. Die hebben MCP-ondersteuning ingebouwd, net als inmiddels ChatGPT, Copilot en Gemini.

Stap 2. Kies één MCP — bij voorkeur GitHub of Slack als die in je werkstroom zitten. Volg de officiële installatie-instructies. Sta hem in eerste instantie alleen read-only toe.

Stap 3. Werk er een week mee. Merk wat verandert. Een AI die ineens je actuele Slack-context kent of een PR live kan reviewen voelt fundamenteel anders dan een AI die afhankelijk is van wat jij plakte.

Stap 4. Voeg pas dán een tweede MCP toe. Bouw je stack incrementeel.

In drie tot vier weken heb je een werkbare MCP-set die jouw specifieke werkstroom dekt. Draait dat allemaal in de cloud, dan is stroom het schaarse goed achter de schermen: datacenters kopen zich uit de wachtrij voor 1,45 miljard dollar.

Stand van zaken — bijgewerkt 2026-09-25

Wat hierboven over bouwstenen en risico’s staat, blijft gelden. De cijfers en versies hieronder veranderen sneller.