Retrieval-Augmented Generation (RAG)
07/01/2026
OpenClaw & Moltbook
19/02/2026
Model Context Protocol(MPC)
Stel: jij begint hier vandaag als nieuwe collega
We zetten je achter je laptop, geven je geen uitleg over systemen, geen toegang tot documenten en geen duidelijk beeld van je rol. Grote kans dat je vastloopt. Niet omdat je niet slim bent, maar omdat de context ontbreekt.
Precies dat gebeurt vaak bij AI.
Datum
12-02-2026
Categorie
Inzichten & inspiratie
Auteur
Pleun Claassen
De onboarding van AI
AI-projecten lopen zelden vast omdat modellen niet slim genoeg zijn. In de praktijk zien we dat ze stranden op iets anders: gebrek aan structuur. Meerdere modellen worden gekoppeld aan losse tools, verschillende databronnen en uiteenlopende systemen, terwijl iedereen verwacht dat alles naadloos samenwerkt.
Het resultaat? Lange prompts, hard-gecodeerde logica en oplossingen die breken zodra je iets wilt aanpassen. Niet omdat de technologie tekortschiet, maar omdat niemand expliciet heeft vastgelegd hoe alles samenhangt.
Als nieuwe collega zou jij eerst een onboarding krijgen. Uitleg over waar documenten staan, welke systemen je mag gebruiken en wat jouw verantwoordelijkheden zijn. Voor AI hebben we daar een vergelijkbaar mechanisme voor nodig. En dat is waar MCP in beeld komt.
Wat is MCP?
MCP staat voor Model Context Protocol. Zie het als de onboarding-documentatie voor een AI-model. Het legt vast in welke context het model werkt en welke spelregels daarbij horen.
Denk aan afspraken over welke databronnen beschikbaar zijn, welke tools mogen worden aangeroepen en welke rechten of beperkingen gelden. In plaats van bij elke nieuwe toepassing opnieuw uit te leggen wat wel en niet mag, beschrijf je dit één keer op een vaste, consistente manier.
Daardoor hoeft een model niet te “gissen” naar zijn rol binnen het grotere geheel. Het weet welke systemen onderdeel zijn van zijn werkveld en hoe het moet samenwerken met andere modellen of tools. Net zoals jij dat zou weten na een goede onboarding.
De verborgen oorzaak van AI-chaos
Veel AI-oplossingen beginnen klein. Een chatbot hier, een analyse-tool daar. Dat werkt prima zolang alles overzichtelijk blijft. Maar zodra meerdere modellen, API’s en databronnen samenkomen, ontstaat er complexiteit. Zonder centrale afspraken wordt logica verspreid over prompts, scripts en configuraties. Dat maakt systemen kwetsbaar. Een kleine wijziging in rechten of databronnen kan onverwachte gevolgen hebben voor de output. Nieuwe use-cases toevoegen betekent vaak opnieuw bouwen in plaats van uitbreiden.
De echte uitdaging zit dus niet in het model zelf, maar in hoe het is ingebed in de architectuur. Zonder duidelijke context ontstaat improvisatie. En improvisatie schaalt zelden goed.
Waarom MCP zo’n groot verschil maakt
De kracht van MCP zit in standaardisatie. Door expliciet vast te leggen welke databronnen, API’s en tools toegankelijk zijn, verschuif je AI van een losse toepassing naar een beheersbaar systeem. Het model opereert binnen duidelijke grenzen, wat de voorspelbaarheid en betrouwbaarheid vergroot.
Daarnaast maakt MCP uitbreiding eenvoudiger. Nieuwe use-cases voeg je toe door context en rechten uit te breiden, niet door complete prompt-architecturen te herschrijven. Dat voorkomt versnippering en technische schuld.
Minstens zo belangrijk is governance. Wanneer helder is welke modellen toegang hebben tot welke systemen, wordt controle mogelijk. Dat is essentieel als AI een structurele rol krijgt binnen bedrijfsprocessen.
Waar zie je MPC in de praktijk terug?
Interne AI-assistenten
Binnen organisaties die meerdere databronnen combineren, zoals SharePoint, CRM en projectmanagementtools, zorgt MCP ervoor dat een AI-assistent precies weet welke informatie relevant en toegestaan is. Geen losse koppelingen per toepassing, maar één gedeelde context.
Agentic AI-oplossingen
Wanneer AI niet alleen genereert, maar ook handelt, wordt context cruciaal. Een agent die afspraken plant, data verwerkt of systemen aanstuurt, moet exact weten welke rechten gelden. MCP legt die kaders vast en voorkomt dat autonomie omslaat in risico.
Schaalbare AI-architectuur
Organisaties die meerdere AI-modellen inzetten, bijvoorbeeld voor analyse, support en procesautomatisering, gebruiken MCP om consistentie te waarborgen. Nieuwe toepassingen worden toegevoegd binnen hetzelfde raamwerk, waardoor groei beheersbaar blijft.
Kern van professionele AI-inzet
MCP klinkt misschien als een technische bouwsteen, maar het raakt aan de kern van professionele AI-inzet. Het zorgt ervoor dat modellen niet alleen slim zijn, maar ook begrijpen waar ze opereren en hoe ze moeten samenwerken. Het verschil tussen een losse AI-demo en een duurzaam AI-landschap zit vaak niet in het model, maar in de context eromheen.
Bij Univia houden we ons dagelijks bezig met dit soort technische bouwstenen. We vinden het belangrijk om AI-oplossingen praktisch en schaalbaar te houden, en MCP speelt daarin een belangrijke rol. Benieuwd hoe dit er binnen jouw organisatie uit zou kunnen zien? Kom gerust eens langs voor een kop koffie, dan kijken we samen waar structuur het verschil kan maken. 🚀
Altijd als eerste het nieuws van Univia ontvangen?
Volg ons op social media, en houd onze blog pagina in de gaten voor de laatste updates! Of schrijf je nu in voor onze nieuwsbrief!
