MCP (Model Context Protocol)
Wat is het?
Het Model Context Protocol, afgekort MCP, is een open technische standaard die Anthropic eind 2024 introduceerde. De kern van het protocol is simpel: het maakt het mogelijk voor AI-assistenten om rechtstreeks te communiceren met externe systemen, zoals je CRM, je analytics-platform, je advertentieomgeving of je contentmanagementsysteem. Niet via een op maat gebouwde integratie voor elke combinatie van tools afzonderlijk, maar via één gestandaardiseerde verbindingstaal die elke MCP-compatibele tool begrijpt.
Om te begrijpen wat dat betekent, is het nuttig om te weten wat het probleem was vóór MCP bestond. AI-tools zoals ChatGPT en Claude werken op basis van trainingsdata met een vaste einddatum. Ze weten niets van jouw specifieke merkcontext: je tone of voice, je campagnegeschiedenis, je product-assortiment, je klantdata. Elke keer dat je een AI vraagt iets te doen dat context vereist, moet je die context handmatig aanleveren via je prompt. Dat is tijdrovend, foutgevoelig en schaalt niet.
MCP lost dat op door een standaard te definiëren waarmee een AI-tool actief data kan ophalen uit of acties kan uitvoeren in externe systemen, op het moment dat je een vraag stelt. Je AI-assistent kan dan, terwijl je een campagne bespreekt, live je GA4-data raadplegen, je laatste campagneprestaties uit Google Ads ophalen of controleren of een product nog op voorraad is in je webshop-backend. Dat alles zonder dat jij die data handmatig kopieert naar de chatinterface.
Technisch werkt MCP via een client-servermodel. De MCP-client zit ingebouwd in de AI-applicatie en stuurt verzoeken. De MCP-server zit aan de kant van het externe systeem en verwerkt die verzoeken, haalt data op of voert acties uit en stuurt een antwoord terug. Die uitwisseling verloopt in real time, gedurende de conversatie. Het protocol is model-agnostisch: het werkt met Claude, met ChatGPT, en in principe met iedere AI-tool die de standaard adopteert.
Grote namen hebben MCP snel omarmd. OpenAI, Microsoft, Google en tientallen martech-leveranciers ondersteunen het protocol inmiddels of zijn er actief mee aan het werk. Stripe biedt een MCP-server die directe toegang geeft tot transactiedata. Salesforce heeft integratie uitgerold. En in het marketing-ecosysteem experimenteren platforms als Zapier en HubSpot met MCP-compatibele verbindingen. De adoptie versnelt, maar de markt is in 2026 nog volop in ontwikkeling.
Er is ook een belangrijk onderscheid dat vaak wordt vergeten: MCP is niet hetzelfde als een AI-agent. Een agent draait autonoom op de achtergrond, neemt beslissingen en voert taken uit over langere perioden. MCP is een protocol voor conversationele, on-demand interacties. Je stelt een vraag, de AI haalt via MCP de benodigde data op, geeft antwoord, en daarmee is de interactie klaar. Geen persistente achtergrondprocessen, geen zelfstandig opererende taakuitvoering. Dat onderscheid is relevant voor hoe je MCP evalueert en in welke situaties het meerwaarde biedt.
Wat vinden wij ervan?
MCP is een mooie aanvulling op je AI-gereedschapskist, maar we zijn hier voorzichtig in onze enthousiasme, omdat dit echt nog volledig in ontwikkeling is. De richting klopt: een gestandaardiseerde manier om AI-tools toegang te geven tot je eigen data is een logische volgende stap na de eerste generatie standalone AI-assistenten die in een vacuüm werkten. De echte waarde van MCP is dat het de generieke AI-output vervangt door contextgebonden AI-output. Dat is het verschil tussen een AI die een e-mail schrijft op basis van algemene kennis, en een AI die die e-mail schrijft op basis van jouw merkrichtlijnen, de conversatiegeschiedenis van die klant en de actuele productprijzen uit je systeem.
Toch is er een serieuze kanttekening die we niet onder het tapijt schuiven: AI hallucinatie verdwijnt niet doordat je MCP gebruikt. Het wordt in de meeste gevallen minder ernstig, omdat het model werkt met jouw actuele data in plaats van verouderde of verzonnen informatie, maar het is niet weg. Een AI die via MCP jouw CRM raadpleegt, kan nog steeds een verkeerde conclusie trekken uit de opgehaalde data, of de data correct ophalen maar op een manier samenvatten die niet klopt met de werkelijkheid. Onderzoek naar LLM-betrouwbaarheid in geavanceerde pipelines laat zien dat de foutmarges kleiner worden bij het toevoegen van grounding-data, maar zeker niet tot nul dalen. Wie MCP inzet voor beslissingen met hoge impact, zoals campagnebudgetverschuivingen of klantcommunicatie, moet dat altijd met menselijke validatie omringen.
Een tweede punt dat marketeers moeten begrijpen: MCP verschuift de verantwoordelijkheid voor datakwaliteit naar jou. Een AI die in een vacuüm werkt, kan niets beters produceren dan zijn training. Een AI die via MCP toegang heeft tot jouw systemen, is zo goed als de data in die systemen. Vuile CRM-data, inconsistente campagnerapportage of ongestructureerde contentarchitectuur worden door MCP niet opgelost. Ze worden zichtbaarder, en de AI zal er actief mee aan de slag gaan. Dat betekent: garbage in, garbage out, maar dan sneller en op grotere schaal.
De governance-vraag is daarmee meteen ook de meest urgente. Wat mag een AI-tool via MCP lezen? Wat mag het aanpassen? Wie is verantwoordelijk als een MCP-verbinding leidt tot een ongewenste actie in een productiesysteem? De meeste marketing-teams hebben hier nog geen antwoord op, en dat is begrijpelijk gezien hoe nieuw dit is. Maar het is ook precies waarom je hier nu al over na moet denken, voordat de adoptie versnelt en de drempel verlaagt.
Ons advies?
Volg MCP actief, maar adopteer het nu nog selectief. De technologie is veelbelovend, de standaard wint snel terrein, en de eerste praktijktoepassingen laten zien waar de echte waarde zit. Maar de rijpheid van het ecosysteem is in 2026 nog niet op het niveau dat je blindelings kunt opschalen.
- Begin met read-only toegang. De veiligste eerste stap is een MCP-setup waarbij je AI-tool data kan ophalen uit je systemen, maar niets kan aanpassen. Lees-toegang tot je analytics-data, je campagneresultaten of je productcatalogus is laag-risico en biedt direct bruikbare meerwaarde. Schrijf-toegang, waarbij de AI acties uitvoert in productiesystemen, vereist uitgebreidere governance en moet je pas activeren als je weet wat je doet.
- Definieer je datagovernance voordat je verbindingen opent. Welke systemen mogen worden gekoppeld? Wie beheert de permissies? Hoe log je welke data een AI heeft opgevraagd en wat ermee is gedaan? Dit klinkt zwaar, maar een basisgovernancestructuur is eerder uren werk dan maanden. Stel het niet uit tot nadat er iets misgaat.
- Houd de menselijke laag intact bij beslissingen. MCP versnelt het opvragen en samenvatten van data, maar de beslissing op basis van die data moet van een mens komen. Zeker zolang AI-hallucinatie een reëel risico is, ook in MCP-versterkte omgevingen, mag je de validatiestap niet elimineren. Gebruik MCP als een snellere manier om tot het moment van beslissen te komen, niet als de beslisser zelf.
- Investeer nu in databeheer. Hoe schoner je CRM, hoe beter je campagnestructuur en hoe consistenter je rapportage-inrichting, des te nuttiger MCP straks is. De kwaliteit van je AI-output via MCP is een directe afspiegeling van de kwaliteit van je databronnen. Dit is het moment om die achterstallige opruiming te rechtvaardigen met een concreet strategisch argument.
- Volg de adoptie bij je martech-leveranciers actief. Veel platforms waarbij jij als marketeer al klant bent, werken aan MCP-compatibiliteit. Google Ads, Meta, HubSpot, GA4. Check bij je leveranciers wat de roadmap is. Als MCP-ondersteuning beschikbaar komt, is de drempel om te starten laag, omdat de infrastructuur er al is.
✅ Strategie in de maak
De richting is structureel en de adoptie door grote spelers is serieus. Maar het ecosysteem rijpt nog, governance-frameworks bestaan nauwelijks en MCP lost het hallucinatieprobleem niet volledig op. Breng je datafundamenten op orde en start klein. Wie blind opschaalt zonder die basis, koopt een duurder probleem dan hij oplost.