Er is meer mogelijk dan je denkt. We bevinden ons midden in een nieuwe technologische verschuiving waarin softwareontwikkeling razendsnel verandert. Waar vroeger het schrijven van code centraal stond, zien we nu dat AI een steeds grotere rol speelt. Met slechts geschreven instructies kun je tegenwoordig applicaties laten bouwen, processen automatiseren en complexe systemen aansturen.
Maar parallel aan deze ontwikkeling gebeurt er nóg iets belangrijks. Niet alleen de manier van bouwen verandert, ook de manier waarop systemen met elkaar communiceren evolueert. Waar API’s jarenlang de standaard waren, zien we nu de opkomst van een nieuwe speler: de MCP server.
En geloof ons, die term ga je steeds vaker horen.
Wat is een MCP?
MCP staat voor Model Context Protocol. Het is een protocol dat speciaal is ontworpen voor AI-agents, zodat zij veilig en gestructureerd kunnen communiceren met software en systemen.
Waar een traditionele API is gebouwd voor ontwikkelaars, is een MCP server gebouwd voor AI.
Om dit concreter te maken bestaat een MCP server vaak uit drie onderdelen:
Actions (wat kan er gedaan worden)
Resources (welke data is beschikbaar)
Context of regels (wanneer en hoe iets gebruikt mag worden).
In plaats van dat een developer handmatig endpoints aanroept en documentatie doorneemt, kan een AI-agent via een MCP server zelfstandig begrijpen wat mogelijk is binnen een systeem. Je kunt het zien als een soort “handleiding + toegangspoort” in één, maar dan specifiek afgestemd op AI. Een MCP voor een CMS kan bijvoorbeeld acties bevatten zoals het ophalen van pagina’s, het aanmaken van content of het aanpassen van metadata, zonder dat een agent daar aparte documentatie voor nodig heeft.
API vs. MCP: wat is het verschil?
Het verschil tussen API’s en MCP servers zit vooral in wie ze gebruikt en hoe ze worden geïnterpreteerd.
API’s:
Gericht op developers
Vereisen documentatie en technische kennis
Werken via vaste endpoints en request/response structuren
De logica zit in de code van de developer
MCP servers:
Gericht op AI-agents
Zelfbeschrijvend: de agent begrijpt wat mogelijk is
Context-aware: weet wanneer en hoe iets gebruikt mag worden
De logica verschuift deels naar de AI
Waar een developer vroeger documentatie nodig had om een koppeling te maken, heeft een AI-agent nu een MCP server nodig om te begrijpen hoe hij met jouw systeem kan werken. En waar je bij een API vooral endpoints definieert, ontwerp je bij een MCP server in feite gedrag. Je bepaalt niet alleen wat er technisch kan, maar ook hoe en onder welke voorwaarden een agent dat mag gebruiken.
De opkomst van AI-agents en MCP
Veel SaaS-producten zijn momenteel volop bezig met het integreren van AI-agents. Denk bijvoorbeeld aan:
Jira met Rovo
Microsoft met Copilot
diverse CRM- en projectmanagementtools
Deze agents nemen steeds vaker taken over: van het genereren van rapportages tot het aanpassen van data en het uitvoeren van workflows.
Maar hier wordt het interessant:
zodra deze tools een MCP server aanbieden, kun je je eigen agents bouwen die met deze software samenwerken.
Een concreet voorbeeld is Drupal, dat inmiddels een MCP server module heeft ontwikkeld:
MCP Server
Hiermee kun je via een AI-agent direct acties uitvoeren binnen je CMS, zonder zelf door het systeem te navigeren.
MCP in de praktijk: hoe wij het bij Synetic gebruiken
Bij Synetic zijn we inmiddels ook bezig met het ontwikkelen van onze eigen MCP servers.
Het doel? Informatie toegankelijk maken op een manier die past bij het agentic tijdperk.
In plaats van:
zoeken in SharePoint
klikken door Jira
handmatig dashboards openen
kun je straks simpelweg vragen:
“Wat is het budget van project X?”
“Welke versie draait er in productie?”
“Hoe loopt de planning deze week?”
De stap die we hier zetten is fundamenteel anders dan traditionele integraties. In plaats van systemen aan elkaar te koppelen, creëren we een laag waarin informatie en acties uniform beschikbaar worden voor agents. Op dit moment is dit vooral intern ontzettend handig. Maar de echte kracht zit in wat hierna komt.
De volgende stap: autonome projectmanagement agents
Wanneer je MCP server goed is ingericht, leg je de basis voor iets groters: autonome agents.
Denk aan:
projectmanagement agents die automatisch statusupdates geven
agents die risico’s signaleren op basis van planning en budget
systemen die zelfstandig acties voorstellen of zelfs uitvoeren
Omdat de MCP server precies bepaalt wat er wel en niet mag, blijft dit gecontroleerd en veilig.
Praten met je systemen
Een van de mooiste aspecten van MCP is misschien wel hoe toegankelijk het wordt.
Je kunt een MCP server namelijk eenvoudig koppelen aan tools zoals ChatGPT.
Dat betekent dat je letterlijk met je systemen kunt praten.
Geen dashboards. Geen menu’s. Geen complexe interfaces.
Gewoon een vraag stellen, en een antwoord krijgen.
Waar gaat dit naartoe?
We gaan van een wereld waarin developers systemen aan elkaar knopen, naar een wereld waarin AI-agents zelfstandig samenwerken met software. API’s verdwijnen niet, maar krijgen gezelschap van iets nieuws: MCP servers. En die verschuiving is groter dan het lijkt. Want uiteindelijk verandert het niet alleen hoe we software bouwen, maar ook hoe we ermee werken.
Hoe start je met de inrichting?
In de praktijk zien we dat dit proces meestal uit vier stappen bestaat:
Allereerst bepaal je de use case: wat moet een agent daadwerkelijk kunnen doen? Denk aan het ophalen van rapportages, het beheren van content of het inzichtelijk maken van projectdata;
Vervolgens definieer je de actions en resources die daarvoor nodig zijn;
Daarna stel je de context en regels vast, zoals toegangsrechten, restricties en voorwaarden waaronder acties uitgevoerd mogen worden;
Tot slot koppel je de MCP server aan de onderliggende systemen, zoals een CMS, CRM of dataplatform.
Pas wanneer deze laag goed is ingericht, kan een agent effectief functioneren. De kwaliteit van de MCP server bepaalt immers direct wat een agent kan en mag doen. Neem contact op met Sam Zwaaij om jouw eerste stappen hierin te zetten.