AI-assistenten zijn indrukwekkend, tot je ze iets vraagt over je eigen bedrijf. Met een MCP-server laat je AI rechtstreeks en veilig werken in je eigen software. Wat MCP is, waarom het belangrijk is, en hoe we zelf MCP-servers bouwen.
Vraag een AI-assistent om een mail op te stellen, een rapport samen te vatten of een clausule in een contract uit te leggen, en je krijgt een behoorlijk resultaat. Vraag diezelfde assistent welke tickets er nog openstaan voor je grootste klant, hoeveel uren er vorige maand in een project kropen en of een bestelling al vertrokken is, en hij moet het antwoord schuldig blijven. Of erger: hij verzint iets.
Dat ligt niet aan het model. Het ligt eraan dat het je gegevens nooit gezien heeft. Je projecten, klanten, voorraad en facturen zitten in je eigen software, en de AI staat daarbuiten, zonder sleutel van de voordeur.
De voorbije jaren was de gebruikelijke oplossing een maatwerkkoppeling: code schrijven die één specifieke AI-tool verbindt met één specifiek systeem, en dat daarna opnieuw doen voor de volgende tool en het volgende systeem. Dat werkt, maar het is traag, het is breekbaar, en het bindt je aan de AI-leverancier die je toevallig als eerste koos.
Het Model Context Protocol is een ander antwoord op hetzelfde probleem. En nu Laravel er een stabiel pakket voor uitbrengt, is het een heel praktische optie geworden voor het soort software dat wij elke dag bouwen.
Wat MCP nu eigenlijk is (in gewone taal)
MCP is een open standaard die Anthropic in november 2024 introduceerde om AI-assistenten te verbinden met de systemen waar je gegevens zitten. In plaats van dat elke AI-tool een eigen koppeling nodig heeft met elke databron, legt MCP één gedeelde manier vast waarop beide kanten met elkaar praten.
Je kunt het best vergelijken met een universele stekker. Je software stelt een MCP-server beschikbaar. Een AI-toepassing, zoals Claude, ChatGPT of een AI-tool voor ontwikkelaars, gedraagt zich als MCP-client en maakt verbinding met die server. Zodra die verbinding er is, kan het model gebruiken wat de server aanbiedt, zonder dat iemand een aparte integratie moet schrijven voor die specifieke combinatie.
Een concreet voorbeeld. Stel dat je planningstool een MCP-server heeft met een tool om openstaande opdrachten per klant op te vragen. Een medewerker vraagt aan zijn assistent: "Wat staat er deze week nog open voor klant X?" De assistent ziet dat er een tool bestaat die precies dat kan, roept hem aan met de juiste klant, krijgt de echte gegevens terug en formuleert daar een antwoord mee. Geen gegok, geen kopiëren en plakken tussen vensters. En morgen werkt dezelfde server net zo goed met een andere assistent.
Een MCP-server kan drie soorten dingen aanbieden:
Tools: acties die de AI kan uitvoeren, zoals een klant opzoeken, een ticket aanmaken of tijd registreren.
Resources: gegevens die de AI kan lezen als context, zoals documentatie, records of bestanden.
Prompts: herbruikbare sjablonen die de AI richting een specifieke taak sturen.
Het belangrijkste: jij bepaalt wat er op dat lijstje staat. De AI ziet alleen de tools en gegevens die je server bewust openstelt, en verder niets.
Waarom het belangrijk is voor je bedrijf
MCP is technisch loodgieterswerk, maar de redenen om er wakker van te liggen zijn zakelijk.
1. Minder maatwerk per koppeling
Zonder standaard betekent AI koppelen aan je systemen dat je voor elke combinatie van tool en systeem apart lijmwerk schrijft. Met MCP bouw je de server één keer, en elke client die MCP ondersteunt, kan erop aansluiten. Dat is minder code om te schrijven, en vooral minder code om te onderhouden telkens een AI-aanbieder zijn API wijzigt.
2. Geen lock-in bij één AI-leverancier
Het AI-landschap verandert razendsnel. Het model dat vandaag het beste past bij jouw toepassing, is dat volgend jaar misschien niet meer. Omdat MCP een open standaard is en niet vastzit aan één aanbieder, gooi je het werk dat je in je koppeling stak niet weg wanneer je van assistent wisselt, of wanneer verschillende mensen in je team liever met een andere tool werken.
3. Controle over wat je openstelt
Dit is het punt waar we met klanten het langst bij stilstaan. AI toegang geven tot je bedrijfsgegevens mag niet betekenen dat je de AI toegang geeft tot alles. Met MCP leg je precies vast welke gegevens gelezen mogen worden en welke acties uitgevoerd mogen worden, en je kunt dat koppelen aan dezelfde gebruikers, rollen en rechten die je applicatie vandaag al afdwingt. Alleen lezen waar dat volstaat, schrijfrechten alleen waar ze echt nodig zijn.
4. AI die echt bruikbaar is
De meeste AI-functies stellen om één reden teleur: ze staan los van het echte werk. Een assistent die de echte bestelling, het echte ticket of de echte klantfiche kan opzoeken, is een totaal ander stuk gereedschap dan eentje die alleen kan gokken. MCP is wat een slimme chatbot verandert in iets waar je team in de dagelijkse werking effectief iets aan heeft.
MCP en Laravel
We bouwen sinds 2012 maatwerksoftware in Laravel, dus we volgen het werk van het framework rond MCP op de voet. In september 2026 bracht het Laravel-team Laravel MCP 1.0 uit, de eerste stabiele versie van het officiële laravel/mcp-pakket om MCP-servers te bouwen binnen Laravel-applicaties.
Concreet betekent dat: een bestaande Laravel-applicatie kan een MCP-server aanbieden zonder dat je er een apart systeem naast moet zetten. Een paar dingen springen voor ons in het oog:
Het past in de manier waarop Laravel-apps al gebouwd zijn. Servers, tools, resources en prompts zijn gewone klassen, geregistreerd in een eigen routesbestand, net zoals de rest van de applicatie.
Authenticatie en autorisatie zitten erin. Servers die via het web bereikbaar zijn, kun je beveiligen met tokens via Laravel Sanctum of met OAuth 2.1 via Laravel Passport, en elke tool kan nagaan wat de aangemelde gebruiker mag doen voordat hij iets uitvoert.
Wat je openstelt, kan voorwaardelijk zijn. Een tool kan volledig verborgen blijven voor een client, afhankelijk van de gebruiker of de toestand van de applicatie. En tools kun je markeren als alleen-lezen, zodat AI-clients weten dat ze niets wijzigen.
Het is testbaar. Het pakket bevat een MCP Inspector om een server uit te proberen en hulpmiddelen om geautomatiseerde tests te schrijven. Zo krijgt AI-toegang dezelfde kwaliteitscontrole als de rest van de codebase.
Voor klanten met een bestaande Laravel-applicatie is dat het interessante deel: je software klaarmaken voor AI vraagt geen herbouw meer. Het is een uitbreiding van wat er al staat. Je bestaande businesslogica, validatie en rechten blijven gewoon het werk doen; MCP is een extra ingang naar dezelfde applicatie.
Hoe we het zelf gebruiken
We raden MCP niet alleen aan, we draaien er zelf op. Cohively, de workspace die we voor onze eigen studio bouwden en nu als white-label product aanbieden (momenteel in bèta), stelt een MCP-server beschikbaar.
Cohively brengt onze projecten, klanten, een board in Jira-stijl, tijdregistratie, een wachtwoordkluis en gedeelde documentatie samen op één plek. Dankzij MCP kan iedereen in het team een assistent zoals Claude of ChatGPT koppelen en in gewone woorden vragen naar het board, een ticket of een geregistreerd uur. De assistent kan ook een ticket aanmaken of bijwerken, gewoon door het te vragen.
Twee ontwerpkeuzes zijn hier belangrijk, en het zijn dezelfde die we elke klant zouden aanraden. Toegang verloopt via een persoonlijke sleutel die elke gebruiker zelf aanmaakt vanuit zijn profiel, en bij het aanmaken kies je wat die sleutel mag doen. Elke sleutel heeft zijn eigen rechten en kan apart ingetrokken worden. De AI krijgt precies de toegang die hij nodig heeft, en niets meer.
Daarom raden we deze aanpak ook met een gerust hart aan. De grenzen die we voorstellen voor klantprojecten, persoonlijke toegang, beperkte rechten en eenvoudig in te trekken, zijn dezelfde die we kozen voor de workspace waar ons eigen team elke dag op steunt om de studio te runnen.
Wat dit voor jou betekent
Draait je bedrijf op maatwerksoftware, dan stelt MCP een heel praktische vraag: wat zou je team doen als hun AI-assistent veilig met je eigen gegevens kon werken?
Een verstandige manier om eraan te beginnen:
Start met één toepassing met veel waarde. Een opzoeking die mensen tientallen keren per dag doen, of een update die vandaag van het ene systeem in het andere wordt overgetypt.
Stel het minimum open. Begin met alleen-lezen. Voeg pas acties toe als daar een duidelijke reden voor is, en koppel ze aan de rechten die al bestaan.
Laat mensen beslissen waar fouten ertoe doen. Laat de AI voorbereiden, opzoeken en een eerste versie maken; laat mensen goedkeuren wat echt gevolgen heeft.
Bouw verder op je bestaande applicatie. Draait die op Laravel, dan liggen de fundamenten er al.
Niets hiervan vraagt dat je alles inzet op één AI-leverancier, of dat je herbouwt wat vandaag goed werkt. Het is een gecontroleerde stap, op je eigen tempo, richting AI die je bedrijf echt kent.
Een MCP-server laten bouwen voor jouw software?
We helpen je uitzoeken waar AI-toegang tot je eigen systemen loont, ontwerpen een MCP-server met de juiste grenzen en bouwen die in je bestaande Laravel-applicatie. We starten altijd met een korte code-audit: we bekijken je applicatie, brengen in kaart welke data en acties je veilig kunt openstellen en vertellen je eerlijk welke toepassingen het waard zijn om eerst te bouwen.
