Model Context Protocol (MCP) is een open standaard voor het verbinden van AI-modellen en -agents met externe tools, databronnen en services via een uniforme interface. Oorspronkelijk ontwikkeld door Anthropic, biedt MCP een gestandaardiseerde manier voor AI-systemen om tools te ontdekken, zich ermee te authenticeren en ze aan te roepen zonder aangepaste integratiecode per service. In maart 2026 versnelde MCP-adoptie met Google's WebMCP die declaratieve toolregistratie direct in website-HTML mogelijk maakt, het Agent Browser Protocol dat MCP-servers in Chromium inbedt, en Gemini CLI die wordt geleverd met native MCP-ondersteuning. Het protocol wordt de de facto standaard voor toolinteroperabiliteit tussen AI-providers.
Waarom het belangrijk is
Vóór MCP was elke AI-toolintegratie maatwerk. Als je Claude toegang wilde geven tot je CRM, bouwde je een aangepaste integratie. Als je GPT je database wilde laten bevragen, bouwde je er nog een. Elke AI-provider had zijn eigen function calling-formaat, authenticatievereisten en toolregistratiemechanisme. Deze fragmentatie betekende dat toolauteurs N integraties moesten bouwen voor N AI-providers, en ondernemingen een groeiend web van aangepaste connectors moesten onderhouden. MCP elimineert dit N×N-probleem door één enkel protocol te bieden dat elk AI-model kan gebruiken om elke tool te ontdekken en aan te roepen. Één MCP-serverimplementatie werkt met Claude, GPT, Gemini en elk ander MCP-compatibel model. Dit is hetzelfde patroon dat USB universeel maakte — een gedeelde interfacestandaard die alle deelnemers ten goede komt.
Hoe het werkt
MCP definieert drie kernprimitieven. Tools zijn uitvoerbare functies die een AI-model kan aanroepen — elke tool heeft een naam, beschrijving, invoerschema en uitvoertype, waardoor modellen begrijpen wat de tool doet en hoe ze deze aanroepen. Resources zijn alleen-lezen databronnen die context bieden aan het model, zoals bestanden, databaserecords of API-eindpunten. Prompts zijn sjablooninstructies die de interactie van het model met tools en resources begeleiden. Een MCP-server stelt deze primitieven beschikbaar via een transportlaag (typisch stdio voor lokale servers of HTTP met Server-Sent Events voor remote). De AI-client ontdekt beschikbare tools, resources en prompts via een capabiliteitsonderhandeling, en roept ze vervolgens aan met gestructureerde JSON-RPC-berichten. Authenticatie, foutafhandeling en capabiliteitsversiebeheer maken allemaal deel uit van de protocolspecificatie.
Voorbeeld
Een bedrijf bouwt een MCP-server voor hun projectmanagementsysteem. De server stelt tools beschikbaar zoals 'create_task,' 'list_sprints' en 'assign_user,' plus resources zoals het huidige sprintbord en de teamledenlijst. Eenmaal geïmplementeerd kan elke MCP-compatibele AI-assistent deze tools ontdekken en gebruiken in gesprekken. Een ontwikkelaar die Claude gebruikt kan zeggen 'maak een taak aan voor de login-bug en wijs die toe aan Sarah' en Claude ontdekt de create_task- en assign_user-tools via MCP, roept ze aan met de juiste parameters, en bevestigt het resultaat. Dezelfde MCP-server werkt ongewijzigd wanneer het productteam Gemini gebruikt, of wanneer hun CI-pipeline een geautomatiseerde agent inzet — geen nieuwe integratiecode nodig. Wanneer WebMCP lanceert, kan het projectmanagementtool zelfs zijn MCP-capabiliteiten registreren in de website-HTML, waardoor ze ontdekbaar worden voor elke AI-agent die de pagina bezoekt.