RBI-Solutions blog

MCP: De nieuwe AI standaard

Een begrip dat je online steeds vaker tegenkomt binnen al de buzz rond AI is ‘MCP’; weer zo’n afkorting die voor heel veel mensen cryptisch klinkt. Binnen de AI wereld is het echter wel een heel belangrijke vooruitgang: standaardisatie. Het verbinden van AI met bestaande APIs biedt heel veel mogelijkheden. Echter bouwt elke organisatie hun oplossing net weer anders. De ene bot praat zo tegen een API, de andere weer anders, en voor je het weet heb je een kerkhof aan connectors. Het idee is goed, de uitvoering vaak rommelig. Dit is precies waar MCP om de hoek komt kijken.

MCP (Model Context Protocol) is eigenlijk een simpele afspraak: laten we allemaal op dezelfde manier praten. MCP is dus als het ware een soort universeel koppelstuk in plaats van plakband-oplossingen. Het is ook nog niet eens heel ingewikkeld. Eigenlijk gaat het gewoon om JSON-berichten met vaste velden. Een gemeenschappelijke taal voor bots en tools.

Waarom het handig is
Het grote voordeel van deze standaardisatie stap is dus:

Minder hoofdpijn: Ontwikkelaars hoeven dus niet voor elke tool het wiel opnieuw uit te vinden.
Interoperabiliteit: Ook bots en agenten van verschillende ontwikkelaars kunnen gemakkelijk met elkaar praten.
Stabiliteit: Vaste velden binnen de JSON bestanden maken dat ontwikkelaars veel minder hoeven te gokken en gemakkelijker kunnen debuggen.
Duidelijkheid: JSON bestanden zijn zowel voor mens als machine gemakkelijk te lezen en te interpreteren.

Dit is de vrij basale technische oplossing die snel ontwikkelen mogelijk maakt zonder eindeloze ducttape achter de schermen.

Standaardisatie met JSON en vaste velden
Normaal gesproken moet jij jezelf bij het werken met APIs altijd aanpassen aan eigenaardigheden van het systeem. Sommige gebruiken snake_case-velden, andere camelCase. Sommige plaatsen foutmeldingen in ‘meta’-objecten, andere plaatsen ze gewoon bovenaan. Na verloop van tijd heb je zo een op maat gemaakte oplossing gebouwd met een heleboel uitzonderingen. Dit is waar MCP waarde toevoegt. Het definieert vaste veldnamen en structuren, zodat alle agenten weten waar ze moeten zoeken naar input, output en fouten. JSON is het medium bij uitstek: het is technisch licht, wordt breed ondersteund en vereist geen extra bibliotheken voor verwerking. Die voorspelbaarheid betekent dat tools snel vervangen kunnen worden zonder dat de hele integratie opnieuw herschreven hoeft te worden.

Gewone tools vs. MCP tools:
De meeste AI agents worden voorzien van ‘tool usage’. Je geeft ze extra functies die ze in staat stellen om zelfstandig taken uit te voeren. Normaliter gaat dit dus via calls naar APIs.

Gewoon gebruik van tools:

Elke API heeft zijn eigen documentatie, eigenheden en edge-cases.
Ontwikkelaars lijmen dingen aan elkaar met custom code.
Agenten hebben vaak veel training en ‘fine-tuning’ om goed met hun tools om te kunnen gaan.

Met MCP:

Alle tools volgen één gedeeld protocol.
Elke agent ‘begrijpt’ MCP en kan het direct gebruiken.
Ontwikkelaars zijn minder tijd bezig met het ontsleutelen van payloads en meer tijd met het creëren van waarde.

De saaie waarheid
MCP is dus niet per se sexy, maar daar gaat het dus ook niet om. Het is precies wat agents nodig hebben om verder te komen dan proof-of-concepts. Standaarden zie je niet, tot ze er ineens wél zijn. USB, WiFi, barcodes, containerschepen. MCP wil die laag zijn voor AI-tools. Kortom: minder plakband, meer werk dat afkomt.

Meer weten over wat wij met data kunnen?

Lees verder over data en de diensten van RBI-Solutions in deze blog's:

RBI en MAD-Quality – Data Quality scan

Een jaar geleden bezegelden RBI en MAD-Quality hun partnership. Om dit te vieren doen we nu iets extra’s.

Voor de eerste drie geïnteresseerden die zich aanmelden bieden wij een samen met MAD-Quality een no cure-no pay waardebepaling van je data met de MAD Validator!

Hoe afhankelijk ben jij van je office software?

Stel je voor: je online kantooromgeving valt ineens uit. Geen toegang tot e‑mail. Teams kunnen niet samenwerken en online-vergaderen. Alle bestanden in online mappen zijn onbereikbaar. Voor veel organisaties is dat vandaag de dag een ondenkbaar scenario — maar wel één dat langzaam realistischer wordt.
Of het écht gaat gebeuren? Dat weten we niet. Maar elke maand wordt de kans op verstoringen een beetje groter. Voor wie volledig afhankelijk is van de cloud voor kantoorsoftware kan zo’n uitval enorme impact hebben op communicatie, samenwerking en bedrijfscontinuïteit.

Wat als jouw dataplatform ineens moet verhuizen? Wees voorbereid op het onverwachte.

De afgelopen maanden merken organisaties het steeds sterker: de wereld verandert sneller dan onze IT‑landschappen aankunnen. Nieuwe wetgeving, geopolitieke spanningen, dreigende afhankelijkheden en besluiten van grote cloudleveranciers — het komt allemaal dichterbij dan we ooit hadden verwacht.

Uiteraard hebben we ons deze vraag ook gesteld over onze eigen platformen – hoe doen we dat zelf? Wij hebben ons inmiddels voorbereid.

Maak kennis met Helene, onze Data Consultant

Met veel plezier stellen we Helene Fritzsche aan jullie voor. Beter laat dan nooit, moeten we zeggen. Helene is inmiddels alweer vijf maanden onderdeel van ons team bij RBI-Solutions, hoog tijd dus om haar ook hier officieel te introduceren.

Helene is gestart als Data Consultant met een sterk data-analistprofiel. Ze helpt organisaties om data te verzamelen, op te schonen, te analyseren en te vertalen naar heldere inzichten. Denk aan dashboarding en datavisualisatie, maar ook aan het doorgronden van datalandschappen en de processen rondom data.

Vanaf 1 februari groeien we verder. Bouw jij mee?

Terugkijkend op het afgelopen jaar hebben we mooie stappen gezet. We hebben veel van elkaar geleerd, verschillende opdrachten bij nieuwe klanten gestart en aan uitdagende projecten gewerkt. We hebben nieuwe collega’s aangenomen, samen gebouwd aan onze groei en natuurlijk ook veel plezier gemaakt.

We sluiten 2025 af met onze RBI kerstborrel. Maar we kijken ook vooruit. Vanaf 1 februari 2026 zijn we op zoek naar 2 medior data-analisten die zin hebben om mee te bouwen aan onze groei.

Fijne feestdagen!

Afgelopen vrijdag hebben we samen met het hele team kerst gevierd bij Brava, een café om de hoek van ons kantoor. We hebben heerlijk geborreld, het jaar met elkaar afgesloten en natuurlijk ook onze kerstcadeaus uitgepakt. Dit jaar was een RBI-kersttrui onderdeel van het kerstpakket.

Maak kennis met Sara, onze nieuwe Data Consultant!

Met veel plezier stellen we Sara Herrebout aan jullie voor, één van onze nieuwste collega’s bij RBI-Solutions.

Sara heeft een achtergrond in Econometrie en werkte eerder als data-analist bij een energieleverancier. Inmiddels draait ze vol mee op haar opdracht bij InShared, samen met Mark Kronenberg, die hier begin dit jaar via ons is gestart. Samen werken ze aan de Duitse autoverzekeringspropositie. Omdat deze tak nog relatief jong is, ligt er veel ruimte om processen slimmer, schaalbaarder en efficiënter te maken. Dat is precies het soort uitdaging waar Sara energie van krijgt.

Zonder businessdoelen geen duurzame data-architectuur

Vorige week gaf ik met veel enthousiasme een introductie over data-architecturen aan nieuwe collega’s. We bespraken de historie van architecturen, de plek van een Data Architectuur binnen een Enterprise Architectuur en hoe zo’n architectuur het werk van Data Engineers, Data Analisten en Data Scientists beïnvloedt. Data Architectuur wordt vaak gezien als een IT-feestje, maar een goede architectuur wordt altijd gedreven door heldere businessdoelen. Zonder die doelen is een data platform als een Ferrari bij een off-road rally: technisch en esthetisch indrukwekkend, maar totaal ongeschikt voor het terrein waarin het moet presteren. Zo verliest een architectuur zonder richting snel zijn waarde en wordt data engineering meer een technologisch experiment dan een strategisch fundament.

AI Agents: meer dan een slimmere chatbot

De meeste mensen zien AI nog steeds als een soort papegaai die tekstjes en plaatjes maakt zodra je iets vraagt. Handig, maar ook best oppervlakkig. Sinds enige tijd is er echter ook iets nieuws in opkomst: ‘Agentic AI’. AI-agenten dus die autonoom te werk kunnen gaan.

In plaats van pure generatie, kunnen ze een probleem ontleden, stappen zetten richting een oplossing, hun eigen werk checken en zelf andere tools gebruiken. We stappen dus richting zelfstandig werkende oplossingen. Je kunt het bijna zien als een leger van volledig virtuele assistenten en stagiaires. Dit belooft veel maar, brengt zeker ook gevaren.

AutoML: Machine Learning op de automatische piloot?

Geautomatiseerd Machine Learning ook wel ‘AutoML’ is het automatiseren van de tijdrovende, iteratieve taken bij het ontwikkelen van machine learning-modellen. Je laat als het ware het bouwen van de modellen aan de machines zelf over.

Voor een paar tientjes een model dat kan voorspellen welke klanten over een paar maanden gaan vertrekken. Klinkt een beetje te goed om waar te zijn. Dan heb je natuurlijk ook geen Data Scientists meer nodig, toch? Nou, er zitten uiteraard wel wat haken en ogen aan. De specialisten op het gebied van Machine Learning verdwijnen ook zeker niet zo maar. Even een stap terug dus.

Data mesh: principes en praktische implementatie

Elk relatief groot bedrijf bestaat uit verschillende afdelingen, elk met zijn eigen vraagstukken. Op datagebied is dat niet anders: marketing wil weten hoe campagnes performen, operations wil de huidige voorraad kunnen inzien, finance bewaakt de cashflow en productontwikkeling volgt klantgedrag.

Datamigratie afgerond… en nu?

Binnen veel organisaties is een datamigratie een enorme mijlpaal. Maandenlang werk je toe naar dat ene moment waarop alle data succesvol is overgezet naar de nieuwe operationele applicatie. Tijdens dat migratietraject worden allerlei controles ingericht: validatieregels, datakwaliteitschecks en integriteitscontroles die ervoor zorgen dat iedere klant, transactie of productrecord correct wordt overgezet. In de praktijk zien we alleen dat die regels direct na de migratie verdwijnen uit beeld. Terwijl ze juist ook dan van grote waarde zijn.

« Older Entries