Het probleem: je data zit vast in silo's
Bedrijfsdata is overal. Het zit in je CRM, je ERP, je boekhouding, je spreadsheets, je eigen Laravel-applicatie, je marketing tools en je projectmanagementsysteem. Maar er bij komen vraagt vaak om een omweg: een SQL-query schrijven, een dashboard bouwen, een rapport laten draaien, of een collega vragen die wél weet hoe het systeem werkt. Voor simpele vragen is dat onevenredig veel moeite.
De vraag "hoeveel openstaande facturen heeft klant X nu" of "welke leads kwamen vorige maand via LinkedIn binnen en hebben we nog niet opgevolgd" zou je in seconden moeten kunnen beantwoorden. In de praktijk verdwijnen dat soort vragen in een wachtrij bij IT, of belanden ze in een spreadsheet die niemand meer opent. Het resultaat: data wordt niet gebruikt, beslissingen blijven onderbouwd op onderbuikgevoel en je betaalt voor systemen die je niet ten volle benut.
De combinatie van AI-modellen en het Model Context Protocol (MCP) doorbreekt dat patroon. Je stelt een vraag in gewoon Nederlands, de AI vertaalt die naar de juiste actie in het juiste systeem, en je krijgt antwoord. Geen SQL, geen dashboards, geen wachten.
Wat is "praten met je data"?
Praten met je data is een verzamelterm voor het inzetten van een AI-model — meestal een large language model zoals Claude of GPT — als interface tussen jou en je bedrijfssystemen. Je formuleert een vraag in natuurlijke taal, het model bepaalt welke gegevens het nodig heeft, roept de juiste tools aan om die op te halen, en presenteert het antwoord in een begrijpelijke vorm.
Dat klinkt als magie, maar dat is het niet. Het werkt omdat AI-modellen sinds 2024 betrouwbaar zijn in tool use: in plaats van zelf alles te "weten", kunnen ze externe functies aanroepen om informatie op te halen of acties uit te voeren. Anthropic introduceerde eind 2024 het Model Context Protocol om dat tool-gebruik te standaardiseren. Sindsdien is MCP de feitelijke standaard geworden voor het koppelen van AI aan bedrijfssystemen.
Praten met je data is geen vervanging van dashboards en rapportages. Het is een aanvulling voor de duizenden ad-hoc vragen die nu onbeantwoord blijven omdat het te veel moeite kost om ze te beantwoorden.
Hoe Model Context Protocol dit mogelijk maakt
MCP is in essentie een open protocol — een afspraak over hoe AI-modellen en externe systemen met elkaar praten. De architectuur bestaat uit drie rollen:
- Host — de applicatie waarin het AI-model draait. Denk aan Claude Desktop, een chatinterface in je eigen software of een AI-assistent in je IDE.
- Client — de verbindingslaag in de host die met één specifieke MCP-server praat.
- Server — de component die toegang biedt tot een specifiek systeem (een database, een API, een spreadsheet). Hier zit jouw bedrijfslogica.
De server stelt drie primitieven beschikbaar: tools (acties die het model kan uitvoeren, zoals "zoek klant op" of "haal openstaande facturen op"), resources (data die het model kan lezen, zoals een productcatalogus of klantdossier) en prompts (kant-en-klare templates voor specifieke scenario's). Het AI-model ontdekt zelf welke tools en resources beschikbaar zijn en beslist welke aan te roepen op basis van jouw vraag.
Voor jou als gebruiker is dit onzichtbaar. Je typt "welke klanten hebben deze maand een offerte aangevraagd maar nog niet besteld" en de AI doet het volgende:
- Ontdekt dat er een tool
zoek_offertesbeschikbaar is met een filter op datum en status - Roept de tool aan met de juiste parameters
- Krijgt de lijst klanten terug
- Controleert via een tweede tool of die klanten al een order hebben geplaatst
- Filtert de lijst en presenteert het antwoord in een leesbare vorm
Dat hele proces gebeurt in een paar seconden. Geen SQL, geen export naar Excel, geen handmatige stappen.
Welke systemen kun je "laten praten"?
Vrijwel elk systeem met een API of databasekoppeling. De officiële MCP-server collectie van Anthropic bevat al kant-en-klare integraties voor onder andere PostgreSQL, MySQL, SQLite, Google Drive, GitHub, GitLab, Slack, Notion, Sentry en filesystem-toegang. Daarnaast publiceren leveranciers en de community steeds meer eigen servers — van Salesforce en HubSpot tot Stripe en Notion-databases.
In de Nederlandse MKB-context zien wij vooral vraag naar koppelingen met:
- Boekhoudpakketten — Exact Online, Moneybird, SnelStart, Twinfield. "Wat is mijn cashflow-prognose voor de komende drie maanden gegeven de openstaande facturen?"
- CRM-systemen — Salesforce, HubSpot, Pipedrive of eigen maatwerk-CRM. "Welke deals zitten al langer dan dertig dagen in dezelfde fase?"
- ERP-systemen — eigen ERP, Unit4, AFAS. "Hoeveel uur is dit kwartaal besteed aan project X versus de begroting?"
- E-commerce — Bol.com, Shopify, WooCommerce of maatwerkwebshops. "Welke producten verkochten het beste in regio Noord-Nederland deze week?"
- Databases — PostgreSQL en MySQL achter eigen Laravel- of SaaS-applicaties. "Toon de actieve gebruikers per tenant voor de afgelopen 30 dagen."
- Spreadsheets — Google Sheets en Excel. "Wat is het gemiddelde marge-percentage in deze offerte-spreadsheet?"
- Projectmanagement — Jira, Linear, GitHub Issues, Notion. "Welke tickets zijn deze sprint blijven liggen en wat is de blokker?"
Voor maatwerksoftware bouwen wij meestal een eigen MCP-server bovenop de bestaande Laravel-applicatie. Daarmee maak je elke entiteit, elke query en elke actie die je al hebt geprogrammeerd toegankelijk voor AI — zonder de architectuur te verbouwen.
Concrete voorbeelden uit de praktijk
Het abstracte verhaal wordt pas concreet als je ziet wat het oplevert. Een aantal scenario's die we de afgelopen maanden hebben gebouwd of zien ontstaan:
De directeur die zijn cijfers wil zien
Een MKB-directeur die maandelijks een halve dag kwijt was aan het samenvoegen van data uit Exact, het CRM en de webshop voor de stuurinfo, vraagt nu in één chat: "laat zien hoe we deze maand draaien versus dezelfde maand vorig jaar — omzet, marge, top-3 klanten en de openstaande post." De AI roept via MCP de juiste tools aan, haalt de data op en presenteert het in een overzichtelijk antwoord. Geen Excel-knutselen meer.
De verkoper die voor een afspraak zit
Een accountmanager opent zijn AI-assistent voor een klantbezoek en typt: "geef me een briefing over klant Y — recente bestellingen, openstaande tickets, lopende offertes en wanneer ik ze voor het laatst sprak." De AI haalt data op uit het CRM, het ticketsysteem, de boekhouding en de kalender, en levert een briefing van één alinea. Wat voorheen een halfuur voorbereiding kostte, duurt nu 20 seconden.
De financieel medewerker die wil controleren
"Toon alle facturen van vorige maand boven de 5.000 euro die nog niet betaald zijn en stuur een herinneringsmail naar de hoofdcontactpersoon." De AI raadpleegt de boekhouding via MCP, filtert op de criteria, vraagt bevestiging, en verstuurt de mails via de mail-tool. Met een audit log van wat er precies is verzonden en aan wie.
De manager die operationeel wil sturen
Bij een logistieke speler zien we dat operations-managers via MCP-koppelingen met het WMS, het TMS en de orderdatabase live vragen kunnen stellen als "welke leveringen van vandaag staan op rood en wat is de oorzaak?" De AI combineert data uit meerdere bronnen — iets dat normaal één dashboard per bron zou vragen.
De ontwikkelaar die wil debuggen
Voor onze eigen developers koppelen wij MCP aan productie-databases (read-only), Sentry en GitHub. "Welke errors zijn de laatste 24 uur veroorzaakt door de laatste deploy van service X en welke commit zit erachter?" De AI doorzoekt logs, correlate met deploys en wijst naar de waarschijnlijke oorzaak.
Waarom dit werkt — en waarom nu
Praten met je data is geen nieuw idee. Sinds de jaren tachtig bestaan er pogingen om natural language te gebruiken voor database-queries. Maar tot voor kort werkten die alleen voor gestructureerde, voorspelbare vragen. Drie ontwikkelingen veranderen dat:
- AI-modellen zijn goed in tool use — Sinds Claude 3 en GPT-4 kunnen modellen betrouwbaar bepalen welke tool ze moeten aanroepen voor een vraag, met de juiste parameters. Dit is een gestaag verbeterende skill, gemeten in benchmarks als SWE-bench en Berkeley Function-Calling Leaderboard.
- MCP standaardiseert de koppeling — Zonder MCP zou elke AI-integratie maatwerk zijn. Met MCP bouw je één keer een server en kun je die met meerdere modellen en hosts gebruiken. Dat verlaagt de drempel drastisch.
- De infrastructuur is volwassen — AWS Bedrock, OpenAI's EU-endpoint en Azure OpenAI maken AVG-compliant AI-gebruik mogelijk binnen de EU. Daardoor is praten met bedrijfsdata juridisch en technisch werkbaar geworden voor MKB en enterprise.
Voordelen op een rij
De waarde zit niet in één specifieke functie, maar in de breedte van wat ineens mogelijk wordt:
- Snelheid — antwoorden op data-vragen in seconden in plaats van uren of dagen wachten op een rapport.
- Toegankelijkheid — mensen die geen SQL of BI-tool kennen kunnen toch met data werken. Dat verlaagt de drempel voor data-gedreven werken in de hele organisatie.
- Combinatie van bronnen — vragen die data uit meerdere systemen vereisen worden triviaal. Een dashboard per bron is niet meer nodig.
- Actie-georiënteerd — je kunt niet alleen vragen stellen, maar ook acties uitvoeren: facturen versturen, statussen updaten, mails samenstellen. Met de juiste guardrails.
- Onafhankelijk van vendor — MCP is een open standaard. Je kunt vandaag Claude gebruiken, morgen GPT-5, overmorgen een open-source model — zonder je integraties opnieuw te bouwen.
- Hergebruik — één MCP-server werkt voor meerdere clients: Claude Desktop, je eigen chatinterface, een Slack-bot, Cursor of welke AI-tool dan ook die MCP ondersteunt.
Beperkingen — waar dit niet voor bedoeld is
Eerlijk verhaal: praten met je data is geen wondermiddel. Een paar grenzen om te kennen:
AI hallucineert, ook bij data-vragen
Een model dat een verkeerd geformuleerde query bouwt, of een resultaat verkeerd interpreteert, geeft een verkeerd antwoord. Voor exploratieve vragen is dat acceptabel — voor financiële rapportages, compliance-uitvragen of besluiten met juridische consequenties is dat dat niet. Human oversight (zoals de EU AI Act dat noemt) blijft noodzakelijk bij belangrijke beslissingen.
Vuile data, vuile antwoorden
Als je CRM half-leeggevulde velden heeft of je productdatabase inconsistenties bevat, krijgt de AI dezelfde rommel terug die jij zou krijgen. AI maakt slechte data niet beter. Zorg dat de bronnen op orde zijn voordat je grootschalig "met je data gaat praten."
Complexe analyses blijven specialistenwerk
Voor diepgaande analyses — cohort-analyses, statistische modellering, financiële forecasting — blijft een data-analist of controller nodig. AI kan eenvoudige aggregaties en filteringen prima aan, maar bij zware analytische logica is een formeel rapport of dashboard op maat nog altijd betrouwbaarder en herhaalbaarder.
Performance bij grote datasets
Een MCP-tool die honderdduizend rijen aan de AI doorgeeft, kost veel tokens — en dus geld en tijd. Goede MCP-servers filteren server-side, paginieren en sturen alleen relevante data terug. Dat is een bewuste ontwerpkeuze.
Niet alles is geschikt voor natural language
Sommige vragen zijn juist sneller via een dashboard. Real-time monitoring, vaste KPI's, terugkerende rapportages — die hoor je niet elke keer opnieuw te vragen. Praten met je data vult de gaten tussen je dashboards op.
Security en privacy — de niet-onderhandelbare basis
Op het moment dat je een AI-model toegang geeft tot bedrijfsdata, raak je drie thema's tegelijk: AVG, bedrijfsvertrouwelijkheid en AI-security. Een aantal niet-onderhandelbare uitgangspunten:
Gebruik geen consumer-chatinterfaces
De gratis versie van ChatGPT of de standaard Claude.ai-omgeving is niet AVG-compliant voor bedrijfsdata. Gebruik API-koppelingen met EU-hosting (AWS Bedrock in Frankfurt, OpenAI's EU-endpoint of Azure OpenAI EU). Daar wordt jouw data niet gebruikt om modellen te trainen en blijft binnen Europese jurisdictie.
Permissies per tool
Niet elke gebruiker mag alles. Een verkoper mag misschien klantdata bevragen, maar geen prijsmarges zien. Een controller mag financiële data, maar geen HR-data. Bouw de permissielaag in de MCP-server zelf, niet alleen op database-niveau. Logging maakt audit mogelijk.
Input- en output-validatie
Een AI-model dat een SQL-query genereert moet die query niet rechtstreeks op een productie-database loslaten. Gebruik parameterized queries, een read-only connectie waar mogelijk en een whitelist van toegestane operaties. Bij schrijfacties: vraag bevestiging vóór uitvoering en log de actie.
Bescherming tegen prompt injection
Data uit externe bronnen — denk aan een ingelezen e-mail of klantfeedback — kan instructies bevatten die het AI-model probeert te manipuleren. Een goed ingerichte MCP-server scheidt "data" van "instructies" en gebruikt guardrails om kwaadaardige input op te vangen. Zie ons artikel over AI-security en prompt injection.
Audit logging als standaard
Elke MCP-interactie — welke tool, welke parameters, welke gebruiker, welk model — wordt gelogd. Daarmee kun je achteraf reconstrueren wat er gebeurd is. Verplicht bij compliance-gevoelige omgevingen, slim bij alle andere.
Geen training op klantdata
Controleer in elke verwerkersovereenkomst dat je data niet gebruikt wordt om modellen te verbeteren. OpenAI en Anthropic bieden dit standaard via hun API. Bij AWS Bedrock is dit contractueel geborgd.
De vraag is niet "kunnen we AI toegang geven tot onze data?" — de vraag is "hoe richten we dat zo in dat we de controle houden?"
Praten met je data versus RAG — wat is het verschil?
Er ontstaat soms verwarring tussen MCP en Retrieval Augmented Generation (RAG). Beide laten een AI "met je data" werken, maar ze pakken verschillende problemen aan:
- RAG is gericht op ongestructureerde data — handleidingen, beleidsdocumenten, contracten, kennisbankartikelen. Een vector-database vindt relevante passages en geeft die als context aan het AI-model. Goed voor "wat staat er in onze documentatie over X?"
- MCP is gericht op gestructureerde data en acties — databases, API's, transactionele systemen. Het model roept tools aan met parameters en krijgt structured output terug. Goed voor "welke klanten hebben deze maand X gedaan?"
In de praktijk combineer je ze. Een AI-assistent voor klantenservice kan via RAG je productdocumentatie raadplegen en via MCP de klantgegevens, orderstatus en facturen ophalen. Eén interface, twee onderliggende mechanismen.
Hoe Coding Agency dit bouwt
Een MCP-koppeling implementeren op een bestaande Laravel-applicatie is voor ons inmiddels standaardwerk. De globale aanpak:
- Use case scherp krijgen — welke vragen wil je écht beantwoord krijgen? Welke acties wil je via natural language kunnen uitvoeren? We beginnen klein en maken het succesvol voordat we uitbreiden.
- Tools ontwerpen — per gewenste vraag definiëren we één of meer MCP-tools, met heldere namen, beschrijvingen en parameters. Het model kan alleen aanroepen wat wij blootstellen.
- Permissielaag inrichten — wie mag welke tool gebruiken, op welke data? Vaak hergebruiken we de bestaande Laravel Spatie Permission-rollen.
- Audit en logging — elke aanroep wordt gelogd met gebruiker, tool, parameters, resultaat en timing. Bij compliance-gevoelige omgevingen koppelen we dit aan een SIEM.
- Hosting binnen EU — we configureren AWS Bedrock in Frankfurt of OpenAI's EU-endpoint, met een verwerkersovereenkomst en geen training op klantdata.
- Interface kiezen — Claude Desktop voor power users, een chatinterface in jouw eigen applicatie voor brede uitrol, of een Slack-bot voor inline gebruik.
- Testen met echte vragen — we verzamelen 20-50 realistische vragen van gebruikers, draaien die door het systeem en meten kwaliteit. Pas als de kwaliteit op orde is gaat het breed live.
Een eerste MCP-server bovenop een bestaande Laravel-applicatie bouwen we doorgaans in 2 tot 4 weken — afhankelijk van het aantal tools, de complexiteit van de data en de permissie-eisen. Daarna is uitbreiden goedkoop: elke nieuwe tool is een paar uur werk.
Wanneer begin je hiermee?
Als je nu al worstelt met data-vragen die te lang blijven liggen, te veel handwerk vragen of te vaak bij dezelfde specialist terechtkomen — dan is dit het moment om hiernaar te kijken. De technologie is volwassen, de standaard (MCP) is stabiel en de juridische randvoorwaarden zijn werkbaar binnen de EU.
Onze suggestie: begin met één afgebakende use case waarvan je weet dat hij waarde oplevert. Bijvoorbeeld een MCP-koppeling met je boekhouding voor de directeur, of met je CRM voor de salesmanager. Maak dat succesvol, leer van het gebruik, en breid daarna uit. Een breed AI-platform bouwen zonder bewezen waarde levert vaak een mooi prototype op dat niemand gebruikt.
Wij denken graag mee. Of het nu gaat om een eerste MCP-server op je bestaande Laravel-software, een AI-koppeling met je boekhouding, of een breder plan voor "AI als interface op je bedrijfsdata" — neem contact op voor een vrijblijvend gesprek.
