Hallo allemaal en welkom bij een nieuwe aflevering van Microsoft Knowledge Nuggets hier op M365. FM, ik ben jullie host Mirko Peters. Vandaag behandelen we iets waar iedereen die met AI bouwt van heeft gehoord, maar wat bijna niemand in gewone taal kan uitleggen. Het is het model contextprotocol of MCP. Stel je dit voor, je bent in Teams en je stelt je AI-assistent een simpele vraag zoals wat is de status van het Johnson Project? En het antwoord, het spijt me, ik heb geen toegang tot die informatie. Klinkt dit bekend? De AI is slim, het model is krachtig, maar het kan je data niet zien. Het is losgekoppeld van de systemen waar je werkelijke werk zich bevindt. Dat is het kernprobleem dat MCP oplost. Aan het einde van deze aflevering begrijp je wat MCP precies is, waarom het belangrijk is voor iedereen die Microsoft 365 gebruikt en hoe het verandert wat AI voor je kan doen. We verdelen dit in bouwstenen. Het probleem, de oplossing, hoe het werkt en wat het betekent binnen Microsoft. Laten we dus beginnen met het probleem, want je hebt het waarschijnlijk zelf ook wel eens ervaren. Het probleem, elke AI-tool moest op maat worden gebouwd. Voordat MCP bestond, moest je voor elke nuttige actie van een AI-assistent zoals je agenda checken, een bestand uit SharePoint halen of een klantrecord in Dynamics opzoeken aangepaste code schrijven. Elke verbinding, elke gegevensbron, afzonderlijke code. Dit is het punt. Elk systeem spreekt zijn eigen API-taal. Je agenda gebruikt het ene formaat, SharePoint een ander en Dynamics weer een heel andere. Verschillende authenticatie, verschillende regels, verschillende manieren om data op te vragen en terug te krijgen. Als je wilde dat je AI met drie systemen communiceerde, bouwde je drie aangepaste connectoren. Denk er zo over. Stel je voor dat je in je woonkamer bent met een tv, een stereo en slimme verlichting. Elk apparaat heeft zijn eigen afstandsbediening en geen van die afstandsbedieningen werkt met een ander apparaat. Je hebt de tv-afstandsbediening nodig voor de tv, de stereo-afstandsbediening voor de stereo en een aparte app voor de verlichting. Zo zag AI-ontwikkeling eruit voor MCP. Elke tool had zijn eigen aangepaste integratie nodig. Voor Microsoft-gebruikers komt dit dicht bij huis. Denk eens aan wat Copilot wil doen als je het een vraag stelt. Het moet misschien je exchange-agenda controleren op afspraken, recente e-mails van een specifieke klant lezen of een klantrecord in Dynamics opzoeken. Dat zijn drie verschillende API-verbindingen, drie afzonderlijke integraties, die elk op maat ontwikkeld moeten worden. Het resultaat? De meeste AI-tools kozen voor de makkelijke weg en bleven generie. Je stelde een vraag over je eigen werk en de AI zei, ik heb geen toegang tot die gegevens. Of, je moet eerst een verbinding configureren. Echte integratie betekende duur maatwerk en de meeste organisaties bereikten dat nooit. Nu, dit is het belangrijkste punt. Het grote taalmodel zelf is ongelooflijk krachtig. Het kan redeneren, samenvatten, genereren en analyseren, maar zonder toegang tot je daadwerkelijke gegevens is het blind. Het is alsof je de slimste assistent ter wereld opsluit in een kamer zonder ramen. Ze kunnen briljant denken, maar ze kunnen je nergens echt meehelpen. De oplossing? MCP als de universele stekker. Dus, wat als er één universele stekker bestond? Eén standaard manier om elke AI te verbinden met elke gegevensbron zonder voor elke verbinding maatwerk te schrijven. Het punt is, dat is precies wat het model context protocol doet. Kortweg MCP, Anthropik, het bedrijf achter Kloot, introduceerde het eind 2024 en het werd snel populair. MCP is een open standaard die één consistente manier definieert voor AI-applicaties om te communiceren met tools en gegevensbronnen. Denk erover als USB-C. Voor USB-C had elk apparaat zijn eigen speciale kabel nodig. Je telefoon gebruikte de ene soort, je laptop een andere en je koptelefoon een derde. Je had een la vol kabels en kon nooit de juiste vinden. Toen kwam USB-C één kabel, één standaard en alles werkt gewoon. MCP doet hetzelfde voor AI-verbindingen. Eén protocol werkt voor databases, bestandsystemen, web APIs en ja, zelfs Microsoft services. In plaats van aangepaste connectors te bouwen voor elke gegevensbron, bouw je één MCP-server en elke compatibele AI-applicatie kan deze gebruiken. De adoptie ging snel. Binnen enkele maanden verschenen er duizenden kantenklare MCP-servers voor Google Drive, GitHub, Slack en databases zoals PostgreSQL en SQLite. En voor Microsoft-gebruikers wordt het hier pas echt interessant. Je AI-tools kunnen nu verbinding maken met SharePoint, Exchange, Dynamics en het Power Platform, allemaal via dezelfde standaard interface. De essentie is, je hoeft geen aangepaste verbindingen meer te bouwen. Je plugt in op MCP één protocol, elke gegevensbron, elke AI-applicatie. Dat is de magie ervan. De architectuur, host, client en server. Dus, hoe werkt dit eigenlijk achter de schermen? Laat me het uitleggen. MCP gebruikt een eenvoudige opzet uit drie delen, host, client en server. Zodra je die drie onderdelen begrijpt, valt alles op zijn plek. De host is de AI-applicatie die je daadwerkelijk gebruikt. Dat kan Copilot in Microsoft 365 zijn, Cloud Desktop of een eigen agent die je zelf hebt gebouwd. De host is waar je je vraag stelt. Het is het gedeelte dat de gebruiker ziet. Binnen die host bevindt zich de zogeheten MCP-client. Dit is het onderdeel dat het MCP-protocol spreekt. Je ziet het niet en werkt er niet direct mee, maar het is de vertaler, het onderdeel dat weet hoe het met MCP-survers moet communiceren. Dan heb je de server. De MCP-surfer is een lichtgewicht programma dat tussen je AI-toepassing en je werkelijke gegevensbron in staat. Het stelt tools en bronnen beschikbaar die de AI kan gebruiken. De server weet hoe hij je SharePoint-site, je Exchange-mailbooks en je Dynamics-database moet bereiken. De AI hoeft die details helemaal niet te kennen. Hij praat simpelweg met de server. Dit is hoe de gegevens stromen. Wanneer je je AI een vraag stelt, gaat het verzoek van de host naar de MCP-client. De client stuurt een bericht via het MCP-protocol naar de server. De server haalt de gegevens uit je bron, krijgt wat je nodig hebt en stuurt het terug. Host naar client naar protocol naar server naar je gegevens. Schoon, eenvoudig en gestandardiseerd. Zie het als een restaurant. De host ben jij die aan tafel zit. De MCP-client is de ober die je bestelling opneemt en naar de keuken brengt. En de MCP-surfer is de keuken zelf. Je hoeft niet te weten hoe de keuken werkt. Je vertelt de ober gewoon wat je wilt en het eten verschijnt. Eén host kan tegelijkertijd met meerdere servers verbinden. Zo kan je AI in Teams je SharePoint-documenten, je Exchange Agenda en je Dynamics Records in één gesprek bereiken. De communicatie tussen client en server gebruikt iets dat JSON-RPC heet. Gewoon een lichtgewicht, gestandardiseerde manier om berichten heen en weer te sturen. Geen zware overhead, geen aangepaste bedrading. Wat MCP-survers bevatten? Tools, bronnen en prompts. Dus, wat geeft een MCP-server de AI eigenlijk als ze verbinding maken? Drie dingen, tools, bronnen en prompts, schablonen. Beschouw ze als de gereedschapskist waar de AI uitput wanneer er werk moet worden verzet. Laten we dat in duidelijke taal opsplitsen. Eerste, tools. Tools zijn acties die de AI kan uitvoeren en die daadwerkelijk dingen veranderen in de echte wereld. Een tool kan een database doorzoeken, een e-mail versturen of een document aanmaken. Elke keer dat de AI een tool aanroept, gebeurt er iets. Een bestand wordt opgeslagen, een bericht wordt verzonden, een record wordt bijgewerkt. Tools zijn de werkwoorden van het systeem. Zij zorgen ervoor dat dingen gebeuren. Dan nu de bronnen. Bronnen zijn alleen lezen informatie waar de AI naar kan kijken. Een bron kan een klantenlijst uit Dynamics zijn, een beleidsdocument in SharePoint of notulen uit Teams. De AI kan deze lezen, analyseren en ernaar verwijzen, maar niet direct via een bron aanpassen. Ze geven de AI simpelweg de context die nodig is om slimmer te werken. Dan heb je nog prompt schablonen. Dit zijn kantenklare instructies die je tijd besparen. In plaats van telkens de perfecte prompt te formuleren, geeft de server je er een die al is geoptimaliseerd. Een SharePoint MCP-server kan bijvoorbeeld een schabloon bevatten voor het samenvatten van mapinhoud. Je zegt dan simpelweg, vat deze map samen en het schabloon regelt de rest. Het is als een gespecialiseerde snelkoppeling voor taken die je steeds opnieuw uitvoert. Hier is een concreet voorbeeld om het samen te vatten. Stel je een SharePoint MCP-server voor. Deze biedt een tool genaamd, zoek documenten waarmee je bestanden vindt op trefwoord. Het biedt een bron genaamd, lijst sites die alleen lezen toegang geeft tot alle beschikbare SharePoint sites. En het bevat een prompt schabloon genaamd, vat mapinhoud samen, dat de AI vertelt hoe een heldere samenvatting moet worden gepresenteerd. Alles wat de AI nodig heeft om je met SharePoint te helpen, staat op één plek. Nu komt het mooie gedeelte. De AI ontdekt dit allemaal automatisch wanneer hij verbinding maakt met de server. Geen voorafgaande programmering vereist. De server stelt zichzelf in feite voor. Dit zijn mijn tools, mijn bronnen en mijn prompt schablonen. En de AI begrijpt zelf hoe hij ze moet gebruiken. Dat is wat MCP zo krachtig maakt. De server vertelt de AI wat mogelijk is en de AI doet de rest. Het is een zelfbeschrijvend systeem. Deze drie categorieën werken samen zodat de AI een compleet beeld heeft van wat hij kan doen. MCP ontmoet wat Microsoft al in huis heeft. Laten we dit eens naar de Microsoft wereld brengen. Hier wordt het echt voor iedereen die Microsoft 365 of Azure gebruikt. Laten we direct een hardnekkige mythe uit de wereld helpen. Sommigen denken dat MCP slechts een zijproject van Microsoft is. Dat is het niet. Het is een strategische koers. Dit zie je duidelijk terug in de Azure AI agent service. Als je eigen AI agents op Azure bouwt, kun je nu direct vanuit Azure AI Foundry externe MCP servers toevoegen. Je configureert een serverlabel, een URL en optionele authenticatie headers en je agent kan tools van die server aanroepen. De eigen documentatie van Microsoft noemt het een eerste klas integratie. Dat is geen taal voor een zijproject. Maar het gaat dieper dan alleen Azure. Microsoft heeft officiële MCP serverreferenties uitgebracht voor het Power Platform, waaronder Power Automate, Power Apps en zelfs Process Mining. Dit zijn geen community projecten. Ze komen rechtstreeks van Microsoft. Neem bijvoorbeeld de Power Apps MCP server. Het bevat een tool genaamd een folk data entry. Dit is wat dat in de praktijk betekent. Een AI kan ongestructureerde invoer, zoals een e-mail, een chatbericht of een gescand document, omzetten in een gestructureerd record in dataverse. De AI stelt het record voor en jij keurt het goed. Menselijke controle is direct ingebouwd. De Power Automate MCP server gaat nog een stap verder. Je beschrijft een workflow in gewone taal. Iets als, wanneer er een e-mail binnenkomt met urgent, in het onderwerp, maak dan een taak in Planner en stel mijn manager op de hoogte. De AI bouwt die flow voor je. Geen gesleept met connectoren. Niet zoeken naar triggers. Beschrijf gewoon wat je wilt en de MCP server vertaalt het naar een echte automatisering. Microsoft heeft ook MCP servers getoond voor Microsoft Learn-inhoud. Stel je een AI-agent voor die de volledige Microsoft documentatiebibliotheek als bron gebruikt. Niet door webpagina's te scrapen, maar via een gestructureerde MCP server die documentatie als gestructureerde data aanbiedt. Dat werkt vandaag de dag al. Dit is de richting waarin jouw Microsoft tools zich bewegen. Ze worden standaard MCP toegankelijk gemaakt. Het platform stelt zich open en daarmee wordt jouw Microsoft 365 ervaring alleen maar slimmer. De integratie vindt nu plaats en zit in de basis verankerd. MCP is niet alleen voor ontwikkelaars. Het is voor iedereen die Microsoft 365 gebruikt en wil dat hun AI naadloos samenwerkt met hun data. Een echt scenario. De AI die eindelijk echt werkt. Dus, hoe ziet dit er in de praktijk uit? Laat me een concreet voorbeeld geven. Je zit in Microsoft Teams en typt dit in Copilot. Wat is de status van het ACMI-project en wie loopt erachter met de taken? Je drukt op Enter. Nu gebeurt er achter de schermen iets anders dan een jaar geleden. Je AI-assistent maakt verbinding met een MCP-server die gekoppeld is aan Project Online of Planner. Die server geeft aan welke tools hij kan gebruiken, zoals taken vermelden, taakstatus ophalen, toewijzingen controleren en projecttijdlijn opvragen. De AI heeft hier geen hulp bij nodig. Hij ontdekt die tools automatisch omdat de server letterlijk zegt, dit is wat ik kan doen. En de AI antwoordt, geweldig, dat ga ik gebruiken. Niemand hoeft te zeggen, hé, kijk eerst naar dit API-eindpunt. En uuh, het werkt gewoon. Dus de AI roept de tool, taken vermelden, aan, daarna, taakstatus ophalen, voor elke taak, en daarna, toewijzingen controleren. De MCP-server regelt achter de schermen alle authenticatie en het ophalen van data. Een paar seconden later komt de AI terug met een helder antwoord. Het ACMI-project ligt op schema. Er zijn drie taken te laat, allemaal toegewezen aan Sarah. Wil je dat ik haar een herinnering stuur? Dit is wat belangrijk is. Er is geen aangepaste code geschreven voor deze query. Geen enkele ontwikkelaar heeft twee weken besteed aan het bouwen van een connector tussen Copilot en Project Online. De MCP-server verzorgde de volledige integratie. Eén server, één standaard protocol, en de AI wist precies hoe deze te gebruiken. Laten we nu een stap verder gaan. Nadat je de projectstatus hebt gekregen, vraag je, controleer mijn agenda voor een afspraak met Sarah Morgan en stel een status update op op basis van wat er speelt. De AI gebruikt een Exchange MCP-server om je agenda te controleren, doorzoekt gerelateerde e-mails via dezelfde server en roept vervolgens een Word MCP-server aan om de update op te stellen. Eén gesprek, meerdere gegevensbronnen, nul aangepaste ontwikkeling. Dat is het aha-moment met MCP. Het maakt de AI nuttig binnen je werkelijke werkomgeving. Niet slechts een generieke chatbot die alleen algemene vragen kan beantwoorden, maar een assistent die je gegevens ziet, je context begrijpt en actie onderneemt via één eenvoudige standaard. Beveiliging, het veilig houden van je gegevens. Al die flexibiliteit roept een grote vraag op. Als je AI via MCP plotseling toegang heeft tot SharePoint, Exchange en Dynamics, hoe hou je die gegevens dan veilig? Dit is het korte antwoord. MCP is zo veilig als je het zelf maakt. Het protocol omzelt je bestaande beveiligingsmaatregelen niet. Het werkt ermee samen. MCP ondersteunt OAuth 2.1, dezelfde industriestandaard voor authenticatie die je Microsoft Login beschermt. Wanneer een MCP-server authenticatie vereist, moet je AI-client bewijzen dat deze geautoriseerd is voordat toegang tot gegevens mogelijk is. Services kunnen authenticatie-headers, API-sleutels of token-gebaseerde toegang gebruiken. Dezelfde patronen die je al gebruikt voor het beveiligen van APIs. Maar er is een extra laag die echt van belang is voor zakelijk gebruik. De AI moet eerst toestemming vragen voordat deze daadwerkelijk een zoekopdracht kan uitvoeren, een bericht kan sturen of een record kan wijzigen. Het vraagt het aan jou. Je ziet het verzoek direct in je chatinterface. Je bekijkt wat de tool zal doen en je keurt het goed of wijst het af. Dat betekent dat er geen tool wordt aangeroepen zonder jouw expliciete toestemming. Je AI kan acties voorstellen, maar kan ze niet uitvoeren zonder dat jij ja zegt. Dat is een goed vangnet. Eén ding om op te letten. Er zijn duizenden openbare MCP-survers beschikbaar en niet allemaal zijn ze betrouwbaar. Er zijn openbare registers waar iedereen een server kan publiceren. Sommige zijn uitstekend, andere niet. Het is jouw verantwoordelijkheid om servers te gebruiken die je vertrouwt. In Microsoft-omgevingen heb je een voordeel. Je MCP-survers kunnen dezelfde identiteits- en toegangscontroles gebruiken als je bestaande Microsoft-services. Als een gebruiker geen toestemming heeft om een SharePoint documentbibliotheek te lezen, kan een MCP-surver dat niet omzeilen. De server neemt dezelfde grenzen, dezelfde authenticatie, hetzelfde beleid en hetzelfde beheer over. Aan de slag, je eerste MCP-ervaring. Dus je bent overtuigd en wilt dit zelf proberen. Waar begin je? De makkelijkste manier is om een MCP-compatibele host te kiezen. Cloud Desktop heeft ingebouwde MCP-ondersteuning en GitHub Copilot werkt ook. Beiden laten je servers koppelen met vrijwel geen installatie. Bekijk vervolgens de openbare MCP-registers. Er zijn duizenden kant en klare servers voor diensten zoals Google Drive, Slack, databases, bestandsystemen en ja, ook Microsoft-diensten. Als je een Microsoft-gebruiker bent, begin dan met de MCP-serverreferenties van Microsoft for Power Platform. De installatie is eenvoudig. De meeste hosts gebruiken een JSON-bestand waarin je je servers vermeldt. Je geeft elke naam, voert het commando of de URL in om deze te bereiken en configureert eventuele authenticatiegegevens. Dat is alles en de hostregel de rest. Voor basisgebruik is geen code vereist, dus je hoeft geen ontwikkelaar te zijn of integratiecode te schrijven. Configureer gewoon een JSON-bestand en plotseling heeft je AI toegang tot gegevens die voorheen onbereikbaar waren. Het JSON-bestand is als een configuratiebestand dat je host vertelt met welke servers verbinding moet worden gemaakt. Zie MCP als een universele vertaler voor je AI. In plaats van een andere taal te leren voor elke service, spreekt het één protocool. Begin klein door één gegevensbron te koppelen, zoals je agenda via een Exchange MCP-server. Stel dan je AI een vraag over je planning en zie hoe deze de beschikbare tools ontdekt. Testen, Human-in-P-loop, goedkeuring, wat betekent dat je elke actie moet goedkeuren voordat de AI deze uitvoert. Dat houdt jou in controle. Zorg ervoor dat je het beveiligingsmodel begrijpt voordat je uitbreidt. Als je je op je gemak voelt, breed dan uit door een andere server toe te voegen voor je documentbibliotheek en daarna je taakbeheersysteem. Elke server voegt nieuwe mogelijkheden toe en elke server volgt hetzelfde protocol. Als je je eigen MCP-server wilt bouwen, bijvoorbeeld om een aangepaste bedrijfsapplicatie of een interne database beschikbaar te maken, werken Azure Functions van Microsoft uitstekend als bekend. Je verpakt je bestaande API of gegevensbron in een MCP-server met slechts een paar regelscode. Het patroon is simpel. Stel tools beschikbaar als functies, stel gegevens beschikbaar als bronnen en laat het protocol de rest afhandelen. Het is een eenvoudige manier om je AI toegang te geven tot je eigen gegevensbronnen. Dus, dat is het model contextprotocol. Een standaard waarmee AI tools eindelijk je echte gegevens kunnen bereiken. Je SharePoint bestanden, je Exchange Agenda, je Dynamics Records. Voor MCP moest je voor elk systeem aangepaste verbindingen bouwen. Nu koppel je aan één protocol en je AI kan met ze allemaal praten. De AI wordt nuttig binnen je daadwerkelijke werkomgeving. Dit is niet alleen handig, het verandert hoe je met AI werkt. Begin met één MCP-server, verbind één gegevensbron en zie zelf het verschil. Als je dit nuttig vond, deel het dan met een collega die worstelt met AI die niet bij hun data kan. Abonneer je voor meer kennisfragmenten zoals deze. Ik ben Mirko Peters en ik zie je in de volgende aflevering.