AI-agents en MCP-servers: taalmodellen koppelen aan de systemen die u al draait

De demo's werken allemaal. De pilot die uw documentatie samenvatte was indrukwekkend, het prototype dat supportvragen beantwoordde leek er klaar voor, en toen kwam het het echte CRM tegen, het echte rechtenmodel en de echte data, en was het dat niet meer.

Dat gat is het werk. Niet het model (het model is inmiddels het makkelijke deel), maar alles tussen een taalmodel en een systeem dat uitgesproken opvattingen heeft over authenticatie, rate limits, tenancy en wie wat mag zien.

Wat wij bouwen

MCP-servers voor uw interne systemen

Het Model Context Protocol is een open standaard om tools en data op een voor alle clients uniforme manier aan AI-assistenten aan te bieden. Het is het praktische antwoord geworden op de vraag "hoe laten wij een assistent onze systemen gebruiken zonder voor elke assistent een eigen koppeling te schrijven".

Wij bouwen productierijpe MCP-servers bovenop wat uw bedrijf werkelijk draait: uw CRM, uw ticketsysteem, uw datawarehouse, uw interne API's, uw documentopslag, uw ERP. Geen demoserver met een hardgecodeerd token, maar een server met echte authenticatie, autorisatie per gebruiker die de rechten respecteert die uw systemen al afdwingen, multitenant-scheiding, rate limiting, gestructureerde logging en een foutafhandeling die het model iets bruikbaars vertelt wanneer een aanroep mislukt.

Maatwerk-AI-agents en assistenten

Agents die een taak van begin tot eind afhandelen: een inkomende wachtrij triëren, twee systemen verzoenen die het oneens zijn, de eerste versie van een document opstellen die een mens vervolgens goedkeurt, een onderzoeksvraag uitzetten over interne en externe bronnen. Wij bouwen ze inclusief de saaie onderdelen: herzendingen, timeouts, kostenplafonds, idempotentie op alles wat schrijft, en een menselijke goedkeuringsstap overal waar een handeling moeilijk terug te draaien is.

Zoeken en ophalen in uw eigen content

RAG, maar dan goed gedaan: documentverwerking en chunking die de structuur volgt in plaats van een tekenaantal, embeddings en vectorzoeken, hybride zoeken op trefwoord én betekenis omdat puur vectorzoeken exacte treffers mist, reranking, en bronverwijzingen zodat een antwoord controleerbaar is. Plus de onglamoureuze helft: de index actueel houden terwijl de onderliggende documenten veranderen, en de toegangsrechten eerbiedigen zodat het ophalen nooit een document toont dat de gebruiker anders niet had kunnen openen.

Workflow- en backofficeautomatisering

Niet alles heeft een agent nodig. Een groot deel van wat bedrijven van AI willen is classificeren, extraheren en routeren: een binnengekomen e-mail lezen en bepalen wat het is, gestructureerde gegevens uit een ongestructureerd document halen, een omschrijving koppelen aan een catalogusregel. Dat is goedkoper, betrouwbaarder en makkelijker te evalueren dan een agent, en waar dat het juiste antwoord is, bouwen wij dat.

Evaluatie, observability en guardrails

Een AI-functie zonder evaluatie is een functie die niemand kan verbeteren. Wij bouwen testsets uit uw eigen praktijkgevallen, meten daartegen bij elke wijziging, traceren elke aanroep met invoer, tooltoepassing, latency en kosten, en zetten limieten neer voordat een op hol geslagen loop uw API-rekening vindt. Promptinjectie is een reëel risico zodra een agent onbetrouwbare inhoud leest én kan handelen. Wij ontwerpen de toolgrens zo dat een kwaadaardig document niet in een destructieve actie kan omslaan.

Hoe wij met modelaanbieders omgaan

Wij zitten niet aan één aanbieder vast. Wij bouwen tegen de Claude-modellen van Anthropic, tegen OpenAI, tegen Google en tegen open-weight modellen op uw eigen infrastructuur, en wij ontwerpen de koppeling zo dat het model een vervangbaar onderdeel is. Welk model u zou moeten gebruiken hangt af van de taak, van de latency die u nodig hebt, van de kosten per aanroep bij uw volume en (in Europa steeds vaker doorslaggevend), van waar de data naartoe mag.

Voor klanten met eisen aan dataresidentie zetten wij het op in EU-regio's of als zelfgehoste inferentie op uw eigen hardware, en wij zeggen er eerlijk bij waar u daarmee capaciteit inlevert.

Wat dit niet is

Wij zijn geen AI-strategieadviesbureau. Wij organiseren geen workshops over het transformatieve potentieel van wat dan ook.

Wij bouwen ook geen agent voor een probleem dat er geen nodig heeft. Een aanzienlijk deel van de AI-projecten waarover men ons benadert is beter op te lossen met een goed gespecificeerde API-koppeling, een zoekindex, of het herstellen van het datakwaliteitsprobleem eronder. Dat aanraden kost ons een grotere opdracht en bespaart u een systeem dat u had moeten onderhouden.

Waar dit zich meestal terugbetaalt

Interne kennis die technisch beschikbaar en praktisch onvindbaar is: duizenden documenten verspreid over een wiki, een gedeelde schijf en een ticketsysteem, waarbij degene die weet welke versie geldt met vakantie is.

Triage in hoog volume: supportwachtrijen, schade-intake, inkomende sales, beoordeling van aanvragen. Alles waar nu een mens iets leest, bepaalt wat het is en het doorzet.

Systemen die nooit een koppeling hebben gekregen: twee tools die met elkaar zouden moeten praten, doen dat niet, en de tussenoplossing is iemand met een spreadsheet. Een agent met MCP-toegang tot beide is vaak een kortere route dan een formeel integratieproject.

Documentzware processen: contracten, facturen, specificaties, aangiften bij toezichthouders. Extractie met een menselijke controlestap is vandaag betrouwbaar genoeg om de economie van die processen te veranderen.

Productiviteit van ontwikkelaars in uw eigen codebase: interne tooling, ondersteuning bij code review, het genereren van tests, en MCP-servers die de assistenten van uw team toegang geven tot uw buildsysteem, uw issuetracker en uw logs.

Hoe trajecten lopen

Discovery, één tot twee weken. Wij kijken naar het proces dat u wilt veranderen, de systemen die erbij horen en hoe de data er werkelijk uitziet. De uitkomst is een schriftelijke beoordeling van wat haalbaar is, wat het per maand gaat kosten bij uw volume, en wat de faalscenario's zijn. Soms staat er in dat u dit niet moet bouwen.

Proof of concept, drie tot zes weken, tegen echte data in een afgeschermde omgeving. Het doel is geen demo maar een evaluatieresultaat dat u kunt vertrouwen, met een gemeten nauwkeurigheid op gevallen die u zelf hebt gekozen.

Productiebouw, doorgaans acht tot zestien weken, inclusief authenticatie, autorisatie, monitoring, evaluatieharnas, kostenbeheersing en documentatie. Uitgerold in uw infrastructuur, in uw repository, met uw team er doorlopend bij.

Beheer of overdracht. Ofwel uw team neemt het over, met de runbook en de evaluatiesuite, ofwel wij blijven het draaien onder support. Modellen veranderen, prompts verlopen, en de evaluatiesuite is wat u vertelt wanneer er stilletjes iets slechter is geworden.

Technologie

Python en TypeScript voor agent- en MCP-werk; PostgreSQL met pgvector, Qdrant, Weaviate of OpenSearch voor retrieval; AWS Bedrock, Azure OpenAI, rechtstreekse provider-API's en zelfgehoste inferentie met vLLM of Ollama waar de data niet weg mag; tracing op basis van OpenTelemetry; en aan de integratiekant simpelweg uw bestaande stack, want daar zit het eigenlijke werk.

Veelgestelde vragen

Wat is een MCP-server, in gewone taal?

Een kleine dienst die een bepaalde capaciteit aanbiedt (lezen uit een database, een ticket aanmaken, uw documenten doorzoeken) in een standaardformaat dat AI-assistenten begrijpen. Bouw er één, en elke MCP-compatibele assistent kan die capaciteit gebruiken zonder aparte koppeling per assistent.

Moeten wij een MCP-server bouwen of een gewone API-koppeling?

Heeft één AI-assistent één systeem nodig, dan is een directe koppeling eenvoudiger. MCP verdient zichzelf terug wanneer meerdere assistenten of meerdere teams dezelfde systemen nodig hebben, wanneer u de capaciteit beschikbaar wilt hebben voor tools die u nog niet hebt gekozen, of wanneer u één plek wilt waar de rechten en de auditlogging samenkomen.

Hoe voorkomt u dat een agent iets destructiefs doet?

In lagen. Tools die schrijven staan los van tools die lezen, en schrijftools worden zo smal afgebakend als de taak toelaat. Alles wat onomkeerbaar is gaat via een menselijke goedkeuringsstap. Elke aanroep wordt gelogd met zijn argumenten. En de agent draait onder een service-identiteit die alleen de rechten heeft die de taak vereist, zodat de schade begrensd is door uw eigen autorisatiemodel en niet door de prompt.

Wat kost dit in gebruik?

Dat hangt vrijwel volledig af van het volume en van hoeveel context elke aanroep meedraagt. Wij rekenen dat tijdens discovery door met echte cijfers, want het verschil tussen een ontwerp dat bij elke beurt een heel document meestuurt en een ontwerp dat het relevante deel ophaalt kan een orde van grootte in maandelijkse kosten schelen.

Kan dit draaien zonder dat onze data de EU verlaat?

Ja. De grote aanbieders bieden EU-regio's, en open-weight modellen kunnen draaien op infrastructuur die u zelf beheert. Er zit meestal een afruil in capaciteit aan vast, en wij zijn er specifiek over in plaats van te doen alsof die er niet is.

Onze vorige AI-pilot haalde de productie niet. Waarom zou dit dat wel doen?

Meestal omdat de pilot bewees dat het model de taak aankon en nooit toekwam aan authenticatie, rechten, foutafhandeling, evaluatie of kosten, en daar zit de resterende negentig procent van het werk. Wij gaan ervan uit dat het model werkt en besteden het traject aan al het andere.

Aan de slag

Beschrijf het proces dat u wilt veranderen en de systemen die het raakt. Wij zeggen u of een agent het juiste instrument is, hoe een realistische eerste versie eruitziet, en wat die kost om te bouwen en om te draaien.

Neem contact op voor een technische discoverysessie.

Gerelateerde diensten

• Staff augmentation en outsourcing: AI-engineers die in uw team meedraaien
• EU AI-verordening compliance-engineering: voor wanneer wat u bouwt binnen de reikwijdte valt
• AWS cost optimization: inferentie- en retrievalworkloads hebben de neiging mensen te verrassen