Model Context Protocol bij Blenddata: Zo laten we AI praten met onze data

Wat is het Model Context Protocol (MCP)?

Het Model Context Protocol (MCP) is een gestandaardiseerde manier om Large Language Models (LLMs) direct toegang te geven tot tools, API’s, databases, documentatie en andere databronnen. In plaats van dat je informatie moet kopiëren en plakken, kan de AI direct gebruik maken van deze tools en bronnen om context te krijgen en taken uit te voeren. Dit opent een wereld van nieuwe mogelijkheden.

Een veelvoorkomend probleem bij bedrijven is dat waardevolle informatie en tools wel beschikbaar zijn, maar niet toegankelijk voor AI-tools. Medewerkers moeten handmatig informatie opzoeken, kopiëren en plakken om AI-input te krijgen. Dit kost tijd en belemmert de productiviteit. MCP lost dit op door je LLM direct te verbinden met je bestaande tooling en databronnen

Waarom is MCP belangrijk, welke kansen biedt het?

MCP is belangrijk om drie kernredenen:

1. Standaardisering – Voor MCP bestond er geen gestandaardiseerde manier om LLMs te verbinden met tools en databronnen. Elke integratie was een custom oplossing. MCP biedt een universele standaard die door de hele industrie wordt ondersteund.
2. Directe tool-integratie – MCP maakt het mogelijk om je LLM direct te laten communiceren met je bestaande tooling, API’s en databronnen. Dit betekent dat je AI niet alleen kan praten, maar ook kan handelen door gebruik te maken van je tools.
3. Nieuwe workflows mogelijk maken – Door deze verbindingen ontstaan er nieuwe use cases die voorheen niet mogelijk waren, zoals het direct bevragen van databases via natuurlijke taal of AI-assistenten die toegang hebben tot actuele documentatie en codebases.

Concrete voorbeelden:

• Talk to your data – Stel vragen aan je database via natuurlijke taal en krijg direct antwoorden
• Development ondersteuning – AI die toegang heeft tot je API-docs, dbt-modellen en codebase voor betere projectbegrip

Bij Blenddata zagen we hierin een kans om onze workflows toegankelijker te maken en de ontwikkelervaring te verbeteren door MCP te integreren in onze dagelijkse processen.

Wat hebben we geleerd van onze MCP-implementatie?

Onze testresultaten laten zien dat MCP extreem handig kan zijn in development-scenario’s, maar voor dashboard-eindproducten zijn er nog extra stappen nodig.

Onze 4 belangrijkste inzichten:

1. MCP is nu al een game-changer voor development – We raden ieder bedrijf aan om hun AI-assistent te verbinden aan bestaande tooling. Zo heb ik mijn Notion, Terraform-documentatie en dbt docs aan mijn Cursor IDE hangen, waardoor ik makkelijk informatie kan bevragen zonder heen en weer plakken.
2. GPT-4.1-mini biedt de beste performance-to-cost ratio – Tijdens onze model vergelijking bleek GPT-4.1-mini de beste keuze voor MCP-implementaties waar kosten een factor zijn, terwijl de tool usage accuracy identiek was aan GPT-4.1.
3. Hybride aanpak werkt voor dashboards – We kunnen MCP gebruiken als dashboard chatbot waarbij alle data al voorgekauwd is via SQL queries van analisten. De LLM krijgt deze vooropgezette queries als tools, waarna eindgebruikers ermee kunnen chatten.
4. Betrouwbaarheid blijft de grootste uitdaging – MCP biedt waardevolle interne toepassingen, maar is nog niet klaar voor zero-shot klantgerichte applicaties. Betrouwbaarheid en nauwkeurigheid blijven de grootste uitdagingen, hoewel dit snel kan veranderen met de continue ontwikkeling van LLM’s.

TLDR

✅ Werkt goed:

1. Developer tools en codebegrip
2. Interactie met documentatie en API’s
3. Brug naar bestaande tooling (CLI’s, documentatie)

⚠️ Uitdagingen:

1. Text-to-SQL is niet altijd 100% betrouwbaar
2. Context inconsistentie tussen verschillende tools
3. Hallucinatie risico bij complexe queries

🔒 Veiligheidsrichtlijnen:

1. Alleen leesrechten op databases
2. Test eerst met kleine datasets
3. Log welke tools worden gebruikt

Voorbeeld prompts om te proberen:

1. “Wat zijn mijn laatste taken in Notion?”
2. “Toon me de belangrijkste notities van deze week”
3. “Help me een nieuwe pagina structuur maken voor mijn project”

Onze aanbevelingen voor beginners

1. Begin klein: Start met eenvoudige mcp servers en use cases
2. Test grondig: Valideer resultaten die terugkomen van de tooling (het blijft een LLM!)
3. Focus op development: Gebruik MCP als developer aid, niet als eindgebruikers tool

Tip: MCP servers gebruiken om je AI-assistant context te geven is ideaal voor nieuwe teamleden om snel inzicht te krijgen in complexe projecten. Bijvoorbeeld: “Ik ga aan project X werken, help me de datamodellen te begrijpen.”

Wij maken jouw data toegankelijk voor AI

Blenddata is een data engineering consultancy die zich specialiseert in het bouwen van betrouwbare datapipelines en moderne data-architecturen. We helpen bedrijven om hun data toegankelijk en bruikbaar te maken.

Met onze ervaring in MCP kunnen we jouw organisatie helpen om AI-tools te gaan gebruiken. Of het nu gaat om dbt-documentatie, databases of andere bronnen, we kunnen je helpen om de kracht van AI te benutten in je dagelijkse werk.