Headless 360: nieuw naampje of nieuwe waarde?
BLOG
Meerdere systemen in één AI-chat: zo bouw je een schaalbare MCP-architectuur
Je hebt Salesforce gekoppeld aan je AI-chat en je stelt je eerste vragen. Een update over een account, een gesprek loggen, een grafiek voor het MT: het werkt. Tot je een vraag stelt die verder gaat dan Salesforce: “Hoe staat het ervoor met klant X?” Het volledige antwoord zit namelijk op meer plekken. De lopende deals staan in Salesforce, de orders en openstaande facturen in je ERP, en de klacht van vorige week in je ticketsysteem.
Liever kijken dan lezen?
Hoe meer bronnen, hoe completer het antwoord
Wil je dat je AI die vraag goed beantwoordt, dan moet hij bij al die systemen kunnen. Sommige systemen maken dat makkelijk: net als Salesforce hebben ze al een eigen MCP-server klaarstaan. Veel andere systemen hebben alleen een API, een technische ingang waar je AI niet zomaar mee kan praten. Daar bouwen wij een MCP-laag overheen. Zo bevraag je ook dat systeem vanuit dezelfde chat.
Waarom losse koppelingen inefficiënt zijn
De voor de hand liggende stap is om elke MCP-server los aan je chat te hangen. Dat werkt, maar bij elke vraag krijgt je AI dan een volle gereedschapskist voor zich: alle tools van alle systemen. Een tool is een losse actie die je AI via een MCP kan uitvoeren, zoals een record zoeken, een order opvragen of een ticket aanmaken. Je AI moet zelf bedenken welke tools hij nodig heeft, in welke volgorde hij ze gebruikt en hoe hij de antwoorden aan elkaar knoopt. Voor de vraag over klant X doet hij dat elke keer opnieuw.
Dat heeft drie gevolgen. Het duurt langer. Het kost meer tokens (de eenheden waarin je AI-gebruik wordt afgerekend) en het antwoord valt elke keer net iets anders uit, omdat de AI telkens een andere route kan kiezen. Voor één losse vraag maakt dat weinig uit. Stelt je hele team dezelfde vraag tientallen keren per week, dan merk je het wel.
Alle systemen los aan de chat
Eén vraag, één tool
Wij pakken het anders aan. Samen met jou brengen we je systeemlandschap en de datamodellen in kaart, en we kijken welke vragen bij jullie het vaakst terugkomen. Voor die vragen leggen we de route vast in een eigen tool. Vraag je naar de stand van zaken bij klant X, dan gaat die tool achter de schermen langs Salesforce, je ERP en je ticketsysteem, en geeft hij in één keer het complete antwoord terug.
Je AI hoeft dan niets meer zelf uit te zoeken. Het antwoord komt sneller, het kost minder tokens en je krijgt elke keer hetzelfde betrouwbare resultaat.
Eén tool die drie systemen raakt
Vrij in je keuze voor een AI-leverancier
Deze opzet heeft nog een voordeel: de laag met tools staat los van de chat die je ervoor zet. Werk je nu met Claude en stap je volgend jaar over op Copilot, of op iets dat nu nog niet bestaat? Dan wissel je alleen de voorkant, en alles daaronder blijft staan. Je kunt zelfs meerdere AI-aanbieders tegelijk op dezelfde laag aansluiten, bijvoorbeeld als teams met verschillende tools werken.
Zo denken wij mee
Van de eerste koppeling tot een complete architectuur: we kijken samen met je naar het geheel. Welke systemen koppel je, en welke vragen wil je ermee beantwoorden? Hoe richt je de laag met tools in, en wie mag wat gebruiken? En welk AI-model en welk abonnement passen bij jullie vragen, bij wat je met je data mag doen en bij je budget?
Wil je weten wat een schaalbare MCP-architectuur voor jouw organisatie betekent? Ga naar contact en laat je gegevens achter, dan nemen wij contact met je op.
