Een paar weken geleden kreeg ik een opdracht die mij meteen enthousiast maakte: analyseer de volledige codebase van een enterprise Identity & Access Management platform bij een toonaangevend Belgisch HR-softwarebedrijf. Het project — intern gekend als WCS (Web Client Security) — beheert de toegang tot PayrollHR-toepassingen voor honderden Belgische gemeenten, OCMW's en provincies. Geen klein klusje. Maar ik had iets in handen wat een paar jaar geleden ondenkbaar was: een AI-fleet die het zware werk voor mij deed.
Wat is MCP?
Model Context Protocol (MCP) is een open standaard van Anthropic waarmee AI-assistenten rechtstreeks met externe tools kunnen praten — Confluence, Jira, GitHub, databases, browsers. In plaats van copy-pasten geef je je AI-assistent gewoon toegang tot de brondata zelf.
🏗️ Het project: WCS bij een toonaangevend Belgisch HR-softwarebedrijf
WCS vervangt het verouderde CAPE-systeem en vormt de beheerslaag bovenop Keycloak. Elke klant (bestuur) krijgt een eigen Keycloak realm, met fine-grained action-based RBAC, identity brokering naar ADFS/Active Directory, en een zelfservice-portaal voor eindgebruikers. De stack: Java Spring Boot backend, Angular frontends (portal, account, management), MariaDB met Liquibase-migraties, en een eigen CI/CD-pipeline.
Kritieke infrastructuur voor honderden Belgische overheidsinstellingen — elke downtime heeft directe impact op gemeenten die hun medewerkers niet meer kunnen aanmelden.
🤖 De AI-aanpak: MCP als centraal zenuwstelsel
In plaats van de Confluence-documentatie handmatig door te spitten, koppelde ik mijn GitHub Copilot CLI aan de Atlassian MCP server. Dat betekent concreet: mijn AI-assistent kon rechtstreeks Confluence-pagina's lezen, Jira-tickets opvragen en zelfs nieuwe issues aanmaken — allemaal vanuit één conversatie. Geen tabswitch, geen copy-paste, geen context verlies.
Confluence MCP: documentatie inlezen
De AI leest alle WCS-pagina's en subpagina's automatisch uit. Van architectuurdiagrammen tot operationele runbooks — alles wordt context.
Code-analyse agent (Ollama / llama3)
Mijn lokale code_analyse_agent verwerkt de Java-codebase in chunks. Per module: wat doet het, hoe hangt het samen, waar zitten risico's?
Architect agent: synthese
De architect_agent combineert alle bevindingen tot een samenhangend architectuuroverzicht met bounded contexts, dataflows en kritieke afhankelijkheden.
Rapport agent (Mistral): klantklaar
De klant_rapport_agent zet alles om naar een helder Nederlands rapport — leesbaar voor zowel technische als niet-technische stakeholders.
⚡ Wat MCP concreet verandert
Confluence als live context
In plaats van 40 pagina's handmatig lezen, haalt de AI de relevante secties zelf op. Je stelt gewoon een vraag.
Jira direct vanuit analyse
Bugs die ik ontdek tijdens de analyse maak ik meteen aan als Jira-ticket, met alle context al ingevuld.
Geen context verlies
Alles zit in één conversatie. De AI weet nog steeds wat hij 20 stappen geleden gelezen heeft.
10× sneller
Een analyse die vroeger 2 dagen kostte, is nu klaar in een paar uur. Met betere output.
🔍 Concrete bevinding: de 502-bug
Tijdens de analyse van een testomgeving ontdekte ik dat een interne API-endpoint een 502 Bad Gateway teruggaf. Vroeger zou ik een Slack-bericht sturen, wachten op de juiste persoon, de context opnieuw uitleggen. Nu: ik vroeg mijn AI-assistent om een Jira-ticket aan te maken op het actieve sprintboard — met reproductie-URL, omgeving, severity en alle context die hij al kende vanuit de analyse. Klaar in 30 seconden.
# Copilot CLI met Atlassian MCP
# Eén commando — van analyse naar Jira-ticket
$ gh copilot suggest "maak een bug ticket voor 502 op de testserver
voor de interne API endpoint"
# Resultaat: ticket aangemaakt met:
# - Reproductie-URL
# - HTTP status code
# - Omgevingsdetails (testomgeving)
# - Severity: High
# - Sprint: actief board🏠 Mijn lokale AI-platform: VorstersNV
Naast de MCP-integratie via Copilot CLI bouw ik al een tijdje aan mijn eigen AI-platform: VorstersNV. De kern is een fleet van 32 Ollama-agents die elk een specifieke taak hebben — van code-analyse tot klantrapportage, van fraudedetectie tot bedrijfsproces-mapping. Alles draait lokaal: geen data die de organisatie verlaat, geen API-kosten per token.
Hardware realiteit
Op mijn laptop (Intel i7, geen dedicated GPU) duurt een analyse-chunk 2-5 minuten. Op mijn gaming desktop met RTX GPU: dezelfde analyse in 1-2 seconden. Lokale AI is serieus geworden.
📋 Het eindresultaat: WCS projectanalyse
Het eindrapport voor WCS omvatte: een volledig architectuuroverzicht met logisch diagram, een analyse van alle 6 subprojecten (wcs-backend, wcs-portal, wcs-account, wcs-management, wcs-tools, wcs-dev-setup), een overzicht van de 3 tenant-types en hun RBAC-model, use-case status per module, bekende issues en workarounds, en concrete AI-agent kansen voor automatisering van beheer-taken. Allemaal gegenereerd in één sessie.
- Multi-tenant Keycloak architectuur volledig gedocumenteerd (FSSC / SC / groepstenants)
- Action-based RBAC model met @AuthorizeAction aspect geanalyseerd
- Identity Brokering flows naar ADFS/Active Directory in kaart gebracht
- CI/CD pipeline en deployment-procedures gedocumenteerd
- 8 concrete AI-agent kansen geïdentificeerd voor toekomstige automatisering
- Volledige analyse opgeslagen in Confluence én als PDF-export
🔮 Wat nu?
MCP is nog jong maar groeit razendsnel. Elke week komen er nieuwe servers bij: voor databases, voor cloud providers, voor monitoring tools. Wat ik vandaag doe met Confluence en Jira, zal morgen werken met AWS CloudWatch, met Datadog, met SAP. De AI-assistent wordt niet alleen slimmer — hij krijgt ook steeds meer handen om mee te werken. Voor mij als IT-consultant is dat geen bedreiging, maar een verveelvoudiger: ik doe meer, sneller, en met hogere kwaliteit dan ooit.
De beste AI-tool is niet degene die het meeste weet — maar degene die toegang heeft tot de juiste data op het juiste moment. MCP is die brug.
Ben je benieuwd hoe ik dit ook voor jouw project of codebase kan inzetten? Neem gerust contact op — de eerste analyse is altijd een gesprek waard.
