Wat is MCP?

MCP staat voor Model Context Protocol. Het is een open standaard, ontwikkeld door Anthropic en inmiddels omarmd door Microsoft, GitHub en anderen, waarmee AI-assistenten op een gestructureerde, veilige manier met externe tools en diensten kunnen communiceren.

Standaard kan een AI-assistent alleen werken met wat je erin typt. Het kan niet inloggen op Power BI, een DAX-query uitvoeren, of iets achter een inlogscherm benaderen. Een MCP-server overbrugt dat gat. Het is een klein programma dat fungeert als gecontroleerde tussenlaag tussen de AI en de data die het nodig heeft. Microsoft heeft dit zo volledig omarmd dat ze nu officiele MCP-servers voor Power BI leveren. Dit is geen omweg of hack. Het is de manier waarop Microsoft verwacht dat AI-tools verbinding maken met je data.

Hoe data stroomt van vraag tot rapport

Dit is de volledige reis wanneer je een zakelijke vraag stelt en een opgemaakt rapport terugkrijgt. Let op wat er met de data gebeurt bij elke stap, en merk op hoe het onderweg transformeert.

Het cruciale detail: de AI heeft nooit directe toegang tot Power BI. Het kan alleen de MCP-server vragen om specifieke, vooraf gedefinieerde acties uit te voeren. De MCP-server bepaalt wat is toegestaan, welke data wordt teruggegeven, en of er iets wordt gefilterd voordat het wordt doorgegeven.

Je houdt de controle over je data

Als je Power BI klantnamen, ticketdetails, werknemersdata of financiele cijfers bevat, is het terecht dat je vraagt hoe dit werkt. De MCP-aanpak is fundamenteel anders dan data plakken in een webgebaseerde AI-chatbot, en hier is waarom het veilig is voor intern gebruik met echte data.

Welke tools krijgt de AI?

Een MCP-server definieert een specifieke set tools, de acties die de AI mag uitvoeren. Voor Power BI bevat de standaardset:

De AI kan geen nieuwe tools verzinnen of deze lijst overschrijden. Als de MCP-server geen "delete workspace"-tool aanbiedt, kan de AI die actie fysiek niet uitvoeren. Jij bepaalt wat mogelijk is.

Wat er gebeurt wanneer we een rapport genereren

Drie manieren om AI te verbinden met Power BI

Het MCP-ecosysteem voor Power BI is snel volwassen geworden. Microsoft levert nu officiele MCP-servers, en er bestaan meerdere door de community gebouwde opties. Hier is hoe ze zich verhouden, en wanneer je welke gebruikt.

Een custom server bouwen, stap voor stap

Als de officiele servers niet aan je behoeften voldoen, of je wilt volledige controle over wat de AI kan doen, dan is hier precies hoe je je eigen server bouwt. Het is een enkel Python-bestand.

# Core (required)
pip install mcp azure-identity requests

# Optional: only needed for PII anonymisation
pip install presidio-analyzer presidio-anonymizer
python -m spacy download en_core_web_lg

from azure.identity import InteractiveBrowserCredential

credential = InteractiveBrowserCredential(
    cache_persistence_options=cache_options
)
token = credential.get_token(
    "https://analysis.windows.net/powerbi/api/.default"
)

@server.tool()
async def execute_dax(dataset_id: str, dax_query: str):
    """Run a DAX query against a Power BI dataset."""
    response = requests.post(
        f"https://api.powerbi.com/v1.0/myorg/datasets/{dataset_id}/executeQueries",
        headers={"Authorization": f"Bearer {token}"},
        json={"queries": [{"query": dax_query}]}
    )
    return response.json()

# Only needed for public-facing output
# For internal reports, return data as-is

# Scan for personal data using NLP
results = analyzer.analyze(text=response, score_threshold=0.4)

# Replace with safe placeholders
safe_text = anonymizer.anonymize(text=response, analyzer_results=results)

# "John Smith logged 142 billable hours"
# becomes: "<PERSON> logged 142 billable hours"

claude mcp add powerbi python /path/to/server.py

Door de community gebouwde servers

De open-source community heeft meerdere alternatieven gebouwd, elk met een andere focus. Deze zijn het verkennen waard als je je opties evalueert.

Belangrijkste punten