Welke AI-tools heeft een bureau nodig? Minder dan de meeste mensen denken – maar beter gekoppeld. De bottleneck is zelden een ontbrekende tool; het is ontbrekende integratie. De data zit in vijf systemen, elk team heeft zijn favoriete chatbot en uiteindelijk plakt iemand screenshots in een deck.
De grote bureaugroepen zetten ondertussen in op verbinding in plaats van variatie. Volgens Digiday ontwikkelt Carat, het mediabureau van Dentsu, samen met NBCUniversal, FreeWheel en AI-bedrijf Newton een agent voor planning, inkoop en optimalisatie in de upfronts. Tinuiti heeft een MCP-server gelanceerd voor zijn meetoplossing Bliss Point, waarmee de meetlaag openstaat voor AI-agents en data over doelgroep, creatie, media en meting onder één dak komt. En WPP Media benadrukt dat ‘governance en menselijke verantwoordelijkheid centraal staan bij agentische mediainkoop’.
Waarom leveren meer AI-tools vaak minder op?
Omdat elke nieuwe tool een nieuw eiland creëert. De social listening-tool kent de gesprekken maar niet de mediadata. De chatbot schrijft briljant maar weet niets van de klant. De rapportagetool heeft cijfers maar geen context. Een mens legt de verbinding tussen al die tools – met knippen en plakken.
Dan komen de verborgen kosten. Overlappende licenties. Onboarding voor elk dashboard. Shadow AI: persoonlijke accounts waarlangs klantdata reist zonder dat iemand dat heeft goedgekeurd. En kennis die afhangt van die ene persoon die weet welke prompt in welke tool werkt.
Voor bureaus in Duitsland, waar klanten kritisch kijken naar gegevensbescherming en datasoevereiniteit, is deze wildgroei niet alleen inefficiënt. Het is een risico dat zichtbaar wordt in de volgende pitchvragenlijst.
Waarom het geheel meer is dan de som der tools
De systeemtheorie biedt een eenvoudige verklaring: een systeem is meer dan de som van zijn delen, omdat de prestatie voortkomt uit de relaties daartussen. Een orkest van briljante solisten zonder gezamenlijke partituur klinkt niet als een symfonie – het klinkt als stemmen.
Toegepast op de techstack van een bureau betekent dat: de kwaliteit van een afzonderlijke AI-tool zegt weinig over de prestatie van het geheel. Wat telt, is of data, tools en mensen met elkaar praten. Tools alleen kunnen geen meesterwerk componeren; harmonie ontstaat uit hun samenspel.
Daarom zit het probleem meestal niet in de technologie maar in de architectuur. Men koopt de instrumenten en vergeet de partituur.
Wat is MCP – en waarom is het belangrijk voor bureaus?
MCP staat voor Model Context Protocol. Het is een open standaard waarmee AI-assistenten zoals Claude toegang krijgen tot externe databronnen en tools. Zie het als een universeel stopcontact: in plaats van voor elke databron een aparte integratie of een eigen dashboard te bouwen, praat de assistent via één interface met ze allemaal.
Voor bureaus verandert dat de logica. Tot nu toe betekende integratie: data exporteren, in een tool laden en het resultaat weer terugkopiëren. Met MCP blijft de data waar die is, en stelt het team zijn vragen op de plek waar het al werkt. ‘Welke boodschappen voert de concurrentie sinds begin oktober?’ wordt een vraag in de chat, geen ticket naar het insightteam.
Zo werkt Defy MCP precies: teams bevragen data over concurrenten, doelgroepen en gesprekken rechtstreeks in Claude – alsof je een collega iets vraagt, zonder een nieuw dashboard te hoeven leren. Dat Tinuiti zijn meetdata op dezelfde manier openstelt voor AI-agents, laat zien welke kant het op gaat: data zit niet langer opgesloten in dashboards maar is bevraagbaar.
Tool-wildgroei of geïntegreerde stack: de vergelijking
| Dimensie | Tool-wildgroei | Geïntegreerde stack met MCP |
|---|---|---|
| Toegang tot data | Exports, knippen en plakken, screenshots | De assistent bevraagt de bron rechtstreeks |
| Leercurve | Eén dashboard per tool | Eén interface, vragen in natuurlijke taal |
| Herleidbaarheid | Resultaten zonder zichtbare herkomst | Antwoorden zijn terug te voeren op de bron |
| Governance | Persoonlijke accounts, onduidelijke goedkeuringen | Centrale rechten en duidelijke regels voor goedkeuring |
| Teamkennis | Zit bij individuen | Herbruikbare prompts en workflows |
| Kosten | Overlappende licenties | Minder tools, dieper gebruikt |
Hoe integreer je AI-tools in zes stappen?
- Maak een inventaris. Wie gebruikt welke AI-tools, waarvoor en met welke data? Vraag expliciet naar persoonlijke accounts – zonder verwijten, anders krijg je geen eerlijk antwoord.
- Kies drie tijdvreters. Typische kandidaten zijn concurrentieanalyses, maandrapportages en pitchonderzoek. Leg vast hoeveel tijd ze nu kosten.
- Kies één interface. Bepaal waar je team met AI werkt. Elke extra interface heeft een goede reden nodig.
- Koppel data in plaats van die te kopiëren. Controleer welke databronnen rechtstreeks via MCP of een andere interface bevraagd kunnen worden. Alles wat alleen via export werkt, komt op de lijst voor later.
- Stel de regels vast vóór de uitrol. Bepaal welke output een mens controleert voordat die naar de klant gaat, wie uitgaven goedkeurt en welke klantdata in welke systemen mag. Je functionaris voor gegevensbescherming hoort aan die tafel te zitten.
- Pilot, meet, ruim op. Test zes weken met één klant, vergelijk met de tijden uit stap 2 – en zeg de tools op die niemand mist.
Wat kunnen onafhankelijke bureaus leren van de holdings?
Wat opvalt aan de berichtgeving van Digiday is minder de technologie dan de toon. De bureaugroepen verkopen hun agents op controle: volgens Digiday eist WPP Media expliciete controles, goedkeuringsdrempels en verantwoordelijk menselijk toezicht bij financiële beslissingen en activatiebeslissingen. Bij Dentsu luidt de lijn dat alles nog steeds menselijk toezicht vereist.
Dat is een les voor onafhankelijke bureaus. Klanten twijfelen minder vanwege de technologie dan uit angst de controle te verliezen. Kun je uitleggen wie welke output controleert, waar een bewering vandaan komt en waar de data staat, dan win je vertrouwen – ongeacht je omvang.
Het verschil: holdings bouwen hun stacks met grote ontwikkelbudgetten. Onafhankelijke bureaus moeten slimmer combineren. Een platform dat data, bevraging en automatisering samenbrengt – zoals het Defy-platform – is één manier om een vergelijkbaar niveau te bereiken zonder eigen datascienceteam.
Wat moet je elke AI-leverancier vragen?
- Kan jullie data via MCP of een andere open interface worden bevraagd – of alleen in jullie eigen dashboard?
- Kan ik elke bewering van het systeem terugvoeren naar de bron?
- Waar wordt de data opgeslagen, wie heeft toegang en wat gebeurt er met onze prompts?
- Welke workflow vervangt de tool daadwerkelijk – en welke bestaande tool kan ik daardoor opzeggen?
Krijg je op die laatste vraag geen antwoord, dan koop je geen tool – alleen nog een instrument zonder partituur.
