MCP voorbij de demo: wat de Akeneo-aanpak van DwyerOmega laat zien over governance van agents in productdata

MCP is de demofase voorbij. Een fabrikant draait inmiddels elke dag AI-workflows bovenop zijn PIM, en daarmee wordt een vraag die lang theoretisch bleef een ontwerpkeuze: wat mag een agent uit je productdata lezen, wat mag hij terugschrijven en welk systeem dwingt dat af. De tweedelige case van Akeneo over DwyerOmega laat zien hoe zo'n opzet er in productie uitziet, en een blog van Crystallize van een dag eerder laat zien waar je de grens trekt. Samen beschrijven ze hetzelfde patroon van twee kanten: agents krijgen vroeg brede leestoegang, terwijl schrijven bij mensen en systeemregels blijft.

Wat DwyerOmega op Akeneo MCP heeft gebouwd

DwyerOmega is een industriële en technische fabrikant met complexe producten, meertalige content, veel overnames en voor één model naar schatting 100.000 tot 200.000 mogelijke configuraties. Deel 1 van de Akeneo-case begint bij een pijplijnprobleem. Cyrus Grimes, Director of Product Content Management, haalde verrijkingsdata via API-koppelingen uit Akeneo naar Microsoft Fabric om Power BI-dashboards te bouwen, omdat lang niet iedereen het PIM wilde openen. Die extractie was in Fabric niet stabiel, en volledige loads werden steeds zwaarder zodra de content meertalig werd. Met Akeneo MCP en Codex in Fabric bouwde hij de pijplijn opnieuw op rond delta-updates. Die draait elke ochtend, en een volledige export in alle talen is in ongeveer 2,5 tot 3 uur klaar zonder tegen concurrency-limieten aan te lopen.

Deel 2, geschreven door Samira McDonald en gepubliceerd op 4 november 2026, gaat over wat er bovenop dat fundament draait. In Power BI zien productmanagers en marketeers waar producten hun doelen missen voor afbeeldingen, 360-gradenweergaven, alt-tekst, beschrijvingen, CAD-bestanden, cross-sell en SEO-metadata, te filteren per productmanager of model en te exporteren als werklijst. Een AI-workflow in Claude zoekt via de Akeneo-records de handleidingen en specificatiebladen op, haalt de technische inhoud eruit met lokale OCR en een lokaal taalmodel, en bouwt beschrijvingen op rond wat het product kan. Productmanagers beoordelen die teksten voordat ze terug in Akeneo gaan. Volgens Grimes heeft het behouden van de bruikbare delen van de oude teksten geholpen om het organische zoekverkeer stabiel te houden en zelfs te laten groeien.

De overnameworkflow vindt Grimes het waardevolst. Een webscrape van de productseries van een overgenomen bedrijf zet assets in SharePoint, spiegelt afbeeldingen naar AWS, maakt het asset in Akeneo aan met de URL al ingevuld en bouwt de productserie op met een placeholder-variant. Per serie kost dat ongeveer 40 minuten, en binnen een paar weken stonden er 82. Technische of dure producten komen in een productfamilie waar de call to action contact met een verkoper is, zodat de informatie online staat voordat elke commerciële beslissing is genomen.

Waar het schrijven stopt

De case is net zo leerzaam in wat DwyerOmega buiten bereik van de agents houdt als in wat het automatiseert. Het Power BI-dashboard is bewust alleen-lezen. Op de vraag of wijzigingen daar terug naar het PIM gaan, antwoordt Grimes: "No, this is just a report." Aanpassingen gebeuren nog steeds in Akeneo of via gecoördineerde laaddocumenten van getrainde PIM-gebruikers. De AI-beschrijvingen gaan langs de productmanager voordat ze worden geladen. Twee ideeën die nog in een vroege verkenningsfase zitten, volgen dezelfde lijn: een controleweergave die records vergelijkt tussen het bronsysteem, SAP Commerce Cloud en Akeneo, en een workflow die datafouten uit een teamchatkanaal leest, Akeneo controleert en via MCP correcties voorstelt, met menselijke goedkeuring. Akeneo vat het werkmodel samen als het automatiseren van herhaalbaar zoek- en voorbereidend werk, terwijl mensen de controle houden over wijzigingen met gevolgen.

Die grens is een keuze van DwyerOmega zelf, het protocol maakt die keuze niet voor je. In ons Trends in PIM-stuk over AI-governance en verrijkingsagents citeren we hierover de documentatie van Akeneo: iedereen met toegang tot de MCP-verbinding kan de acties uitvoeren die de onderliggende API-sleutel toestaat, ook schrijven en bewerken als dat aanstaat. Wie die sleutel configureert, bepaalt dus de echte bevoegdheden van de agent.

Crystallize: guardrails buiten de prompt

Nebojsa Radakovic, Marketing Director bij Crystallize, maakt het algemene punt in AI Agent Governance: Govern What Agents Can Do, Not Just What They Can Say, gepubliceerd op 3 november 2026. Zijn vertrekpunt is dat een agent software met gedelegeerde bevoegdheden is, dus governance gaat over identiteit, rechten, data, tools, goedkeuringen, limieten, logging en het intrekken van toegang. De regel die hij voorstelt is eenvoudig: "The more consequential the action, the stronger the control should be." Een productbeschrijving voorstellen, die publiceren, een prijs aanpassen en een terugbetaling doen zijn verschillende treden op een ladder, en alleen-lezen "should often be the first production stage, not an embarrassing limitation to remove as quickly as possible."

De kern van het stuk is waar de limiet zit. "'Never change prices by more than 10%' is useful context. It is not, however, a security boundary." Als een wijziging een serieus risico oplevert, moet het commercesysteem die weigeren, wat de agent ook is opgedragen. Crystallize past dat toe op de eigen MCP-implementatie, waar agents schema's kunnen ontdekken en commercedata kunnen opvragen terwijl schrijven expliciet moet worden aangezet, en op de eigen interne engineering-agent, waarvan codewijzigingen als draft pull request binnenkomen die mensen goedkeuren. Over MCP zelf is het stuk duidelijk: "A standardized connection is not the same as a controlled connection." Het protocol maakt tools makkelijker te vinden en te gebruiken, maar de bedrijfsregels zitten in de systemen erachter.

Het stuk verwijst naar een IBM-onderzoek uit oktober 2026 onder ruim 3.200 senior executives in Europa en het Midden-Oosten: 75% verwachtte dat AI-agents in 2027 enige beslissingsautonomie hebben, terwijl 37% zei dat hun governance was ingericht om mee te groeien met agentic AI.

Productdata ligt op de grens

Crystallize voegt een tweede punt toe dat voor PIM-teams het zwaarst weegt. Een agent kan zich aan elke toegangsregel houden en toch een fout antwoord geven als hij werkt met de voorraad van gisteren of een verouderde prijs. Governance gaat daarom ook over de context die agents gebruiken: "which system owns a fact, how fresh that information is, whether variants have stable identities, whether fields have explicit meanings, and whether downstream representations can be traced back to their source."

De opzet van DwyerOmega laat zien hoe dat er in de praktijk uitziet. Akeneo blijft de beheerde bron, de pijplijn naar Fabric ververst dagelijks via delta's, en de geplande controleweergave richt zich precies op de synchronisatiegaten tussen SAP Commerce Cloud en het PIM waardoor een agent verouderde feiten zou krijgen. Deel 1 vermeldt ook dat DwyerOmega onderzoekt hoe Akeneo de beheerde bron kan worden voor AI-agents die betrouwbare productcontext nodig hebben. De kwaliteitsdashboards die nu productmanagers helpen, zijn dezelfde controles die straks bepalen of een agent een record kan vertrouwen. Onze gidsen over productdatakwaliteit en governance en AI-ready productdata voor agentic commerce behandelen het werk aan attributen, identiteiten en eigenaarschap waar dit op rust.

Wat de twee stukken samen laten zien

Beide stukken zijn vendorcontent: Akeneo beschrijft een klant op de eigen MCP-server, en Crystallize positioneert de eigen commerce-MCP en het eigen gestructureerde datamodel. Samen geven ze toch een consistent beeld. MCP maakt het goedkoper om agents en dagelijkse tools aan het PIM te koppelen, zoals de herbouwde pijplijn en de onboarding in 40 minuten bij DwyerOmega laten zien. De bevoegdheden van die agents worden ergens anders vastgelegd: in API-sleutels, rollen, reviewstappen en validatieregels in het PIM en het commerceplatform. Een praktische manier om elk MCP-project te beschrijven is per agent vast te leggen wat hij leest, wat hij mag wijzigen, welke wijzigingen goedkeuring nodig hebben en hoe je een wijziging terugvindt en terugdraait. Het antwoord van DwyerOmega is nu breed lezen, voorbereid schrijven en laden door mensen, wat past bij de eerste treden van de ladder van Crystallize. Ons artikel over wat AI in een PIM echt doet en waar het misgaat beschrijft de gefaseerde uitrol achter die aanpak, en de profielen van Akeneo en Crystallize beschrijven beide platforms.