Worknano

MCP vs A2A: agents die met tools en met elkaar praten

Updated 2026-11-15

MCP vs A2A in het kort: beide zijn gedeelde standaarden waarmee AI agents met hun omgeving kunnen werken. MCP verbindt een AI agent met tools en gegevens, zoals je klantenlijst of je agenda. A2A verbindt een AI agent met een andere agent, zodat hij een hele taak kan overdragen. De twee doen verschillend werk en werken goed samen.

Denk aan een medewerker

Een AI agent is een AI-programma dat taken voor je uitvoert. Zie hem als een medewerker. Aan zijn bureau gebruikt die medewerker spullen: de klantenlijst, de agenda, de archiefkast. Dat is MCP, kort voor Model Context Protocol. Soms vraagt de medewerker een collega, of een contact bij een ander bedrijf, om iets te regelen. Dat is A2A, kort voor Agent2Agent.

Een tool doet precies wat hem gezegd wordt. Een andere agent krijgt een doel en bepaalt zelf hoe hij het haalt.

A2A in het kort

A2A is in 2025 geïntroduceerd door Google en wordt nu beheerd door de Linux Foundation. Het doel is dat agents van verschillende bedrijven kunnen samenwerken zonder speciale programmering. Het rust op twee ideeën.

De vergelijking

MCPA2A
VerbindtEen agent met tools en gegevensEen agent met een andere agent
Wat er wordt gestuurdEen exacte opdracht: "open bestellingen tonen"Een doel: "zorg voor een aanbieding"
De andere kantVoert uit, beslist nietPlant en beslist zelf

Een voorbeeld: nieuwe laptops bestellen

Een officemanager zegt tegen de AI-assistent van het bedrijf: "We hebben drie laptops nodig voor de nieuwe collega's, uiterlijk de eerste van de maand."

  1. De assistent controleert het budget voor apparatuur en de startdata in de eigen gegevens van het bedrijf. MCP.
  2. Hij heeft prijzen en levertijden nodig. De laptopleverancier heeft een eigen verkoopagent. De assistent stuurt die agent een taak: drie laptops van een bepaald type, geleverd op een bepaalde datum. A2A.
  3. De agent van de leverancier controleert voorraad en prijzen in de systemen van de leverancier. MCP, aan de kant van de leverancier.
  4. De agent van de leverancier stuurt een aanbieding terug. De assistent heeft het voorraadsysteem van de leverancier nooit gezien, alleen het resultaat.
  5. De assistent maakt een inkoopaanvraag klaar in het eigen systeem van het bedrijf en stuurt die ter goedkeuring naar de officemanager. MCP, en daarna beslist een mens.

Welke heeft een klein bedrijf nodig?

Beantwoord deze drie vragen op volgorde.

  1. Moet een AI met je eigen gegevens en bestanden werken? Dat is een verbinding met tools. Zoek dan naar MCP, dat tegenwoordig breed beschikbaar is.
  2. Moeten meerdere agents binnen één product werk aan elkaar doorgeven? Het product regelt dat meestal zelf. Een gedeelde standaard is niet nodig.
  3. Moet jouw agent taken doorgeven aan een agent van een ander bedrijf? Daarvoor is A2A gemaakt.

De meeste kleine bedrijven zitten bij de eerste stap, en sommige bij de tweede.

Dezelfde zorgvuldigheid in beide gevallen

Op welke manier een verzoek ook reist, stel dezelfde vragen. Voor wie handelt de agent? Wat mag hij delen? Is er een logboek van wat er gevraagd is en wat er terugkwam?

Zo pakt Worknano dit aan

Worknano dekt de eerste twee stappen. Elke workspace draait een MCP-server, zodat AI-apps zoals Claude, Claude Code, Cursor, Codex en Gemini CLI met je projecten, taken, OKRs, deals en bestanden kunnen werken. Iedereen koppelt met een persoonlijke sleutel en de eigen rechten. Binnen de workspace kunnen agents werk doorgeven: elke agent heeft een lijst met andere agents aan wie hij werk mag overdragen, en de Generic Assistant Planner geeft een vraag door aan een andere agent als een specialist beter past.

Maak een gratis workspace en laat de ene agent een vraag doorgeven aan de andere.