Toegankelijkheidstests via MCP: wat AI-agents nu kunnen

Wat MCP betekent voor toegankelijkheid

Het Model Context Protocol (MCP) is een open standaard, ontwikkeld door Anthropic, waarmee AI-assistenten op een gestandaardiseerde manier verbinding kunnen maken met externe tools, API’s en gegevensbronnen. In plaats van dat een AI beperkt blijft tot zijn trainingsdata, maakt MCP van elke tool die je kunt beschrijven iets wat een AI op afroep kan gebruiken — midden in een gesprek, midden in een workflow, midden in een code review.

Voor toegankelijkheidstests is die verschuiving veelbetekenend. Tot voor kort betekende het uitvoeren van een toegankelijkheidsscan: je editor verlaten, een browserextensie openen, naar de juiste URL navigeren, op resultaten wachten en die vervolgens handmatig interpreteren. MCP haalt die wrijving volledig weg.

Waarom toegankelijkheid thuishoort in de AI-workflow

Moderne ontwikkeling verloopt steeds vaker met AI-ondersteuning. Ontwikkelaars schrijven code met hulp van AI. Ontwerpreviews vinden plaats in AI-gedreven tools. Documentatie wordt opgesteld in AI-chatinterfaces. Deploymentpijplijnen worden met AI gemonitord.

Toegankelijkheid werd ondertussen van oudsher pas achteraf aangeplakt — een audit die plaatsvindt nadat een site is gebouwd, precies wanneer de kosten van remediatie het hoogst zijn. MCP verandert dit doordat het mogelijk wordt toegankelijkheidstests op elk punt in de workflow in te bedden, niet alleen aan het eind.

Wanneer een AI-assistent rechtstreeks een toegankelijkheidsscanner kan aanroepen, kan hij:

• Overtredingen aan het licht brengen terwijl je de component nog schrijft
• Een merge request blokkeren wanneer er kritieke problemen worden gevonden
• Een toegankelijkheidssamenvatting opnemen in elke ontwerpreview
• Na elke deploy opnieuw testen om regressies op te sporen

Dit is geen theorie. Dit is wat er gebeurt wanneer je een AI-programmeerassistent koppelt aan een toegankelijkheidstool met MCP-ondersteuning.

Hoe de MCP-server van QualiBooth werkt

QualiBooth biedt al een MCP-server waarmee AI-assistenten — waaronder Claude — verbinding kunnen maken. Eenmaal verbonden kan de AI echte WCAG-toegankelijkheidsscans uitvoeren op elke openbare URL, gestructureerde resultaten ontvangen en bruikbare bevindingen presenteren, zonder dat de ontwikkelaar zijn tool ooit hoeft te verlaten.

Een typische interactie ziet er zo uit: een ontwikkelaar vraagt een AI-assistent om een net gedeployde stagingpagina te beoordelen op toegankelijkheidsproblemen. De AI roept de QualiBooth MCP-tool aan, geeft de URL door en krijgt een volledig overtredingsrapport terug — impactniveaus, aantallen betrokken elementen, verwijzingen naar WCAG-criteria en remediatierichtlijnen. Vervolgens presenteert de AI de bevindingen in context, gekoppeld aan de code waar de ontwikkelaar op dat moment mee bezig is.

Geen browserextensie. Geen apart tabblad. Geen handmatig kopiëren en plakken. De scan gebeurt binnen de workflow.

Wat de scan omvat

De QualiBooth MCP-server voert door axe-core aangedreven controles uit op de live gerenderde pagina — dezelfde engine die toegankelijkheidsspecialisten gebruiken voor professionele audits. De resultaten bevatten:

• Algemene toegankelijkheidsscore (0–100) en het risiconiveau op rechtszaken
• Overtredingen per impact: kritiek, ernstig, gemiddeld, gering
• Belangrijkste oplossingen: de problemen met de hoogste prioriteit om als eerste aan te pakken, met het aantal betrokken elementen en links naar remediatierichtlijnen
• Volledig axe-core-overtredingsdetail: voor wanneer je dieper moet graven

Dat betekent dat de AI over dezelfde informatie beschikt als een toegankelijkheidsengineer — en erover kan redeneren in de context van jouw codebase.

Wat dit teams oplevert

Teams die QualiBooth koppelen aan hun AI-tools krijgen praktische mogelijkheden die eerder lastig te realiseren waren.

Continue toegankelijkheidsmonitoring. Een AI-agent die volgens een schema draait, kan na elke deploy elke pagina van je site controleren en regressies melden voordat gebruikers ertegenaan lopen.

Code review met oog voor toegankelijkheid. Wanneer een AI-assistent een pull request met UI-wijzigingen beoordeelt, kan hij de preview-URL scannen en toegankelijkheidsbevindingen meegeven naast zijn feedback op de code.

Auditen op afroep in CI/CD. Een AI die een deploymentpijplijn orkestreert, kan QualiBooth midden in de deploy aanroepen, de release laten falen bij kritieke overtredingen en de bevindingen terugkoppelen naar de ontwikkelaar.

Lagere drempel voor toegankelijkheidsnieuwkomers. Ontwikkelaars die geen toegankelijkheidsspecialist zijn, kunnen de AI vragen uit te leggen wat een overtreding betekent, waarom die ertoe doet voor een specifieke gebruikersgroep en hoe je hem oplost — met de scanresultaten als context.

WCAG-conformiteit bij AI-ondersteunde ontwikkeling

Een risico van AI-ondersteunde ontwikkeling is dat AI-tools toegankelijkheidspatronen reproduceren die er correct uitzien maar niet aan WCAG voldoen. Wanneer een AI een modal, een dropdown of een formulier genereert, is er geen enkele garantie dat de gegenereerde code zonder externe verificatie voldoet aan WCAG 2.2 niveau AA.

QualiBooth koppelen via MCP sluit die cirkel. De AI genereert code, de AI scant het resultaat, de AI lost op wat hij vindt. Deze strakke feedbackcyclus — genereren, testen, remediëren, allemaal in dezelfde sessie — is hoe AI-ondersteuning de toegankelijkheidsbasislijn van een site daadwerkelijk kan verbeteren in plaats van geleidelijk uithollen.

Het betekent ook dat wanneer toegankelijkheidsproblemen tóch in productie opduiken, de tijd tussen detectie en oplossing kan krimpen van weken (wachten op de volgende geplande audit) naar minuten (de AI vindt het, legt het uit en repareert het in dezelfde workflow).

Aan de slag

De QualiBooth MCP-server is nu beschikbaar. Gebruik je al Claude of een andere MCP-compatibele AI-assistent, dan kun je de QualiBooth-tool aan je configuratie toevoegen en direct vanuit je AI-workflow toegankelijkheidsscans starten.

Voor teams die verder willen gaan — terugkerende scans, VPAT-generatie, handmatige expertbeoordelingen — bouwt het volledige platform van QualiBooth voort op dezelfde toegankelijkheidsengine. Alles wat de MCP-tool aan het licht brengt, kan worden opgeschaald naar een volledig audittraject.

De vraag is niet óf toegankelijkheid thuishoort in je AI-workflow. Dat doet het, om dezelfde reden als overal elders: hoe eerder je problemen opspoort, hoe goedkoper ze zijn om op te lossen. MCP is de manier om daar te komen.