AI-agentkosten verlagen: zo filtert Okta de MCP-tooltax

Sophie Jansen · 2026-08-13

AI-agenten worden steeds slimmer, maar ze hebben een duister geheim: ze verspillen tokens aan tools die ze nooit gebruiken. Okta, bekend van identity-oplossingen, zegt daar nu iets aan te doen. Hun aanpak? Een slimmere manier van toolbeheer via het Model Context Protocol (MCP), waardoor de kosten voor AI-gesprekken flink kunnen dalen. ### Wat is de tooltax precies? Elke keer dat een AI-agent een modelcall doet, stuurt het systeem niet alleen de vraag mee. Het stuurt ook een hele lading metadata mee: schemanamen, beschrijvingen en parameters van élke tool die beschikbaar is via een MCP-server. Okta noemt dit de 'tooltax'. Het zijn tokens die de modelverwerking belasten, ook al roept de agent die tools uiteindelijk nooit aan. Stel je voor dat je een menu met honderd gerechten krijgt, maar je wilt alleen een kop soep bestellen. Toch moet je keukenpersoneel het hele menu doorlezen voordat je bestelling wordt opgenomen. Zo werkt het ook met AI-agenten. Ze krijgen een enorme lijst met tooldefinities, terwijl ze er maar een paar nodig hebben. Het probleem wordt groter naarmate een MCP-server meer tools exposeert. Denk aan Google Workspace, Slack of interne bedrijfsservers. Die kunnen tientallen of zelfs honderden tools bevatten. En met elke actieve gebruiker die calls maakt, stapelt de overhead zich op. Het is dus zowel een tool-probleem als een gebruikers-probleem. ### De kosten komen vóór de controle Een belangrijk inzicht van Okta: de kosten ontstaan vóórdat de agent een tool daadwerkelijk aanroept. De modelverwerking vindt plaats op het moment dat de tooldefinities in de prompt verschijnen. Als achteraf blijkt dat een agent geen toegang had tot een bepaalde tool, kan een runtime-controle de uitvoering wel blokkeren, maar de tokens zijn al verbruikt. Dat is een subtiel maar cruciaal punt. Veel beveiligingssystemen controleren pas bij de uitvoering of iemand iets mag doen. Maar bij AI-agenten is de schade dan al geleden. De modelverwerking heeft al plaatsgevonden, en de tokens zijn al betaald. ### Hoe Okta de tooltax aanpakt Okta's oplossing zit in hun 'blueprint voor de secure agentic enterprise'. Het idee: bepaal eerst welke agenten je hebt, welke verbindingen ze mogen maken en welke acties ze mogen uitvoeren. Vervolgens filter je de tool-lijst vóórdat die de modelprompt bereikt. In plaats van toegang tot een hele MCP-server, gaat het nu om toegang tot individuele tools op die server. Een beheerder stelt in het Okta-dashboard in welke tools een bepaalde identity mag gebruiken. Okta levert dan alleen die set tools terug, niet de volledige catalogus. - Beheerder configureert per identity welke tools beschikbaar zijn - Okta filtert de tool-lijst vóór de prompt wordt opgebouwd - Runtime-controle checkt opnieuw of de toolcall is toegestaan Dit is een klassiek least-privilege-principe, maar dan toegepast op toolniveau. Een agent zou niet eens mogen weten dat bepaalde resources of databases bestaan, tenzij er expliciete autorisatie is gegeven. En als de tool niet in de prompt staat, kost hij ook geen tokens. ### Wat levert het op? Okta's interne modellering laat zien dat sommige scenario's het aantal zichtbare tools met meer dan 90% verminderen. De kosten voor toolschema's dalen ongeveer in dezelfde verhouding. Het bedrijf geeft geen absolute cijfers in tokens of euro's, maar de proportie is veelbelovend. Het model gebruikte een enkele MCP-client met toegang tot een catalogus van enterprise-tools. Okta koppelde de MCP-servertools aan OAuth-scopes en definieerde verschillende gebruikerssegmenten: helpdesk-medewerkers met alleen-lezen toegang, helpdesk-operators, app-beheerders, merk- en e-mailbeheerders, en superbeheerders. Elk segment kreeg een gewicht op basis van een aangenomen aandeel in het maandelijkse verkeer. ### Wat betekent dit voor jouw organisatie? Als je zelf AI-agenten inzet, is dit een belangrijk signaal. De tooltax is geen onvermijdelijk kwaad. Door identity-gebaseerde filtering toe te passen, kun je zowel de kosten als het beveiligingsrisico verlagen. Het is een dubbele winst: minder tokenverbruik én minder kans op ongeautoriseerde acties. Natuurlijk is er een kanttekening. Okta beschrijft geen live klantimplementatie. De bewijsvoering komt uit interne modellen met productdata en publieke vendordocumentatie. Klantdata is niet gebruikt. Toch is de richting duidelijk: de volgende stap in AI-kostenbeheersing ligt niet alleen in betere prompts, maar ook in slimmer toegangsbeheer. Dus voordat je weer een dure modelcall laat draaien, vraag jezelf eens af: welke tools zitten er eigenlijk in die prompt? En welke zouden er helemaal niet in mogen staan? Het antwoord zou zomaar tienduizenden euro's per jaar kunnen schelen.