AI-agent voor Core Web Vitals-monitoring: field data via MCP
Drie typen MCP-servers koppelen AI-agents aan Core Web Vitals-data. Slechts één geeft ze de data die Google echt gebruikt voor rankings.
AI coding agents kunnen nu via MCP-servers koppelen aan web performance data. Ze draaien audits, tracen knelpunten en genereren code fixes in een geautomatiseerde loop. Voor dit werk zijn er drie typen MCP-servers: Chrome DevTools, Lighthouse en Real User Monitoring. De databron bepaalt of de fix je gebruikers helpt, of alleen een synthetische score verbetert die Google negeert.
Laatst gereviewd door Arjen Karel in maart 2026
Wat AI-agents nu kunnen met Core Web Vitals
Het Model Context Protocol (MCP) standaardiseert hoe AI-tools koppelen aan externe databronnen. Voor werk aan Core Web Vitals doen drie typen servers ertoe.
Chrome DevTools MCP geeft agents directe controle over de debugging surface van Chrome. Google bracht dit eind 2025 uit in public preview. Het draait performance traces, analyseert de uitsplitsing van LCP-fasen, identificeert render-blocking resources en comprimeert ruwe trace-data tot een compacte samenvatting die een agent kan parsen.
Lighthouse MCP-servers laten agents programmatisch volledige audits draaien. Op GitHub staan meerdere implementaties. Handig voor bulk-audits over veel pagina's. De resultaten zijn lab data: synthetische tests op een gesimuleerd apparaat met een gesimuleerde netwerkverbinding.
RUM MCP-servers koppelen agents aan Real User Monitoring-data van je echte bezoekers. CoreDash is op dit moment het enige commerciële RUM-platform met een ingebouwde MCP-server, en ontsluit live field data voor elke MCP-compatibele coding agent.
De workflow die ze alle drie mogelijk maken, is een loop van meten, fixen en opnieuw meten. De agent identificeert een knelpunt, genereert een code fix, past die toe en test opnieuw. Het type data dat de agent gebruikt, bepaalt of de fix echte gebruikers helpt.
Het probleem met Lighthouse-only agents
Google gebruikt Lighthouse-scores niet voor rankings. Google gebruikt CrUX field data van echte Chrome-gebruikers over een voortschrijdend venster van 28 dagen. Een agent die Lighthouse draait, wijzigingen doorvoert en opnieuw Lighthouse draait, voltooit een loop die niets doet voor je zoekzichtbaarheid.
Het gat tussen lab en field is reëel. De Web Almanac van 2025 laat zien dat 52% van de mobiele websites minstens één Core Web Vital niet haalt in field data. Veel van die sites scoren prima in Lighthouse.
INP is de grootste blinde vlek. INP meet hoe snel je site reageert op klikken, tikken en toetsaanslagen van echte gebruikers over complete sessies. Daar is geen lab-equivalent voor. Lighthouse gebruikt Total Blocking Time als proxy, maar TBT meet het blokkeren van de thread tijdens het laden van de pagina. INP meet de reactietijd bij echte interacties op onvoorspelbare momenten. "Fixt" een agent je TBT, dan heb je geen enkele garantie dat je echte INP verbetert.
Onderzoek naar 33.596 door agents geschreven pull requests (Alam et al., januari 2026) toont aan dat door AI gegenereerde fix-PR's een totale merge rate van 65% hebben. Menselijke reviewers wijzen ruim een derde af. Performance-fixes vragen om context die lab data alleen niet kan leveren.
Wat field data je biedt en lab data niet
Real User Monitoring verzamelt performance data van elke bezoeker op elk apparaat. Koppelt een agent aan RUM in plaats van Lighthouse, dan veranderen er drie dingen.
De agent weet welke pagina's echt traag zijn voor je doelgroep. Niet welke pagina's slecht scoren in een synthetische test op een gesimuleerde Moto G Power via 4G. Je gebruikers zitten misschien op iPhones in Duitsland via glasvezel. Of op een budget-Android in Indonesië via een overbelast mobiel netwerk. Field data laat zien wat ze echt ervaren.
CoreDash geeft de agent attributie op elementniveau. Het specifieke element dat de trage LCP veroorzaakte. Het JavaScript-bestand achter de trage INP (via Long Animation Frames-data). De DOM-node die verschoof. De agent tracet van de metric naar de exacte code, zonder te gokken.
En hij kan verifiëren of de fix werkte. Na een deploy checkt de agent field data om te bevestigen dat echte gebruikers verbetering zien. Dit is de stap die de meeste AI-workflows volledig overslaan. Het is de enige stap die ertoe doet voor je rankings.
De complete workflow wordt dan: vind het probleem in field data, trace de oorzaak in Chrome, fix de code en verifieer met field data. De agent doet het onderzoek. Jij bepaalt wat er live gaat.
Hoe nu verder
CWV Superpowers is een gratis Claude Code-skill die deze complete workflow automatiseert. De setup kost twee minuten. Hij koppelt aan CoreDash-field data, identificeert je grootste knelpunt, tracet de root cause in Chrome en genereert de fix.
Voor specifieke metrics: de LCP-diagnosegids laat zien hoe de agent een trage Largest Contentful Paint via de vier fasen tracet tot de exacte code-aanpassing. De INP-diagnosegids behandelt de metric waar AI-agents de meeste moeite mee hebben, omdat je die in een lab niet kunt simuleren.
Het principe achter de diagnose is proportioneel redeneren: de agent ziet de fase die het grootste deel van de totale tijd inneemt als het knelpunt, niet de fase die een absolute drempelwaarde overschrijdt. Dat bepaalt welke fixes echt het verschil maken.
Je Lighthouse-score vertelt niet alles.
Je echte bezoekers zitten op een Android via 4G. Ik kijk naar wat zij meemaken.
Analyseer echte data
