المعركة المقبلة في البرمجيات كخدمة تبدأ في طبقة أعلى من MCP

يوفّر بروتوكول سياق النموذج للذكاء الاصطناعي طريقة موحّدة للاتصال ببرمجيات المؤسسات. وترى فرشالي باونيكار، كبيرة مسؤولي المنتجات في Carta، أن التحدي الأكبر يكمن في تحديد ما يحدث بعد إنشاء الاتصال، ومقدار العمل الذي ينبغي تركه للنموذج اللغوي.

خلال العام الماضي، انتقل بروتوكول سياق النموذج من معيار تقني مغمور نسبيًا إلى واحدة من أبرز الأفكار في مجال الذكاء الاصطناعي للمؤسسات.

يوفّر MCP للتطبيقات المدعومة بالذكاء الاصطناعي طريقة موحّدة للاتصال بالبرمجيات الخارجية والوصول إلى البيانات وتنفيذ الإجراءات. فبدلًا من أن تبني كل شركة برمجيات واجهة مخصصة لكل نموذج ذكاء اصطناعي، يوفّر MCP لغة مشتركة.

تخيّل MCP كمقبس كهربائي في الحائط. فهو معيار مشترك يتيح لأي جهاز الاتصال به والحصول على الطاقة. وهذه ميزة رائعة لأنه مفتوح ويعمل في كل مكان، لكن المقبس وحده لا يفعل شيئًا من أجلك؛ فما زلت بحاجة إلى جهاز.

أظن أننا سننظر يومًا ما إلى الحماس الحالي لـMCP بالطريقة نفسها التي ننظر بها إلى صعود واجهات برمجة التطبيقات. فقد كانت هذه الواجهات أساسية وغيّرت طريقة بناء البرمجيات، لكن الاتصال أصبح بمرور الوقت بنية تحتية متوقعة، لا المنتج نفسه.

تتعامل قطاعات واسعة من صناعة البرمجيات كخدمة حاليًا مع الاتصال بالذكاء الاصطناعي كما لو كان منتجًا مكتملًا: أنشئ خادم MCP، وأتح الأدوات والبيانات المناسبة، ودع النموذج يتولى الباقي.

يكفي ذلك لبعض الاستخدامات، لكنه لا يكفي لكثير من مسارات العمل في المؤسسات، ولا سيما المالية منها.

MCP يتصدر طبقة الاتصال

بدأ التوحيد القياسي يغيّر بالفعل طريقة تفاعل تطبيقات الذكاء الاصطناعي مع البرمجيات. ويحظى MCP بدعم مجموعة متنامية من منصات الذكاء الاصطناعي الكبرى، ما يجعل استخدام الأنظمة الأساسية نفسها من خلال واجهة الذكاء الاصطناعي التي يفضلها المستخدم أمرًا ممكنًا على نحو متزايد.

لكن قابلية التشغيل البيني، وإن عالجت مشكلة الوصول، لا تخبر النموذج بكيفية إنجاز المهمة.

أمضي وقتًا طويلًا في التفكير في البرمجيات التي يستخدمها مستثمرو الأسواق الخاصة وفرق التمويل، حيث يتضح هذا الفرق بوجه خاص.

لنفترض، مثلًا، أنك أتحت لنظام ذكاء اصطناعي الوصول إلى بيانات أداء صندوق خاص ومحفظته؛ فقد تكون هناك عدة طرق للإجابة عن سؤال يبدو مباشرًا.

قد تعتمد إحدى الطرق على الحساب المناسب، وقد تلجأ طريقة أخرى إلى حل مختصر، فيما قد تسيء طريقة ثالثة فهم ما يطلبه المستخدم.

وعندها يُضطر المستخدم إلى أداء دور المحلل ومهندس الأوامر ومراقب الجودة في آنٍ واحد. وهذه ليست التجربة السلسة التي وُعِد بها.

لا يزال على المنتج أن يتخذ موقفًا

هنا تبرز أهمية الطبقة التالية في المنظومة. فإذا كان MCP طبقة الاتصال، فإن الإضافات والمهارات تأتي فوقها لتوضح للوكيل كيفية استخدام هذا الاتصال لإنجاز مهمة بعينها.

وبدلًا من الاكتفاء بإتاحة البيانات والوظائف للنموذج، يمكنها جمع التعليمات ومسارات العمل والحسابات الحتمية والواجهات في حزمة واحدة حولها.

قد يعني ذلك أحيانًا اتباع تسلسل محدد من الإجراءات. وقد يعني أحيانًا أخرى تنفيذ حساب حتمي أو برنامج نصي بدلًا من مطالبة نموذج لغوي كبير باستنتاج الإجابة. وفي حالات أخرى، قد تكون النتيجة النهائية جدول بيانات أو تقريرًا أو تطبيقًا صغيرًا مصممًا خصيصًا لمسار العمل هذا.

وهكذا تصبح الخبرة جزءًا من المنتج بدلًا من تركها بالكامل للنموذج.

تُظهر الأدلة أن هذا الجمع ناجح. اختبرت Google مؤخرًا وكيلًا للبرمجة بالذكاء الاصطناعي أمكنه الوصول إلى وثائقها التقنية عبر MCP، ثم زُوّد بتعليمات إضافية خاصة بالمهمة توضّح أفضل طريقة للاستفادة من تلك المعلومات. وحقق الجمع بين الاتصال وهذه التعليمات معدل اجتياز بلغ 96.3% في تقييم Google، مع استخدام رموز أقل بنسبة 63% لكل إجابة صحيحة مقارنةً بالتلقين القياسي.

وبالنسبة إلى شركات البرمجيات كخدمة، يغيّر ذلك موضع التمايز. فإذا كان بإمكان كل تطبيق إتاحة البيانات عبر المعيار المفتوح نفسه، تصبح ميزة الوصول أقل تميزًا. أما معرفة كيفية تحويل هذا الوصول إلى نتيجة موثوقة فتزداد قيمة.

ليس من المناسب ترك كل مهمة للنموذج

النماذج اللغوية الكبيرة أنظمة احتمالية. والمرونة التي تجعلها مفيدة في الكتابة والاستكشاف والاستدلال أقل جاذبية في مسارات العمل التي تتطلب الدقة وإمكانية تكرار النتائج. والتمويل مثال واضح: فإذا توقع شخص أن يُنتج الحساب نفسه الإجابة نفسها في كل مرة، سرعان ما يصبح التفاوت مشكلة.

أمضت البرمجيات المالية عقودًا في السير في الاتجاه المعاكس. فسجلات التدقيق والأذونات والحسابات الموحدة والعمليات القابلة للتكرار موجودة لأن الاتساق ذو قيمة.

ينبغي ألا يتجاهل الذكاء الاصطناعي تلك الدروس. وستعرف أفضل منتجات الذكاء الاصطناعي للمؤسسات متى تترك للنموذج مجالًا للاستدلال ومتى تفرض عليه قيودًا. فالأنظمة الاحتمالية مناسبة عندما يكون الحكم والتفسير مفيدين، أما الأدوات الحتمية فتكون أنسب عندما تكون الدقة وإمكانية تكرار النتائج ضروريتين.

ينطبق المبدأ نفسه في كل موضع تكون فيه تكلفة الحصول على إجابة خاطئة مرتفعة.

إلى أين ينتقل التمايز في البرمجيات كخدمة؟

لا تزال الطبقة التي تُبنى فوق MCP أقل استقرارًا بكثير من MCP نفسه.

ظهرت مناهج مختلفة للتعامل مع الإضافات والمهارات، لكن الجهود جارية بالفعل لجعلها أكثر قابلية للنقل بين منصات الذكاء الاصطناعي، بدلًا من حصرها في منظومة واحدة.

ستظل شركات البرمجيات كخدمة مضطرة إلى اتخاذ قراراتها قبل استقرار كل المعايير. لطالما كان الأمر كذلك.

أما البديل فهو إتاحة واجهة وترك العملاء يصممون تجربة الاستخدام بأنفسهم.

قد يسلك الذكاء الاصطناعي المسار نفسه. فأصبح ربط الوكيل ببرمجيات المؤسسات أسهل مع مرور كل شهر. وستتمثل الأفضلية على نحو متزايد فيما يحدث بعد ذلك: في مسارات العمل، وعناصر التحكم، والخبرة المتخصصة في المجال، التي توضح للوكيل كيفية تحويل صلاحية الوصول إلى نتيجة موثوقة.