Další bitva v SaaS se odehrává nad MCP

Model Context Protocol nabízí umělé inteligenci jednotný způsob, jak se připojit k podnikovému softwaru. Vrushali Paunikar, produktová ředitelka společnosti Carta, tvrdí, že větší výzvou je rozhodnout, co se stane po navázání spojení a jakou část práce svěřit jazykovému modelu.

Za poslední rok se Model Context Protocol posunul z poměrně málo známého technického standardu mezi nejvýznamnější koncepty v oblasti podnikové umělé inteligence.

MCP nabízí aplikacím umělé inteligence standardní způsob připojení k externímu softwaru, přístupu k datům a provádění akcí. Místo toho, aby každá softwarová společnost vytvářela vlastní rozhraní pro každý model umělé inteligence, poskytuje MCP společný jazyk.

Představte si MCP jako elektrickou zásuvku ve zdi. Je to společný standard, který umožňuje zapojit jakékoli zařízení a napájet ho. Je skvělé, že jde o otevřený standard, který funguje všude, ale samotná zásuvka vám k ničemu není. Pořád potřebujete nějaký spotřebič.

Domnívám se, že se na dnešní nadšení kolem MCP jednou budeme dívat podobně jako na nástup API. API položila základy a změnila způsob, jakým se vyvíjel software. Postupem času se však konektivita stala očekávanou součástí infrastruktury, nikoli samotným produktem.

Velká část odvětví SaaS dnes přistupuje ke konektivitě umělé inteligence, jako by šlo o hotový produkt. Stačí vytvořit server MCP, zpřístupnit správné nástroje a data a nechat model, ať se o zbytek postará.

V některých případech to stačí. U mnoha podnikových pracovních postupů, zejména finančních, tomu tak není.

MCP vítězí ve vrstvě konektivity

Standardizace už mění způsob, jakým aplikace umělé inteligence komunikují se softwarem. MCP podporuje stále širší škála významných platforem umělé inteligence, takže je pro uživatele stále reálnější pracovat se stejnými základními systémy prostřednictvím libovolného rozhraní umělé inteligence, které jim vyhovuje.

Interoperabilita sice řeší problém s přístupem, modelu ale neříká, jak má práci provést.

Hodně času věnuji přemýšlení o softwaru, který používají investoři na soukromých trzích a finanční týmy. Právě v tomto prostředí je tento rozdíl obzvlášť zřetelný.

Pokud například systému umělé inteligence zpřístupníte údaje o výkonnosti a portfoliu soukromého fondu, může existovat několik způsobů, jak odpovědět na otázku, která na první pohled působí jednoduše.

Jedním přístupem může být použití správného výpočtu. Jiným může být zkratka. Třetí možností je, že systém nepochopí, co uživatel požaduje.

Uživatel pak musí zastávat roli analytika, tvůrce zadání pro model i kontrolora kvality. To není bezproblémový zážitek, který byl slibován.

Produkt musí nabídnout vlastní řešení

Právě zde začíná být zajímavá další vrstva technologického zásobníku. Pokud je MCP vrstvou konektivity, nad ním se nacházejí pluginy a dovednosti, které agentovi říkají, jak toto připojení využít k dokončení konkrétního úkolu.

Namísto pouhého zpřístupnění dat a funkcí modelu kolem nich mohou sdružovat instrukce, pracovní postupy, deterministické výpočty a rozhraní.

Někdy to může znamenat dodržení stanoveného sledu kroků. Jindy může jít o provedení deterministického výpočtu nebo skriptu namísto toho, aby se odpověď pokoušel odvodit jazykový model. Výsledkem může být také tabulka, zpráva nebo malá aplikace navržená přímo pro daný pracovní postup.

Odbornost je součástí produktu, místo aby se vše nechávalo výhradně na modelu.

Důkazy ukazují, že tato kombinace funguje. Společnost Google nedávno otestovala agenta pro programování s umělou inteligencí, který měl přes MCP přístup k její technické dokumentaci. Následně mu poskytla další instrukce přizpůsobené konkrétnímu úkolu, které vysvětlovaly, jak tyto informace co nejlépe využít. Spojení přístupu k informacím s těmito instrukcemi dosáhlo při hodnocení společnosti Google úspěšnosti 96,3 %, přičemž na každou správnou odpověď spotřebovalo o 63 % méně tokenů než standardní zadávání pokynů.

Pro společnosti SaaS to mění zdroj konkurenční odlišnosti. Pokud každá aplikace může zpřístupnit data prostřednictvím stejného otevřeného standardu, samotný přístup přestává být něčím výjimečným. Větší hodnotu má schopnost proměnit tento přístup ve spolehlivý výsledek.

Ne každý úkol lze svěřit modelu

Velké jazykové modely jsou pravděpodobnostní systémy. Flexibilita, díky níž se hodí k psaní, zkoumání a uvažování, je méně žádoucí u pracovních postupů, kde záleží na přesnosti a opakovatelnosti. Dobrým příkladem jsou finance: pokud někdo očekává, že stejný výpočet pokaždé povede ke stejné odpovědi, odchylky se rychle stanou problémem.

Finanční software se po desetiletí vyvíjel opačným směrem. Auditní záznamy, oprávnění, standardizované výpočty a opakovatelné procesy existují proto, že na konzistenci záleží.

Umělá inteligence by na tyto poznatky neměla zapomínat. Nejlepší podnikové produkty využívající umělou inteligenci budou vědět, kdy nechat model uvažovat a kdy jeho možnosti omezit. Pravděpodobnostní systémy dávají smysl tam, kde se hodí úsudek a interpretace. Deterministické nástroje jsou vhodnější tam, kde je nutná přesnost a opakovatelnost.

Stejný princip platí všude tam, kde je cena za chybnou odpověď vysoká.

Kde bude SaaS dál hledat odlišení

Vrstva budovaná nad MCP je stále mnohem méně ustálená než samotné MCP.

Objevily se různé přístupy k pluginům a dovednostem, už se však pracuje na tom, aby byly přenositelnější mezi platformami AI a nebyly vázány na jediný ekosystém.

Společnosti SaaS budou muset rozhodovat ještě předtím, než se ustálí všechny standardy. Tak tomu bylo vždy.

Alternativou je zpřístupnit rozhraní a nechat zákazníky, aby si výsledný uživatelský zážitek sestavili sami.

Umělá inteligence se možná vydá stejnou cestou. Propojit agenta s podnikovým softwarem je každým měsícem snazší. Konkurenční výhoda bude stále více spočívat v tom, co následuje: v pracovních postupech, kontrolních mechanismech a odborných znalostech dané oblasti, které agentovi ukazují, jak přístup proměnit ve spolehlivý výsledek.