Hvorfor skal IT-chefer tænke på Model Context Protocol?

Sidste november lancerede Anthropic Model Context Protocol (MCP), som oprindeligt tiltrak begrænset interesse. Selskabet lagde nyheden i en blogpost og kaldte MCP en åben standard, der skal “hjælpe med at producere bedre og mere relevante svar fra frontier-modeller”.

Men da udviklere fik mere at vide om MCP, blev det klart, hvor kraftfuldt det var. På få måneder adopterede selskaber som OpenAI, Google og Microsoft standarden. Dette førte til øget interesse for MCP, da væksten mindede om en meget populær forbrugerapp, ikke en udviklerinfrastrukturværktøj.

GitHub-repositoriet for MCP er hurtigt blevet til en livlig community. Der er i øjeblikket mere end 64.500 stjerner og omkring 7.500 forks. Så er der de tusinder af servere, der er dukket op på forskellige websteder.

Sådan en momentum er sjælden for udviklerinfrastruktur. Men det viser MCP’s betydning, da det er blevet kaldt “USB C for AI-applikationer”.

Lad os se, hvorfor denne åbne standard er blevet så populær, og hvordan IT-chefer skal tænke om det.

MCP’s fordele

Før introduktionen af MCP var det en pinefuld proces at bygge avanceret generativ AI eller agenssystemer. Hver stor sprogmodel (LLM) krævede brugerdefineret integration med hvert værktøj eller datakilde, det brugte. Dette skabte, hvad der kendes som “MxN-problemet”. Dette er, hvor M-modeller skal være manuelt forbundet til N forskellige værktøjer.

For eksempel, hvis du bruger tre forskellige LLM’er til at arbejde med ti applikationer, skal du bygge 30 separate integrationer. Dette vil ikke kun kræve betydelige ingeniørressourcer, men kodebasen vil også være svær at vedligeholde, da værktøjerne, API’erne og modellerne udvikler sig.

Men med MCP-standarden er processen betydeligt forbedret. Den giver to vigtige funktioner: kontekst og værktøjsbrug med LLM’er. Dette giver ikke kun mere relevante svar, men også forbedret nøjagtighed og produktivitet.

For eksempel kan en MCP-applikation med kontekst få adgang til en bred vifte af offentligt tilgængelige datakilder, som vejret eller finansielle data. MCP’er kan også få adgang til private datakilder som Slacks eller Jira-billetter.

Med hensyn til værktøjsbrug kan en MCP udføre handlinger som CRUD-opgaver for databaser, planlægning af begivenheder eller påmindelser eller opdateringer for CRM’er eller ERP’er.

Ud over at give standardisering for kontekst og værktøjsbrug er der andre fordele med MCP. En af dem er sikkerhed, da det understøtter OAuth-baseret autorisation. Næste er, at modellerne ikke er tæt forbundet med værktøjer eller datakilder. Med andre ord, når API’erne ændres eller et nyt værktøj adopteres, er der ingen behov for store omskrivninger.

MCP hjælper også med at forbedre styring og overholdelse, takket være centraliseringen af værktøjsbrug og datastrømme. Dette gør det lettere at gennemtvinge politikker og revisioner.

I lyset af disse fordele burde det ikke være nogen overraskelse, at MCP er blevet til et meget populært system til at bygge generativ AI og agensapplikationer.

MCP’s udfordringer

MCP har stadig brug for meget arbejde for at gøre det mere stabilt og modent. Brugergrænsefladerne er ofte klodsede og ikke intuitive. For at forbedre sikkerheden bør MCP’er have stærkt typiserede tilgange for at minimere potentielle angrebsvektorer. Lige så vigtigt er finmasket autorisation. For eksempel bør det være muligt at autorisere en MCP-server eller -agent kun til bestemte handlinger.

At opdage MCP’er er stadig et problem. Det, der er nødvendigt, er registre til at validere og certificere servere, ligesom app-butikker fungerer. Disse registre kan betjene forskellige vertikaler, som IT, sikkerhed og finans. Virksomheder er sandsynligvis til at udvikle interne registre for at give endnu mere kontrol.

Til sidst kan MCP’er have bredere implikationer, endda true businessmodeller. For eksempel kan disse systemer reducere daglige aktive brugere (DAU’er) for webapplikationer og mobile apps. Årsagen er, at AI-agenter vil udnytte MCP’er til at udføre handlinger, hvilket betyder, at der er mindre behov for menneskelige brugere at besøge platformene.

Sikkerhed som grundlag

MCP’er giver mulighed for meget hurtigere innovation. Dette er særligt vigtigt, da virksomheder står over for stigende pres for at vise konkrete resultater fra deres AI-investeringer. Men drivkraften for hastighed må ikke komme på bekostning af sikkerhed og overholdelse. At skære hjørner i disse områder kan skabe betydelige risici, da MCP’er ikke kun har adgang til følsomme data, men også kan udføre direkte handlinger med dem.

En MCP-implementering bør integrere styring, logging og revision i hvert lag. Politikkerne skal tydeligt definere, hvem der kan autorisere agenter, hvilke handlinger de er tilladt at udføre, og hvordan disse aktiviteter overvåges. Granuleret autorisation kombineret med kontinuerlig overvågning reducerer risikoen for misbrug, samtidig med at det sikrer den gennemsigtighed, der kræves for overholdelse.

Konklusion

MCP er hurtigt på vej til at blive en hjørnesten for at bygge den næste generation af generativ AI og agenssystemer. For IT-chefer repræsenterer MCP både en mulighed og en ansvar. Der er muligheden for at låse op for nye effektiviteter og funktioner, og ansvaret for at implementere det med de rigtige sikkerhedsforanstaltninger på plads.

På lang sigt vil virksomheder, der behandler sikkerhed og overholdelse som integreret, ikke valgfrit, være bedst placeret til at udnytte MCP’s fulde værdi. Ved at balancere innovation med stærk styring kan IT-chefer sikre, at deres AI-initiativer ikke kun er kraftfulde og transformative, men også troværdige, bæredygtige og robuste.