Η επόμενη μάχη στο SaaS ξεκινά πάνω από το MCP

Το Model Context Protocol δίνει στην τεχνητή νοημοσύνη έναν κοινό τρόπο σύνδεσης με το εταιρικό λογισμικό. Η Vrushali Paunikar, διευθύντρια προϊόντος στην Carta, υποστηρίζει ότι η μεγαλύτερη πρόκληση είναι να αποφασιστεί τι συμβαίνει αφού γίνει η σύνδεση και πόσο μεγάλο μέρος της δουλειάς πρέπει να ανατίθεται στο γλωσσικό μοντέλο.

Τον τελευταίο χρόνο, το Model Context Protocol εξελίχθηκε από ένα σχετικά άγνωστο τεχνικό πρότυπο σε μία από τις σημαντικότερες ιδέες στον χώρο της εταιρικής τεχνητής νοημοσύνης.

Το MCP παρέχει στις εφαρμογές τεχνητής νοημοσύνης έναν τυποποιημένο τρόπο σύνδεσης με εξωτερικό λογισμικό, πρόσβασης σε δεδομένα και εκτέλεσης ενεργειών. Αντί κάθε εταιρεία λογισμικού να κατασκευάζει μια ειδικά σχεδιασμένη διεπαφή για κάθε μοντέλο τεχνητής νοημοσύνης, το MCP προσφέρει μια κοινή γλώσσα.

Σκεφτείτε το MCP σαν την πρίζα στον τοίχο σας. Είναι ένα κοινό πρότυπο που επιτρέπει σε κάθε συσκευή να συνδεθεί και να τροφοδοτηθεί με ρεύμα. Είναι εξαιρετικά χρήσιμο επειδή είναι ανοιχτό και λειτουργεί παντού, αλλά από μόνη της η πρίζα δεν κάνει τίποτα για εσάς. Χρειάζεστε ακόμη μια συσκευή.

Υποψιάζομαι ότι κάποτε θα κοιτάζουμε πίσω τον σημερινό ενθουσιασμό για το MCP όπως ακριβώς βλέπουμε την άνοδο των API. Έθεσαν τα θεμέλια και άλλαξαν τον τρόπο κατασκευής του λογισμικού. Με τον καιρό, όμως, η συνδεσιμότητα έγινε αναμενόμενη υποδομή και όχι το ίδιο το προϊόν.

Μεγάλο μέρος του κλάδου του SaaS αντιμετωπίζει σήμερα τη συνδεσιμότητα της τεχνητής νοημοσύνης σαν να αποτελεί ολοκληρωμένο προϊόν. Κατασκευάστε έναν διακομιστή MCP, διαθέστε τα κατάλληλα εργαλεία και δεδομένα και αφήστε το μοντέλο να αναλάβει από εκεί και πέρα.

Για ορισμένες χρήσεις, αυτό αρκεί. Για πολλές εταιρικές ροές εργασίας, ιδίως τις χρηματοοικονομικές, δεν αρκεί.

Το MCP κερδίζει τη μάχη στο επίπεδο της συνδεσιμότητας

Η τυποποίηση αλλάζει ήδη τον τρόπο με τον οποίο οι εφαρμογές τεχνητής νοημοσύνης αλληλεπιδρούν με το λογισμικό. Το MCP υποστηρίζεται από έναν ολοένα αυξανόμενο αριθμό μεγάλων πλατφορμών τεχνητής νοημοσύνης, καθιστώντας όλο και πιο εφικτό για τους χρήστες να εργάζονται με τα ίδια υποκείμενα συστήματα, ανεξάρτητα από το περιβάλλον τεχνητής νοημοσύνης που προτιμούν.

Όμως, ενώ η διαλειτουργικότητα λύνει το πρόβλημα της πρόσβασης, δεν καθοδηγεί το μοντέλο ως προς τον τρόπο εκτέλεσης της εργασίας.

Περνώ μεγάλο μέρος του χρόνου μου σκεπτόμενη το λογισμικό που χρησιμοποιούν επενδυτές στις ιδιωτικές αγορές και ομάδες χρηματοοικονομικών, όπου αυτή η διάκριση γίνεται ιδιαίτερα σαφής.

Δώστε, για παράδειγμα, σε ένα σύστημα τεχνητής νοημοσύνης πρόσβαση στα στοιχεία απόδοσης και χαρτοφυλακίου ενός ιδιωτικού επενδυτικού ταμείου και μπορεί να υπάρχουν πολλοί τρόποι να απαντήσει σε μια ερώτηση που φαίνεται απλή.

Μια προσέγγιση μπορεί να χρησιμοποιήσει τον κατάλληλο υπολογισμό. Μια άλλη μπορεί να ακολουθήσει συντομότερο δρόμο. Μια τρίτη μπορεί να παρερμηνεύσει το ζητούμενο του χρήστη.

Έτσι, ο χρήστης αναγκάζεται να αναλάβει εν μέρει τον ρόλο του αναλυτή, εν μέρει του μηχανικού διατύπωσης εντολών και εν μέρει του ελεγκτή ποιότητας. Αυτή δεν είναι η απρόσκοπτη εμπειρία που είχε υποσχεθεί.

Το προϊόν εξακολουθεί να χρειάζεται άποψη

Εδώ αποκτά ενδιαφέρον το επόμενο επίπεδο της στοίβας. Αν το MCP είναι το επίπεδο συνδεσιμότητας, τα πρόσθετα και οι δεξιότητες βρίσκονται από πάνω του και καθοδηγούν τον πράκτορα ως προς τον τρόπο χρήσης αυτής της σύνδεσης για την ολοκλήρωση μιας συγκεκριμένης εργασίας.

Αντί απλώς να παρέχουν σε ένα μοντέλο πρόσβαση σε δεδομένα και λειτουργίες, μπορούν να συγκεντρώνουν γύρω τους οδηγίες, ροές εργασίας, ντετερμινιστικούς υπολογισμούς και διεπαφές.

Μερικές φορές αυτό μπορεί να σημαίνει την τήρηση μιας προκαθορισμένης ακολουθίας ενεργειών. Άλλες φορές μπορεί να σημαίνει την εκτέλεση ενός ντετερμινιστικού υπολογισμού ή ενός σεναρίου, αντί να ζητηθεί από ένα LLM να βρει την απάντηση. Σε άλλες περιπτώσεις, το τελικό αποτέλεσμα μπορεί να είναι ένα υπολογιστικό φύλλο, μια αναφορά ή μια μικρή εφαρμογή, σχεδιασμένη ειδικά για τη συγκεκριμένη ροή εργασίας.

Η τεχνογνωσία ενσωματώνεται στο προϊόν, αντί να επαφίεται εξ ολοκλήρου στο μοντέλο.

Τα στοιχεία δείχνουν ότι ο συνδυασμός λειτουργεί. Η Google δοκίμασε πρόσφατα έναν πράκτορα τεχνητής νοημοσύνης για προγραμματισμό, ο οποίος μπορούσε να αποκτά πρόσβαση στην τεχνική τεκμηρίωσή της μέσω MCP, και στη συνέχεια του έδωσε πρόσθετες, ειδικές για την εκάστοτε εργασία οδηγίες που εξηγούσαν πώς να αξιοποιήσει καλύτερα αυτές τις πληροφορίες. Ο συνδυασμός της σύνδεσης με τις οδηγίες αυτές πέτυχε ποσοστό επιτυχίας 96.3% στην αξιολόγηση της Google, ενώ χρησιμοποίησε 63% λιγότερα διακριτικά ανά σωστή απάντηση από ό,τι η τυπική διατύπωση εντολών.

Για τις εταιρείες SaaS, αυτό αλλάζει το σημείο στο οποίο βασίζεται η διαφοροποίηση. Αν κάθε εφαρμογή μπορεί να διαθέτει δεδομένα μέσω του ίδιου ανοιχτού προτύπου, η ίδια η πρόσβαση γίνεται λιγότερο ξεχωριστό πλεονέκτημα. Μεγαλύτερη αξία αποκτά η ικανότητα να μετατρέπεται αυτή η πρόσβαση σε αξιόπιστο αποτέλεσμα.

Δεν πρέπει να ανατίθεται κάθε εργασία στο μοντέλο

Τα μεγάλα γλωσσικά μοντέλα είναι πιθανοκρατικά συστήματα. Η ευελιξία που τα καθιστά χρήσιμα για τη συγγραφή, τη διερεύνηση και τη συλλογιστική είναι λιγότερο επιθυμητή σε ροές εργασίας όπου έχουν σημασία η ακρίβεια και η επαναληψιμότητα. Τα χρηματοοικονομικά αποτελούν χαρακτηριστικό παράδειγμα: αν κάποιος περιμένει ότι ο ίδιος υπολογισμός θα δίνει κάθε φορά την ίδια απάντηση, οι αποκλίσεις γρήγορα γίνονται πρόβλημα.

Το χρηματοοικονομικό λογισμικό εξελίσσεται επί δεκαετίες προς την αντίθετη κατεύθυνση. Τα ίχνη ελέγχου, τα δικαιώματα πρόσβασης, οι τυποποιημένοι υπολογισμοί και οι επαναλήψιμες διαδικασίες υπάρχουν επειδή η συνέπεια έχει αξία.

Η τεχνητή νοημοσύνη δεν πρέπει να αγνοήσει αυτά τα διδάγματα. Τα ισχυρότερα προϊόντα εταιρικής τεχνητής νοημοσύνης θα ξέρουν πότε να αφήνουν ένα μοντέλο να συλλογίζεται και πότε να θέτουν περιορισμούς στη λειτουργία του. Τα πιθανοκρατικά συστήματα είναι κατάλληλα όταν χρειάζονται κρίση και ερμηνεία. Τα ντετερμινιστικά εργαλεία είναι καταλληλότερα όταν απαιτούνται ακρίβεια και επαναληψιμότητα.

Η ίδια αρχή ισχύει παντού όπου το κόστος μιας λανθασμένης απάντησης είναι υψηλό.

Πού θα μετατοπιστεί στη συνέχεια η διαφοροποίηση στο SaaS

Το επίπεδο που διαμορφώνεται πάνω από το MCP παραμένει πολύ λιγότερο εδραιωμένο από το ίδιο το MCP.

Έχουν εμφανιστεί διαφορετικές προσεγγίσεις για τα πρόσθετα και τις δεξιότητες, αλλά ήδη καταβάλλονται προσπάθειες ώστε να είναι πιο φορητά μεταξύ πλατφορμών τεχνητής νοημοσύνης, αντί να περιορίζονται σε ένα μόνο οικοσύστημα.

Οι εταιρείες SaaS θα πρέπει και πάλι να κάνουν επιλογές προτού οριστικοποιηθεί κάθε πρότυπο. Πάντα έτσι γινόταν.

Η εναλλακτική είναι να διαθέτουν ένα περιβάλλον διεπαφής και να αφήνουν τους πελάτες να διαμορφώνουν μόνοι τους την εμπειρία.

Η τεχνητή νοημοσύνη ενδέχεται να ακολουθήσει την ίδια πορεία. Η σύνδεση ενός πράκτορα με εταιρικό λογισμικό γίνεται ευκολότερη μήνα με τον μήνα. Το πλεονέκτημα θα βρίσκεται όλο και περισσότερο σε ό,τι ακολουθεί: στις ροές εργασίας, στους ελέγχους και στην εξειδικευμένη γνώση του τομέα που καθοδηγούν τον πράκτορα ώστε να μετατρέπει την πρόσβαση σε αξιόπιστο αποτέλεσμα.