SaaS-alan seuraava taistelu käydään MCP:n yläpuolella

Model Context Protocol tarjoaa tekoälylle yhteisen tavan yhdistyä yritysohjelmistoihin. Cartan tuotejohtaja Vrushali Paunikarin mukaan suurempi haaste on ratkaista, mitä yhteyden muodostamisen jälkeen tapahtuu ja kuinka paljon työstä pitäisi jättää kielimallin tehtäväksi.

Viime vuoden aikana Model Context Protocol on noussut melko tuntemattomasta teknisestä standardista yhdeksi yritysten tekoälyn suurimmista puheenaiheista.

MCP tarjoaa tekoälysovelluksille standardoidun tavan yhdistyä ulkoisiin ohjelmistoihin, käyttää tietoja ja suorittaa toimintoja. Sen sijaan, että jokainen ohjelmistoyritys rakentaisi oman rajapinnan jokaiselle tekoälymallille, MCP tarjoaa yhteisen kielen.

MCP:tä voi ajatella seinässä olevana pistorasiana. Se on yhteinen standardi, jonka ansiosta minkä tahansa laitteen voi kytkeä pistorasiaan ja saada virtaa. Tämä on hienoa, koska standardi on avoin ja toimii kaikkialla, mutta pelkkä pistorasia ei vielä tee mitään puolestasi. Tarvitset edelleen sähkölaitteen.

Epäilen, että tulevaisuudessa katsomme nykyistä innostusta MCP:tä kohtaan pitkälti samalla tavalla kuin suhtaudumme API-rajapintojen yleistymiseen. Ne olivat perustavanlaatuisia ja muuttivat tapaa, jolla ohjelmistoja rakennettiin. Ajan myötä yhteyksistä tuli kuitenkin odotettua infrastruktuuria eikä enää itse tuote.

Suuri osa SaaS-alasta käsittelee tällä hetkellä tekoälyn liitettävyyttä ikään kuin kyseessä olisi valmis tuote. Rakenna MCP-palvelin, tuo oikeat työkalut ja tiedot saataville ja anna mallin hoitaa loput.

Joihinkin käyttötarkoituksiin se riittää. Moniin yritysten työnkulkuihin, erityisesti taloushallinnossa, se ei riitä.

MCP valtaa yhteyskerroksen

Standardointi muuttaa jo tapaa, jolla tekoälysovellukset ovat vuorovaikutuksessa ohjelmistojen kanssa. MCP:tä tukee yhä useampi merkittävä tekoälyalusta, joten käyttäjien on yhä realistisempaa työskennellä samojen taustajärjestelmien kanssa haluamastaan tekoälypalvelusta käsin.

Yhteentoimivuus ratkaisee kuitenkin käyttöoikeuksiin liittyvän ongelman, mutta ei kerro mallille, miten työ pitäisi tehdä.

Käytän paljon aikaa sellaisten ohjelmistojen pohtimiseen, joita pääomasijoitusmarkkinoiden sijoittajat ja taloustiimit käyttävät. Niiden kohdalla tämä ero tulee erityisen selvästi esiin.

Jos tekoälyjärjestelmälle annetaan esimerkiksi pääsy yksityisen rahaston tuotto- ja salkkutietoihin, näennäisen suoraviivaiseen kysymykseen voi olla useita vastaustapoja.

Yksi tapa voisi olla käyttää asianmukaista laskentamenetelmää. Toinen voisi olla oikotien valitseminen. Kolmas voisi perustua siihen, että käyttäjän pyyntö ymmärretään väärin.

Käyttäjä joutuu silloin toimimaan osittain analyytikkona, osittain kehotteiden laatijana ja osittain laadunvalvojana. Tämä ei ole luvattu vaivaton käyttökokemus.

Tuotteella pitää silti olla oma näkemys

Tässä teknologiapinon seuraava kerros alkaa kiinnostaa. Jos MCP on yhteyskerros, sen yläpuolella ovat liitännäiset ja taidot, jotka ohjaavat agenttia käyttämään yhteyttä tietyn tehtävän suorittamiseen.

Sen sijaan, että ne vain tarjoaisivat mallille pääsyn tietoihin ja toimintoihin, ne voivat koota niiden ympärille ohjeita, työnkulkuja, deterministisiä laskutoimituksia ja käyttöliittymiä.

Joskus tämä voi tarkoittaa ennalta määritellyn toimintasarjan noudattamista. Joskus taas voidaan suorittaa deterministinen laskutoimitus tai komentosarja sen sijaan, että pyydettäisiin suurta kielimallia selvittämään vastaus. Toisinaan lopputuloksena voi olla laskentataulukko, raportti tai pieni sovellus, joka on suunniteltu juuri kyseistä työnkulkua varten.

Asiantuntemus on sisäänrakennettu tuotteeseen sen sijaan, että kaikki jätettäisiin mallin varaan.

Näyttö osoittaa, että yhdistelmä toimii. Google testasi hiljattain tekoälypohjaista koodausagenttia, joka pystyi käyttämään teknistä dokumentaatiotaan MCP:n kautta. Sen jälkeen agentille annettiin lisäohjeita, joissa kerrottiin, miten näitä tietoja kannattaa hyödyntää eri tehtävissä. Yhteyden ja ohjeiden yhdistelmä saavutti Googlen arvioinnissa 96,3 prosentin läpäisyasteen ja käytti oikeaa vastausta kohden 63 prosenttia vähemmän tokeneita kuin tavanomainen kehotesyöte.

SaaS-yritysten kannalta tämä muuttaa erottumisen perustaa. Jos jokainen sovellus voi tuoda tietonsa saataville saman avoimen standardin kautta, pelkkä pääsy tietoihin ei enää erotu yhtä selvästi. Arvokkaammaksi tulee kyky muuttaa tämä pääsy luotettavaksi lopputulokseksi.

Kaikkia tehtäviä ei pidä jättää mallin hoidettaviksi

Suuret kielimallit ovat todennäköisyyspohjaisia järjestelmiä. Niiden joustavuus on hyödyksi kirjoittamisessa, asioiden tutkimisessa ja päättelyssä, mutta vähemmän houkuttelevaa työnkuluissa, joissa tarkkuus ja toistettavuus ovat tärkeitä. Taloushallinto on hyvä esimerkki: jos saman laskutoimituksen odotetaan tuottavan joka kerta sama vastaus, vaihtelu muuttuu nopeasti ongelmaksi.

Taloushallinnon ohjelmistoja on kehitetty vuosikymmenten ajan päinvastaiseen suuntaan. Tarkastusketjut, käyttöoikeudet, standardoidut laskutoimitukset ja toistettavat prosessit ovat olemassa, koska johdonmukaisuus on arvokasta.

Tekoälyn ei pidä sivuuttaa näitä oppeja. Parhaat yritysten tekoälytuotteet tietävät, milloin mallin kannattaa antaa tehdä päättelyä ja milloin sen toimintaa pitää rajata. Todennäköisyyspohjaiset järjestelmät sopivat tilanteisiin, joissa harkinnasta ja tulkinnasta on hyötyä. Deterministiset työkalut taas ovat parempi valinta silloin, kun tarvitaan tarkkuutta ja toistettavuutta.

Sama periaate pätee kaikkialla, missä väärän vastauksen hinta on korkea.

Mihin SaaS-yritysten erottautuminen seuraavaksi siirtyy

MCP:n päälle rakentuva kerros on yhä paljon vähemmän vakiintunut kuin MCP itse.

Liitännäisiin ja taitoihin on kehitetty erilaisia lähestymistapoja, mutta jo nyt pyritään tekemään niistä siirrettävämpiä eri tekoälyalustojen välillä sen sijaan, että ne sidottaisiin yhteen ekosysteemiin.

SaaS-yritysten on tehtävä valintoja jo ennen kuin kaikki standardit ovat vakiintuneet. Näin on aina ollut.

Vaihtoehtona on tarjota rajapinta ja jättää asiakkaiden tehtäväksi koota käyttökokemus itse.

Tekoäly saattaa kulkea samaa polkua. Agentin yhdistäminen yritysohjelmistoihin helpottuu kuukausi kuukaudelta. Kilpailuetu syntyy yhä enemmän siitä, mitä tapahtuu seuraavaksi: työnkuluista, hallintakeinoista ja toimialatuntemuksesta, jotka ohjaavat agenttia muuttamaan pääsyn luotettavaksi lopputulokseksi.