SaaS की अगली जंग MCP से आगे शुरू होती है

Model Context Protocol AI को उद्यम सॉफ़्टवेयर से जुड़ने का एक साझा तरीका दे रहा है। Carta की मुख्य उत्पाद अधिकारी Vrushali Paunikar का तर्क है कि बड़ी चुनौती यह तय करना है कि कनेक्शन बनने के बाद क्या होगा और काम का कितना हिस्सा भाषा मॉडल पर छोड़ा जाना चाहिए।

पिछले एक साल में Model Context Protocol अपेक्षाकृत अनजान तकनीकी मानक से बढ़कर उद्यम AI के सबसे बड़े विचारों में से एक बन गया है।

MCP, AI ऐप्लिकेशनों को बाहरी सॉफ़्टवेयर से जुड़ने, डेटा तक पहुँचने और कार्रवाइयाँ करने का एक मानक तरीका देता है। हर सॉफ़्टवेयर कंपनी को हर AI मॉडल के लिए अलग इंटरफ़ेस बनाने की ज़रूरत के बजाय, MCP एक साझा भाषा उपलब्ध कराता है।

MCP को दीवार के बिजली के सॉकेट की तरह समझें। यह एक साझा मानक है, जिससे कोई भी उपकरण जुड़कर बिजली पा सकता है। यह इसलिए उपयोगी है क्योंकि यह खुला है और हर जगह काम करता है, लेकिन सॉकेट अपने आप आपके लिए कुछ नहीं करता। आपको अब भी किसी उपकरण की ज़रूरत होती है।

मुझे लगता है कि एक दिन हम MCP को लेकर मौजूदा उत्साह को उसी तरह देखेंगे, जैसे आज हम API के उभार को देखते हैं। APIs बुनियादी थीं और उन्होंने सॉफ़्टवेयर बनाने का तरीका बदल दिया। लेकिन समय के साथ, कनेक्टिविटी उत्पाद के बजाय अपेक्षित बुनियादी ढाँचा बन गई।

फ़िलहाल SaaS उद्योग का बड़ा हिस्सा AI कनेक्टिविटी को ऐसे देख रहा है, मानो वही एक संपूर्ण उत्पाद हो। MCP सर्वर बनाएँ, सही टूल और डेटा उपलब्ध कराएँ और फिर मॉडल को आगे का काम करने दें।

कुछ उपयोगों के लिए इतना काफ़ी है। लेकिन उद्यमों के कई कार्यप्रवाहों में, ख़ासकर वित्तीय कार्यप्रवाहों में, यह काफ़ी नहीं है।

कनेक्शन परत में MCP आगे है

मानकीकरण पहले ही बदल रहा है कि AI ऐप्लिकेशन सॉफ़्टवेयर के साथ कैसे संवाद करते हैं। कई प्रमुख AI प्लेटफ़ॉर्म पर MCP का समर्थन बढ़ रहा है, जिससे उपयोगकर्ताओं के लिए अपनी पसंद के किसी भी AI इंटरफ़ेस से उन्हीं अंतर्निहित प्रणालियों के साथ काम करना लगातार अधिक व्यावहारिक होता जा रहा है।

लेकिन जहाँ अंतरसंचालनीयता पहुँच की समस्या हल करती है, वहीं यह मॉडल को नहीं बताती कि काम कैसे किया जाना चाहिए।

मैं अपना काफ़ी समय निजी बाज़ारों के निवेशकों और वित्त टीमों द्वारा इस्तेमाल किए जाने वाले सॉफ़्टवेयर के बारे में सोचने में बिताता हूँ, जहाँ यह अंतर विशेष रूप से स्पष्ट हो जाता है।

उदाहरण के लिए, किसी AI प्रणाली को निजी फ़ंड के प्रदर्शन और पोर्टफ़ोलियो के डेटा तक पहुँच दें, तो एक सीधा-सादा लगने वाला सवाल कई तरीकों से हल किया जा सकता है।

एक तरीका उपयुक्त गणना का इस्तेमाल कर सकता है। दूसरा, कोई छोटा रास्ता अपना सकता है। तीसरा, उपयोगकर्ता की माँग को गलत समझ सकता है।

इसके बाद उपयोगकर्ता को कुछ हद तक विश्लेषक, कुछ हद तक प्रॉम्प्ट इंजीनियर और कुछ हद तक गुणवत्ता नियंत्रक बनना पड़ता है। यह वह सहज अनुभव नहीं है जिसका वादा किया गया था।

उत्पाद को अब भी एक स्पष्ट दृष्टिकोण देना होगा

यहीं तकनीकी ढाँचे की अगली परत दिलचस्प हो जाती है। अगर MCP कनेक्शन परत है, तो प्लगइन और कौशल उससे ऊपर आते हैं और एजेंट को बताते हैं कि किसी ख़ास काम को पूरा करने के लिए उस कनेक्शन का इस्तेमाल कैसे करना है।

वे मॉडल के सामने केवल डेटा और फ़ंक्शन उपलब्ध कराने के बजाय, उनके इर्द-गिर्द निर्देश, कार्यप्रवाह, नियतात्मक गणनाएँ और इंटरफ़ेस तैयार कर सकते हैं।

कभी इसका मतलब कार्रवाइयों के तय क्रम का पालन करना हो सकता है। कभी इसका मतलब जवाब निकालने के लिए एलएलएम से कहने के बजाय नियतात्मक गणना या स्क्रिप्ट चलाना हो सकता है। अन्य मामलों में, इसका नतीजा उस कार्यप्रवाह के लिए विशेष रूप से तैयार की गई स्प्रेडशीट, रिपोर्ट या छोटा ऐप्लिकेशन हो सकता है।

विशेषज्ञता उत्पाद में निहित होती है, उसे पूरी तरह मॉडल पर नहीं छोड़ा जाता।

सबूत बताते हैं कि यह मेल कारगर है। Google ने हाल ही में एक AI कोडिंग एजेंट का परीक्षण किया, जो MCP के ज़रिए उसके तकनीकी दस्तावेज़ों तक पहुँच सकता था। इसके बाद एजेंट को अतिरिक्त, काम-विशेष के निर्देश दिए गए, जिनमें बताया गया था कि उस जानकारी का सबसे अच्छा इस्तेमाल कैसे करना है। कनेक्शन को इन निर्देशों के साथ जोड़ने पर Google के मूल्यांकन में 96.3% सफलता दर हासिल हुई, जबकि हर सही जवाब के लिए सामान्य प्रॉम्प्टिंग की तुलना में 63% कम टोकन इस्तेमाल हुए।

SaaS कंपनियों के लिए इससे प्रतिस्पर्धात्मक बढ़त का ठिकाना बदल जाता है। अगर हर ऐप्लिकेशन एक ही खुले मानक के ज़रिए डेटा उपलब्ध करा सकता है, तो केवल पहुँच का होना कम विशिष्ट रह जाता है। उस पहुँच को भरोसेमंद नतीजे में बदलने का तरीका जानना अधिक मूल्यवान हो जाता है।

हर काम मॉडल पर नहीं छोड़ा जाना चाहिए

बड़े भाषा मॉडल संभाव्यतामूलक प्रणालियाँ हैं। लेखन, खोजबीन और तर्क के लिए इन्हें उपयोगी बनाने वाला लचीलापन उन कार्यप्रवाहों में कम आकर्षक है जहाँ सटीकता और दोहराव योग्य नतीजे मायने रखते हैं। वित्त इसका अच्छा उदाहरण है: अगर किसी को उम्मीद है कि एक ही गणना हर बार एक ही जवाब देगी, तो नतीजों में बदलाव जल्द ही समस्या बन जाता है।

वित्तीय सॉफ़्टवेयर ने दशकों तक इससे उलटी दिशा में प्रगति की है। ऑडिट ट्रेल, अनुमतियाँ, मानकीकृत गणनाएँ और दोहराई जा सकने वाली प्रक्रियाएँ इसलिए मौजूद हैं क्योंकि एकरूपता मूल्यवान है।

AI को इन सीखों को नज़रअंदाज़ नहीं करना चाहिए। उद्यमों के लिए सबसे मज़बूत AI उत्पादों को पता होगा कि मॉडल को कब तर्क करने देना है और कब उस पर सीमाएँ लगानी हैं। जहाँ निर्णय और व्याख्या उपयोगी हों, वहाँ संभाव्यतामूलक प्रणालियाँ उपयुक्त हैं। जहाँ सटीकता और दोहराव योग्य नतीजे ज़रूरी हों, वहाँ नियतात्मक टूल अधिक उपयुक्त हैं।

यही सिद्धांत उन सभी मामलों में लागू होता है जहाँ गलत जवाब देने की कीमत बहुत अधिक होती है।

SaaS में अगला अंतर कहाँ उभरेगा

MCP के ऊपर विकसित की जा रही परत अभी MCP की तुलना में कहीं कम स्थापित है।

प्लगइन और स्किल बनाने के अलग-अलग तरीके सामने आए हैं, लेकिन उन्हें किसी एक इकोसिस्टम तक सीमित रखने के बजाय AI प्लेटफ़ॉर्मों के बीच अधिक पोर्टेबल बनाने के प्रयास पहले से ही जारी हैं।

हर मानक के तय होने से पहले ही SaaS कंपनियों को चुनाव करने होंगे। उन्हें हमेशा से ऐसा करना पड़ा है।

दूसरा विकल्प यह है कि एक इंटरफ़ेस उपलब्ध करा दिया जाए और ग्राहकों को अनुभव खुद तैयार करने के लिए छोड़ दिया जाए।

AI भी शायद इसी राह पर चले। किसी एजेंट को एंटरप्राइज़ सॉफ़्टवेयर से जोड़ना हर महीने आसान होता जा रहा है। बढ़त अब इस बात से तय होगी कि उसके बाद क्या होता है: वे वर्कफ़्लो, नियंत्रण और क्षेत्र-विशेष की विशेषज्ञता, जो एजेंट को बताती है कि पहुँच का इस्तेमाल करके भरोसेमंद नतीजा कैसे हासिल करना है।