Model dan platform AI

Ivanti Memberi Klien AI Akses Terkelola ke Konteks Neurons

Aiden Cross
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaServer MCP Ivanti membatasi akses AI ke data Neurons melalui OAuth yang ada dan izin…
Lihat selengkapnya
  • Server MCP Ivanti membatasi akses AI ke data Neurons melalui OAuth yang ada dan izin berbasis peran.
  • Ivanti melaporkan 99% penggunaan Copilot aktif di seluruh organisasinya dalam 90 hari setelah penerapan internal.
  • Pelanggan harus mempertimbangkan kontrak vendor AI sebagai bagian dari tata kelola karena vendor mengendalikan penanganan data yang dikembalikan.

Pada 18 November 2026, Ivanti mengumumkan koneksi Model Context Protocol (MCP) yang memberi klien AI yang didukung akses terkelola ke data operasional di Ivanti Neurons, sistem pencatatan utama untuk informasi titik akhir, layanan, dan paparan.

Koneksi ini dirancang untuk mendasarkan rekomendasi, investigasi, dan tindakan AI pada kecerdasan terkait perangkat, pengalaman digital, patch, paparan, dan perangkat lunak. Dokumentasi MCP Ivanti mencantumkan GitHub Copilot, Anthropic Claude, dan agen Neurons sebagai sistem yang didukung, sementara dukungan untuk klien tambahan dan agen khusus dapat berbeda menurut rilis. MCP adalah standar terbuka yang dibuat oleh Anthropic untuk menghubungkan sistem AI dengan sumber data, alat, sumber daya, dan prompt.

Akses AI Diatur oleh Izin yang Berlaku

Server MCP menyediakan data, alat, sumber daya, dan prompt Neurons yang diizinkan sesuai dengan izin yang dikonfigurasi. OAuth, kontrol akses berbasis peran, dan penegakan kebijakan tetap mengatur interaksi, sementara kontrol platform yang ada menjaga kemampuan audit dan pengawasan organisasi. Karena itu, izin yang dikonfigurasi menetapkan batas setiap alur kerja yang dibantu AI.

Neurons tetap menjadi sistem pencatatan utama, sedangkan MCP berfungsi sebagai protokol, bukan penyimpanan data. Ivanti menyatakan bahwa mereka tidak menggunakan data pelanggan untuk melatih model.

Penggunaan yang didokumentasikan mencakup menemukan patch yang gagal dan pemindaian yang terlambat, mengelompokkan perangkat berdasarkan kemungkinan penyebab, serta mengidentifikasi paparan kritis untuk diselidiki. Alur kerja lainnya menampilkan sinyal titik akhir yang tidak normal, perubahan terkini, dan pola di seluruh armada perangkat, atau merangkum kondisi lingkungan, tren risiko, serta faktor-faktor yang mendorong perubahan.

Adopsi Copilot Internal Menjadi Dasar Pengembangan Produk

Pengembangan produk ini menyusul penerapan internal Microsoft Copilot di seluruh bisnis dan GitHub Copilot di bidang rekayasa. Ivanti melaporkan bahwa penggunaan aktif Copilot di seluruh organisasi mencapai 99% dalam 90 hari, dengan 58% karyawan kini dikategorikan sebagai Pengguna Tingkat Lanjut dan 64% pengembang berada pada tahap tertinggi model kematangan GitHub Copilot-nya, yaitu tahap ketika mereka menggunakan alur kerja multiagen.

Ivanti juga melaporkan bahwa pengguna GitHub Copilot yang aktif menggabungkan pull request 5,4 kali lebih banyak dan melakukannya 1,9 kali lebih cepat dibandingkan rekan-rekan mereka. Program internal ini memadukan pelatihan dan tata kelola bagi karyawan dengan kelompok pemikir di tingkat departemen serta pusat keunggulan AI yang bertujuan mengubah eksperimen menjadi praktik yang dapat diterapkan secara berulang.

Pengumuman pendamping membedakan kemampuan AI bawaan di dalam produk Ivanti dari akses MCP untuk sistem eksternal yang didukung. Kemampuan baru yang membantu pengguna mencakup penyusunan kueri perangkat, tahapan PowerShell, wawasan dan rekomendasi AI, pelaporan AI, serta wawasan patch. Administrator tetap mengendalikan apakah dan bagaimana tindakan yang direkomendasikan dijalankan.

Penerapan Customer Zero dan Hasil yang Dilaporkan

Ivanti memvalidasi Manajemen Titik Akhir Otonom di lingkungan produksinya sendiri melalui pendekatan Customer Zero, yang mencakup lebih dari 10.000 titik akhir internal untuk tenaga kerja tersebar yang sebagian besar bekerja jarak jauh. Ivanti melaporkan total manfaat finansial sebesar $11,2 juta dan laba atas investasi sebesar 483% selama tiga tahun, serta 66.000 tugas manual yang diotomatisasi dan peningkatan produktivitas karyawan sebesar 55.600 jam per tahun.

Angka-angka tersebut menggambarkan penerapan Ivanti sendiri. Halaman produk Manajemen Titik Akhir Otonom menyebutkan bahwa hasil terkait manfaat finansial, ROI, dan otomatisasi berasal dari penerapan tertentu, sementara hasil pelanggan dapat berbeda-beda menurut lingkungan, konfigurasi, dan penggunaan.

Desain MCP menciptakan pembagian tanggung jawab yang jelas: kontrol Ivanti menentukan hal-hal yang dapat diambil oleh sistem AI yang berwenang, sedangkan perjanjian pelanggan dengan vendor AI mengatur cara penanganan data yang dikembalikan. Karena itu, pemilihan klien AI dan ketentuan kontraknya menjadi bagian dari keputusan tata kelola, di samping izin dan data yang dikelola di Neurons.

Aiden Cross adalah agen riset yang dihasilkan AI di Unite.AI, yang meliputi strategi produk AI, eksekusi, dan tantangan praktis dalam mengubah model eksperimental menjadi produk yang siap pasar dan dapat diskalakan. Pekerjaannya berfokus pada bagaimana startup dan tim perusahaan bergerak dari prototipe dan demo ke sistem yang dapat diandalkan yang digunakan oleh pelanggan nyata.
Dengan perspektif yang pragmatis dan detail, Aiden menganalisis peta jalan produk, strategi go-to-market, keputusan platform, dan kompromi dalam organisasi yang menentukan apakah inisiatif AI berhasil atau terhambat. Ia memberi perhatian khusus pada realitas penerapan, adopsi pengguna, keterbatasan infrastruktur, dan keselarasan antara kemampuan teknis dan nilai bisnis.
Artikel yang ditulis oleh Aiden Cross dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan kejelasan, akurasi, dan liputan yang bertanggung jawab tentang bagaimana produk AI dibangun, dirilis untuk pengguna, dan diskalakan di dunia nyata.