Pertarungan Berikutnya di SaaS Dimulai di Atas MCP

Model Context Protocol memberi AI cara umum untuk terhubung dengan perangkat lunak perusahaan. Vrushali Paunikar, Direktur Produk Carta, berpendapat bahwa tantangan yang lebih besar adalah menentukan apa yang terjadi setelah koneksi terjalin dan seberapa besar porsi pekerjaan yang sebaiknya diserahkan kepada model bahasa.

Selama setahun terakhir, Model Context Protocol beralih dari standar teknis yang relatif kurang dikenal menjadi salah satu gagasan terbesar dalam AI perusahaan.

MCP memberi aplikasi AI cara standar untuk terhubung ke perangkat lunak eksternal, mengakses data, dan melakukan tindakan. Alih-alih setiap perusahaan perangkat lunak membangun antarmuka khusus untuk setiap model AI, MCP menyediakan bahasa yang sama.

Bayangkan MCP sebagai stopkontak di dinding. Ini adalah standar umum yang memungkinkan perangkat apa pun tersambung dan memperoleh daya. Keunggulannya, standar ini terbuka dan dapat digunakan di mana saja, tetapi stopkontak saja tidak bisa melakukan apa pun untuk Anda. Anda tetap memerlukan perangkat.

Saya menduga suatu saat nanti kita akan mengenang antusiasme saat ini terhadap MCP dengan cara yang sama seperti kita memandang kebangkitan API. API menjadi fondasi dan mengubah cara perangkat lunak dibangun. Namun, seiring waktu, konektivitas menjadi infrastruktur yang dianggap sudah semestinya tersedia, bukan lagi produknya sendiri.

Saat ini, sebagian besar industri SaaS memperlakukan konektivitas AI seolah-olah sudah menjadi produk yang utuh. Bangun server MCP, sediakan alat dan data yang tepat, lalu biarkan model melanjutkan dari situ.

Untuk sebagian penggunaan, itu sudah cukup. Namun, untuk banyak alur kerja perusahaan, terutama di bidang keuangan, itu tidak cukup.

MCP Unggul di Lapisan Koneksi

Standardisasi sudah mengubah cara aplikasi AI berinteraksi dengan perangkat lunak. MCP didukung oleh semakin banyak platform AI utama sehingga pengguna semakin mungkin bekerja dengan sistem dasar yang sama melalui antarmuka AI mana pun yang mereka pilih.

Namun, meskipun interoperabilitas mengatasi masalah akses, hal itu tidak memberi tahu model cara menyelesaikan pekerjaan.

Sebagian besar waktu saya digunakan untuk memikirkan perangkat lunak yang dipakai investor pasar privat dan tim keuangan; di sinilah perbedaan ini menjadi sangat jelas.

Misalnya, berikan akses kepada sistem AI ke data kinerja dan portofolio sebuah dana privat, lalu mungkin ada beberapa cara untuk menjawab pertanyaan yang terdengar sederhana.

Satu pendekatan mungkin menggunakan perhitungan yang tepat. Pendekatan lain mungkin mengambil jalan pintas. Pendekatan ketiga mungkin salah memahami permintaan pengguna.

Pengguna pun terpaksa merangkap sebagai analis, perancang prompt, dan pengendali mutu. Ini bukan pengalaman tanpa hambatan seperti yang dijanjikan.

Produk Tetap Membutuhkan Pandangan

Di sinilah lapisan berikutnya dalam tumpukan teknologi menjadi menarik. Jika MCP adalah lapisan koneksi, plugin dan keterampilan berada di atasnya untuk memberi tahu agen cara menggunakan koneksi tersebut guna menyelesaikan tugas tertentu.

Alih-alih sekadar menyajikan data dan fungsi kepada model, keduanya dapat merangkum instruksi, alur kerja, perhitungan deterministik, dan antarmuka di sekelilingnya.

Terkadang, ini berarti mengikuti urutan tindakan yang telah ditentukan. Terkadang, ini berarti menjalankan perhitungan atau skrip deterministik alih-alih meminta model bahasa besar (LLM) mencari jawabannya. Dalam kasus lain, hasil akhirnya bisa berupa lembar kerja, laporan, atau aplikasi kecil yang dirancang khusus untuk alur kerja tersebut.

Keahlian ada di dalam produk, bukan sepenuhnya diserahkan kepada model.

Bukti menunjukkan bahwa kombinasi ini berhasil. Google baru-baru ini menguji agen pengodean AI yang dapat mengakses dokumentasi teknis Google melalui MCP, lalu memberinya instruksi tambahan khusus untuk tugas tersebut tentang cara terbaik menggunakan informasi itu. Menggabungkan koneksi dengan instruksi tersebut menghasilkan tingkat kelulusan 96.3% dalam evaluasi Google, sekaligus menggunakan 63% lebih sedikit token untuk setiap jawaban yang benar dibandingkan dengan pemberian prompt standar.

Bagi perusahaan SaaS, hal ini mengubah letak keunggulan pembeda. Jika setiap aplikasi dapat menyediakan data melalui standar terbuka yang sama, akses itu sendiri menjadi kurang istimewa. Kemampuan mengubah akses tersebut menjadi hasil yang andal menjadi lebih bernilai.

Tidak Semua Tugas Sebaiknya Diserahkan kepada Model

Model bahasa besar adalah sistem probabilistik. Fleksibilitas yang membuatnya berguna untuk menulis, menjelajah, dan bernalar kurang cocok untuk alur kerja yang mengutamakan akurasi dan konsistensi hasil. Keuangan adalah contoh yang tepat: jika seseorang mengharapkan perhitungan yang sama menghasilkan jawaban yang sama setiap kali, variasi akan segera menjadi masalah.

Selama puluhan tahun, perangkat lunak keuangan bergerak ke arah yang berlawanan. Jejak audit, izin akses, perhitungan terstandardisasi, dan proses yang dapat diulang dibuat karena konsistensi itu bernilai.

AI tidak seharusnya mengabaikan pelajaran tersebut. Produk AI perusahaan terbaik akan tahu kapan harus membiarkan model bernalar dan kapan harus membatasinya. Sistem probabilistik tepat digunakan ketika penilaian dan interpretasi berguna. Alat deterministik lebih tepat ketika presisi dan konsistensi hasil diperlukan.

Prinsip yang sama berlaku di mana pun biaya akibat memberikan jawaban yang salah tergolong tinggi.

Ke Mana Diferensiasi SaaS Bergerak Selanjutnya

Lapisan yang dibangun di atas MCP masih jauh lebih belum mapan dibandingkan MCP itu sendiri.

Berbagai pendekatan terhadap plugin dan keterampilan telah muncul, tetapi upaya untuk membuatnya lebih mudah dipindahkan antarplatform AI—alih-alih menguncinya dalam satu ekosistem—sudah berlangsung.

Perusahaan SaaS tetap harus menentukan pilihan sebelum semua standar mencapai kemapanan. Sejak dulu pun mereka selalu harus melakukannya.

Alternatifnya adalah menyediakan antarmuka dan membiarkan pelanggan merangkai sendiri pengalaman yang mereka inginkan.

AI mungkin akan menempuh jalur yang sama. Menghubungkan agen dengan perangkat lunak perusahaan semakin mudah dari bulan ke bulan. Keunggulan akan semakin ditentukan oleh apa yang terjadi selanjutnya: alur kerja, kontrol, dan keahlian di bidang terkait yang memberi tahu agen cara mengubah akses menjadi hasil yang andal.