La prossima battaglia nel SaaS si gioca oltre MCP

Il Model Context Protocol offre all’IA un modo comune per connettersi ai software aziendali. Vrushali Paunikar, direttrice di prodotto di Carta, sostiene che la sfida più grande consista nel decidere cosa succede una volta stabilita la connessione e quanta parte del lavoro affidare al modello linguistico.

Nell’ultimo anno, il Model Context Protocol è passato dall’essere uno standard tecnico relativamente poco conosciuto a una delle idee più importanti nell’ambito dell’IA aziendale.

MCP offre alle applicazioni di IA un modo standard per connettersi a software esterni, accedere ai dati ed eseguire azioni. Invece di creare un’interfaccia su misura per ogni modello di IA, ciascuna azienda software può affidarsi a MCP, un linguaggio comune.

Si può pensare a MCP come alla presa elettrica nel muro: è uno standard comune che consente a qualsiasi dispositivo di collegarsi e ricevere corrente. È un’ottima soluzione perché è aperta e funziona ovunque, ma la presa, da sola, non fa nulla. Serve comunque un apparecchio.

Sospetto che un giorno guarderemo all’attuale entusiasmo per MCP più o meno come guardiamo all’ascesa delle API. Sono state fondamentali e hanno cambiato il modo di sviluppare il software. Col tempo, però, la connettività è diventata un’infrastruttura data per scontata, anziché il prodotto stesso.

Attualmente, gran parte del settore SaaS tratta la connettività dell’IA come se fosse un prodotto finito. Si crea un server MCP, si rendono disponibili gli strumenti e i dati giusti e poi si lascia che il modello faccia il resto.

Per alcuni casi d’uso è sufficiente. Per molti flussi di lavoro aziendali, in particolare quelli finanziari, non lo è.

MCP si sta affermando come livello di connessione

La standardizzazione sta già cambiando il modo in cui le applicazioni di IA interagiscono con il software. MCP è supportato da un numero crescente di importanti piattaforme di IA, rendendo sempre più realistico per gli utenti lavorare con gli stessi sistemi sottostanti dall’interfaccia di IA che preferiscono.

Ma, sebbene l’interoperabilità risolva il problema dell’accesso, non dice al modello come svolgere il lavoro.

Dedico gran parte del mio tempo a riflettere sui software utilizzati dagli investitori nei mercati privati e dai team finanziari, ambiti in cui questa distinzione è particolarmente evidente.

Per esempio, se si concede a un sistema di IA l’accesso ai dati sulle performance e sul portafoglio di un fondo privato, potrebbe esserci più di un modo per rispondere a quella che sembra una domanda semplice.

Un approccio potrebbe prevedere il calcolo appropriato. Un altro potrebbe ricorrere a una scorciatoia. Un terzo potrebbe fraintendere la richiesta dell’utente.

L’utente è quindi costretto a improvvisarsi analista, esperto di prompt e responsabile del controllo qualità. Non è l’esperienza senza attriti promessa.

Il prodotto deve comunque avere una sua visione

È qui che il livello successivo dello stack diventa interessante. Se MCP è il livello di connessione, plugin e competenze si collocano al di sopra e indicano all’agente come usare quella connessione per portare a termine un’attività specifica.

Invece di limitarsi a esporre dati e funzioni a un modello, possono integrare istruzioni, flussi di lavoro, calcoli deterministici e interfacce.

A volte questo può voler dire seguire una sequenza di azioni prestabilita. Altre volte può significare eseguire un calcolo deterministico o uno script, invece di chiedere a un modello linguistico di grandi dimensioni di elaborare la risposta. In altri casi, il risultato finale potrebbe essere un foglio di calcolo, un report o una piccola applicazione progettata appositamente per quel flusso di lavoro.

L’esperienza risiede nel prodotto, invece di essere affidata interamente al modello.

Le prove dimostrano che questa combinazione funziona. Google ha testato di recente un agente di programmazione basato sull’IA che poteva accedere alla documentazione tecnica dell’azienda tramite MCP; gli sono state poi fornite ulteriori istruzioni specifiche per l’attività, che spiegavano come usare al meglio quelle informazioni. L’unione della connessione con tali istruzioni ha raggiunto un tasso di superamento del 96.3% nella valutazione di Google, utilizzando il 63% di token in meno per ogni risposta corretta rispetto ai prompt standard.

Per le aziende SaaS, questo sposta il punto in cui si crea la differenziazione. Se ogni applicazione può esporre i dati tramite lo stesso standard aperto, l’accesso in sé diventa meno distintivo. Acquista invece più valore la capacità di trasformare quell’accesso in un risultato affidabile.

Non tutte le attività dovrebbero essere affidate al modello

I modelli linguistici di grandi dimensioni sono sistemi probabilistici. La flessibilità che li rende utili per la scrittura, l’esplorazione e il ragionamento è meno apprezzabile nei flussi di lavoro in cui contano accuratezza e ripetibilità. La finanza è un buon esempio: se ci si aspetta che lo stesso calcolo produca ogni volta la stessa risposta, le variazioni diventano presto un problema.

Da decenni, il software finanziario si evolve nella direzione opposta. Le tracce di controllo, le autorizzazioni, i calcoli standardizzati e i processi ripetibili esistono perché la coerenza è importante.

L’IA non dovrebbe ignorare queste lezioni. I migliori prodotti di IA aziendale sapranno quando lasciare che un modello ragioni e quando limitarlo. I sistemi probabilistici sono indicati quando sono utili il giudizio e l’interpretazione. Gli strumenti deterministici sono più adatti quando servono precisione e ripetibilità.

Lo stesso principio vale ovunque il costo di una risposta sbagliata sia elevato.

Dove si sposterà la differenziazione nel SaaS

Il livello che si sta costruendo sopra MCP è ancora molto meno definito rispetto a MCP stesso.

Sono emersi diversi approcci ai plugin e alle competenze, ma sono già in corso iniziative per renderli più portabili tra le piattaforme di IA, anziché vincolarli a un unico ecosistema.

Le aziende SaaS dovranno comunque fare delle scelte prima che tutti gli standard siano definiti. È sempre stato così.

L’alternativa è esporre un’interfaccia e lasciare che siano i clienti ad assemblare l’esperienza da soli.

L’IA potrebbe seguire lo stesso percorso. Collegare un agente ai software aziendali diventa ogni mese più semplice. Il vantaggio risiederà sempre più in ciò che accade dopo: i flussi di lavoro, i controlli e le competenze specifiche del settore che indicano all’agente come trasformare l’accesso in un risultato affidabile.