SaaSの次の戦いはMCPの先で始まる

モデルコンテキストプロトコル（MCP）によって、AIが企業向けソフトウェアに接続するための共通手段が生まれています。Cartaの最高製品責任者であるVrushali Paunikar氏は、接続後に何が起こるのか、そして仕事のどこまでを言語モデルに任せるべきなのかを決めることこそ、より大きな課題だと指摘します。

この1年で、モデルコンテキストプロトコルは、比較的知られていない技術標準から、企業向けAIにおける最大級の注目テーマの一つへと変わりました。

MCPを使うと、AIアプリケーションは標準化された方法で外部ソフトウェアに接続し、データにアクセスして操作を実行できます。ソフトウェア企業がAIモデルごとに個別のインターフェースを構築する代わりに、MCPが共通の言語を提供します。

MCPは、壁にあるコンセントのようなものだと考えてください。どんな機器でも差し込んで電力を得られる共通規格です。オープンで、どこでも使えるのは大きな利点ですが、コンセントだけでは何もできません。そこには電化製品が必要です。

いずれ、現在のMCPへの熱狂を、APIの台頭を振り返るのとよく似た見方で振り返ることになるのではないかと思います。APIは基盤となり、ソフトウェアの構築方法を変えました。しかし時がたつにつれ、接続性は製品そのものではなく、当然備わっている基盤機能になりました。

現在、SaaS業界の多くは、AIとの接続性を完成した製品であるかのように扱っています。MCPサーバーを構築し、適切なツールとデータを公開して、あとはモデルに任せるという考え方です。

それで十分な用途もあります。しかし、多くの企業の業務ワークフロー、特に金融分野では十分ではありません。

MCPが接続レイヤーを担う

標準化はすでに、AIアプリケーションとソフトウェアのやり取りを変えつつあります。MCPに対応する主要なAIプラットフォームは増えており、ユーザーが好みのAIインターフェースから同じ基盤システムを利用することが、ますます現実的になっています。

しかし、相互運用性によってアクセスの問題は解決しても、作業をどのように進めるべきかをモデルに伝えることはできません。

私は、プライベートマーケットの投資家や財務チームが使うソフトウェアについて考えることに多くの時間を費やしています。こうした領域では、この違いが特にはっきりと表れます。

たとえば、プライベートファンドの運用実績やポートフォリオのデータにAIシステムがアクセスできるようにしても、一見単純な質問に答える方法はいくつも考えられます。

適切な計算方法を使う場合もあれば、近道を選ぶ場合もあります。ユーザーが求めていることを誤解する可能性もあります。

その結果、ユーザーはアナリスト、プロンプトエンジニア、品質管理担当者の役割をすべて担わざるを得なくなります。これは、約束されていた摩擦のない体験ではありません。

製品には独自の判断が欠かせない

ここで、技術スタックの次のレイヤーが興味深くなります。MCPが接続レイヤーだとすれば、その上に位置するプラグインやスキルは、特定のタスクを完了するために、その接続をエージェントがどう使うべきかを伝えます。

モデルにデータや機能をそのまま公開するのではなく、それらを活用するための指示、ワークフロー、決定論的な計算、インターフェースをひとまとめにできます。

場合によっては、定められた手順に沿って操作を進めることを意味します。LLMに答えを考えさせる代わりに、結果が確定する計算やスクリプトを実行することもあります。また、ワークフロー専用に設計されたスプレッドシート、レポート、小規模なアプリケーションが最終成果物となる場合もあります。

専門知識は製品の中に組み込まれ、すべてをモデル任せにすることはありません。

この組み合わせが有効であることは、実証されています。Googleは最近、MCPを通じて技術文書にアクセスできるAIコーディングエージェントをテストし、その情報を最も効果的に活用する方法を説明する、タスク固有の指示も追加しました。接続機能とその指示を組み合わせたところ、Googleの評価で合格率は96.3%に達しました。また、標準的なプロンプトを使う場合と比べ、正解1件あたりのトークン数を63%削減しました。

SaaS企業にとって、これは差別化の源泉が変わることを意味します。すべてのアプリケーションが同じオープン標準を通じてデータを公開できるなら、アクセスそのものの独自性は薄れていきます。そのアクセスを、信頼できる成果につなげる方法を知っていることの価値が高まります。

すべてのタスクをモデル任せにすべきではない

大規模言語モデルは確率的なシステムです。文章作成、探索、推論に役立つ柔軟性も、正確性と再現性が重視されるワークフローでは必ずしも望ましくありません。金融はその好例です。同じ計算から毎回同じ答えが得られると期待される場面では、結果のばらつきがすぐに問題になります。

金融ソフトウェアは何十年にもわたり、これとは逆の方向に進んできました。一貫性には価値があるため、監査証跡、アクセス権限、標準化された計算、再現可能なプロセスが整備されています。

AIはこうした教訓を捨てるべきではありません。最も優れた企業向けAI製品は、モデルに推論させるべきときと、その自由を制限すべきときを見極めます。判断や解釈が役立つ場面では、確率的なシステムが適しています。精度と再現性が求められる場面では、決定論的なツールのほうが適しています。

答えを誤った場合の代償が大きい分野では、どこでも同じ原則が当てはまる。

SaaSの差別化が次に向かう先

MCPの上に構築されつつあるレイヤーは、MCP自体と比べると、まだはるかに定まっていない。

プラグインやスキルにはさまざまなアプローチが登場しているが、単一のエコシステムに囲い込むのではなく、AIプラットフォーム間でより移植しやすくする取り組みがすでに進んでいる。

すべての標準が定まる前に、SaaS企業は選択を迫られる。それはこれまでも常にそうだった。

別の選択肢は、インターフェースを公開し、顧客自身に体験を組み立ててもらうことだ。

AIも同じ道をたどるかもしれない。エージェントをエンタープライズソフトウェアに接続することは、月を追うごとに容易になっている。今後、優位性を左右するのは、その先にあるものだ。つまり、アクセスを信頼できる成果へと変える方法をエージェントに教えるワークフロー、制御機能、そして専門領域の知識である。