De volgende strijd in SaaS begint boven MCP

Het Model Context Protocol biedt AI een gemeenschappelijke manier om verbinding te maken met bedrijfssoftware. Vrushali Paunikar, Chief Product Officer bij Carta, stelt dat de grotere uitdaging is om te bepalen wat er gebeurt nadat de verbinding tot stand is gebracht en hoeveel van het werk aan het taalmodel moet worden overgelaten.

In het afgelopen jaar is het Model Context Protocol uitgegroeid van een relatief obscure technische standaard tot een van de belangrijkste ideeën op het gebied van bedrijfs-AI.

MCP biedt AI-toepassingen een gestandaardiseerde manier om verbinding te maken met externe software, toegang te krijgen tot gegevens en acties uit te voeren. In plaats van dat elk softwarebedrijf voor elk AI-model een eigen interface bouwt, biedt MCP een gemeenschappelijke taal.

Zie MCP als het stopcontact in de muur. Het is een gemeenschappelijke standaard waarop elk apparaat kan worden aangesloten om stroom te krijgen. Dat is handig omdat de standaard open is en overal werkt, maar een stopcontact op zichzelf doet niets voor je. Je hebt nog steeds een apparaat nodig.

Ik vermoed dat we uiteindelijk op het huidige enthousiasme voor MCP zullen terugkijken zoals we nu kijken naar de opkomst van API’s. Die legden het fundament en veranderden de manier waarop software werd gebouwd. Maar na verloop van tijd werd connectiviteit een vanzelfsprekende infrastructuur in plaats van het product zelf.

Een groot deel van de SaaS-sector behandelt AI-connectiviteit momenteel alsof het een compleet product is. Bouw een MCP-server, ontsluit de juiste tools en gegevens en laat het model het verder afhandelen.

Voor sommige toepassingen is dat genoeg. Voor veel bedrijfsprocessen, en met name financiële processen, is dat niet zo.

MCP verovert de verbindingslaag

Standaardisering verandert nu al de manier waarop AI-toepassingen met software communiceren. Een groeiend aantal grote AI-platforms ondersteunt MCP, waardoor het steeds realistischer wordt dat gebruikers met dezelfde onderliggende systemen kunnen werken via de AI-interface van hun keuze.

Maar interoperabiliteit lost het toegangsprobleem op, niet de vraag hoe het model de taak moet uitvoeren.

Ik besteed veel tijd aan software voor beleggers op private markets en financiële teams. Juist daar wordt dit onderscheid bijzonder duidelijk.

Geef een AI-systeem bijvoorbeeld toegang tot gegevens over de prestaties en portefeuille van een privaat fonds, en er kunnen verschillende manieren zijn om een vraag te beantwoorden die eenvoudig lijkt.

De ene aanpak gebruikt misschien de juiste berekening. Een andere neemt mogelijk een kortere weg. Een derde begrijpt misschien verkeerd wat de gebruiker vraagt.

De gebruiker moet dan deels analist, deels prompt-engineer en deels kwaliteitscontroleur worden. Dat is niet de frictieloze ervaring die was beloofd.

Het product moet ook een visie hebben

Hier wordt de volgende laag van de stack interessant. Als MCP de verbindingslaag is, zitten plug-ins en vaardigheden daarboven: ze vertellen de agent hoe die verbinding kan worden gebruikt om een specifieke taak uit te voeren.

In plaats van gegevens en functies alleen maar beschikbaar te stellen aan een model, kunnen ze er instructies, workflows, deterministische berekeningen en interfaces omheen bundelen.

Soms betekent dit dat een vastgelegde reeks handelingen moet worden gevolgd. Soms betekent het dat een deterministische berekening of een script wordt uitgevoerd in plaats van een LLM te vragen het antwoord te bepalen. In andere gevallen kan het eindresultaat een spreadsheet, rapport of kleine toepassing zijn die speciaal voor die workflow is ontworpen.

De expertise zit in het product, in plaats van volledig aan het model te worden overgelaten.

Er is bewijs dat de combinatie werkt. Google heeft onlangs een AI-codeeragent getest die via MCP toegang had tot de technische documentatie van Google. Vervolgens kreeg de agent aanvullende, taakspecifieke instructies over hoe die informatie het best kon worden gebruikt. De combinatie van de verbinding en die instructies behaalde in de evaluatie van Google een slagingspercentage van 96,3% en gebruikte daarbij 63% minder tokens per juist antwoord dan standaardprompting.

Voor SaaS-bedrijven verandert hierdoor waar het onderscheidend vermogen ligt. Als elke toepassing gegevens via dezelfde open standaard beschikbaar kan stellen, wordt toegang op zichzelf minder onderscheidend. Weten hoe je die toegang omzet in een betrouwbaar resultaat wordt waardevoller.

Niet elke taak moet aan het model worden overgelaten

Grote taalmodellen zijn probabilistische systemen. De flexibiliteit die ze nuttig maakt voor schrijven, verkennen en redeneren is minder aantrekkelijk in workflows waarin nauwkeurigheid en herhaalbaarheid belangrijk zijn. Financiën zijn een goed voorbeeld: als iemand verwacht dat dezelfde berekening elke keer hetzelfde antwoord oplevert, wordt variatie al snel een probleem.

Financiële software heeft tientallen jaren lang juist de tegenovergestelde ontwikkeling doorgemaakt. Audittrails, toegangsrechten, gestandaardiseerde berekeningen en herhaalbare processen bestaan omdat consistentie waardevol is.

AI mag die lessen niet negeren. De sterkste AI-producten voor bedrijven weten wanneer ze een model moeten laten redeneren en wanneer ze het aan banden moeten leggen. Probabilistische systemen zijn zinvol wanneer oordeel en interpretatie van pas komen. Deterministische tools zijn geschikter wanneer precisie en herhaalbaarheid vereist zijn.

Datzelfde principe geldt overal waar de kosten van een verkeerd antwoord hoog zijn.

Waar SaaS zich hierna zal onderscheiden

De laag die boven MCP wordt opgebouwd, is nog veel minder uitgekristalliseerd dan MCP zelf.

Er zijn verschillende benaderingen ontstaan voor plug-ins en vaardigheden, maar er wordt al gewerkt aan manieren om ze beter overdraagbaar te maken tussen AI-platforms, in plaats van ze aan één ecosysteem te binden.

SaaS-bedrijven zullen keuzes moeten maken voordat alle standaarden zijn uitgekristalliseerd. Dat is altijd al zo geweest.

Het alternatief is een interface beschikbaar te stellen en klanten zelf de ervaring te laten samenstellen.

AI kan hetzelfde pad volgen. Het wordt elke maand eenvoudiger om een agent met bedrijfssoftware te verbinden. Het voordeel zal steeds meer afhangen van wat er daarna gebeurt: de workflows, beheersmaatregelen en domeinkennis die de agent laten zien hoe hij toegang omzet in een betrouwbaar resultaat.