AI-modeller og plattformer

Ivanti gir AI-klienter styrt tilgang til konteksten i Neurons

Aiden Cross
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterIvantis MCP-server begrenser AI-tilgang til Neurons-data gjennom eksisterende OAuth og…
Vis mer
  • Ivantis MCP-server begrenser AI-tilgang til Neurons-data gjennom eksisterende OAuth og rollebaserte tillatelser.
  • Ivanti rapporterer 99 % aktiv Copilot-bruk i hele organisasjonen innen 90 dager etter intern utrulling.
  • Kunder må veie AI-leverandørkontrakter som en del av styringen, siden leverandører kontrollerer håndteringen av returnerte data.

Ivanti kunngjorde 18. november 2026 en tilkobling via Model Context Protocol (MCP) som gir støttede AI-klienter styrt tilgang til driftsdata i Ivanti Neurons, selskapets autoritative datakilde for informasjon om endepunkter, tjenester og eksponering.

Tilkoblingen skal forankre AI-anbefalinger, undersøkelser og handlinger i informasjon om enheter, digitale brukeropplevelser, oppdateringer, eksponering og programvare. Ivantis MCP-dokumentasjon oppgir GitHub Copilot, Anthropic Claude og Neurons-agenter som støttede systemer, mens støtte for flere klienter og tilpassede agenter kan variere fra versjon til versjon. MCP er en åpen standard utviklet av Anthropic for å koble AI-systemer til datakilder, verktøy, ressurser og ledetekster.

Eksisterende tillatelser styrer AI-tilgangen

MCP-serveren gjør godkjente Neurons-data, verktøy, ressurser og ledetekster tilgjengelige i henhold til de konfigurerte tillatelsene. OAuth, rollebaserte tilgangskontroller og håndheving av retningslinjer styrer fortsatt samhandlingen, mens eksisterende plattformkontroller ivaretar sporbarhet og organisatorisk tilsyn. De konfigurerte tillatelsene setter dermed rammene for hver AI-assisterte arbeidsflyt.

Neurons forblir den autoritative datakilden, og MCP fungerer som en protokoll, ikke som et datalager. Ivanti sier at selskapet ikke bruker kundedata til å trene modeller.

Dokumenterte bruksområder omfatter å finne mislykkede oppdateringer og forsinkede skanninger, gruppere enheter etter sannsynlig årsak og identifisere kritiske eksponeringer som bør undersøkes. Andre arbeidsflyter avdekker unormale signaler fra endepunkter, nylige endringer og mønstre på tvers av enhetsparken, eller oppsummerer miljøets tilstand, risikoutvikling og faktorene som driver endringene.

Intern bruk av Copilot påvirker produktutviklingen

Produktarbeidet bygger videre på intern utrulling av Microsoft Copilot i hele virksomheten og GitHub Copilot i utviklingsavdelingen. Ivanti oppgir at aktiv bruk av Copilot nådde 99 % i organisasjonen i løpet av 90 dager, at 58 % av de ansatte nå regnes som avanserte brukere, og at 64 % av utviklerne befinner seg på det høyeste nivået i selskapets modenhetsmodell for GitHub Copilot, der de bruker arbeidsflyter med flere agenter.

Ivanti oppgir også at aktive GitHub Copilot-brukere slår sammen 5,4 ganger flere pull-forespørsler og gjør det 1,9 ganger raskere enn kollegene sine. Det interne programmet kombinerer opplæring av ansatte og styring med fagavdelingsbaserte tenketanker og et kompetansesenter for AI, med mål om å gjøre eksperimentering om til praksis som kan gjentas.

En tilhørende kunngjøring skiller mellom innebygde AI-funksjoner i Ivanti-produkter og MCP-tilgang for støttede eksterne systemer. Nye assistansefunksjoner omfatter oppbygging av enhetsforespørsler, PowerShell-trinn, AI-innsikt og anbefalinger, AI-rapportering og innsikt om oppdateringer. Administratorer beholder kontrollen over om og hvordan anbefalte handlinger gjennomføres.

Utrulling hos egen kunde og rapporterte resultater

Ivanti validerer autonom endepunktadministrasjon i sitt eget produksjonsmiljø gjennom selskapets Customer Zero-tilnærming. Dette omfatter mer enn 10 000 interne endepunkter for en distribuert arbeidsstyrke som i hovedsak jobber eksternt. Selskapet rapporterer om samlede økonomiske gevinster på 11,2 millioner dollar og en avkastning på investeringen på 483 % over tre år, i tillegg til at 66 000 manuelle oppgaver er automatisert og at de ansatte årlig har fått tilbake 55 600 timer i produktivitet.

Tallene gjelder Ivantis egen implementering. Produktsiden for autonom endepunktadministrasjon oppgir at resultatene for økonomiske gevinster, avkastning på investeringen og automatisering stammer fra én bestemt implementering, og at kundenes resultater varierer etter miljø, konfigurasjon og bruk.

MCP-løsningen gir en tydelig ansvarsfordeling: Ivantis kontroller avgjør hva et godkjent AI-system kan hente ut, mens kundens avtale med AI-leverandøren regulerer hvordan dataene som returneres, håndteres. Valget av AI-klient og avtalevilkårene for den blir dermed en del av styringsbeslutningen, sammen med tillatelsene og dataene som forvaltes i Neurons.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.