Hvorfor bør IT-ledere tenke på Model Context Protocol?

I fjor november lanserte Anthropic Model Context Protocol (MCP), som først møtte beskjedent interesse. Selskapet presenterte nyheten i en blogginnlegg, hvor MCP ble beskrevet som en åpen standard som skulle “hjelpe frontier-modeller med å produsere bedre og mer relevante svar”.

Men da utviklere lærte mer om MCP, ble det klart hvor kraftig det var. I løpet av noen måneder tok selskaper som OpenAI, Google og Microsoft i bruk standarden. Dette førte til økt interesse for MCP, og veksten lignet mer en raskt voksende forbrukerapp enn en utvikler-infrastrukturverktøy.

GitHub-repositoriet for MCP har raskt blitt til en livlig samfunn. For øyeblikket er det over 64 500 stjerner og ca. 7 500 forks. Deretter er det tusenvis av servere som har dukket opp på ulike nettsider.

Slik momentum er sjeldent for utvikler-infrastruktur. Likevel viser det hvor viktig MCP er, ettersom det har blitt referert til som “USB C for AI-applikasjoner”.

La oss se hvorfor denne åpne standarden har blitt så populær og hvordan IT-ledere bør tenke på den.

Fordelene med MCP

Før introduksjonen av MCP, var bygging av avanserte generative AI eller agente systemer en smertefull prosess. Hver stor språkmodell (LLM) krevde tilpasset integrasjon med hver verktøy eller datasource den brukte. Dette skapte det som er kjent som “MxN-problemet”. Dette er hvor M-modeller må kobles manuelt til N forskjellige verktøy.

For eksempel, hvis du bruker tre forskjellige LLM-er for å arbeide med ti applikasjoner, må du bygge 30 separate integrasjoner. Dette vil ikke bare kreve betydelige ingeniørressurser, men kodebasen vil også være vanskelig å vedlikeholde når verktøyene, API-ene og modellene utvikles.

Men med MCP-standarden er prosessen betydelig forbedret. Den tilbyr to viktige funksjoner: kontekst og verktøybruk med LLM-er. Dette gjør det mulig å få ikke bare mer relevante svar, men også bedre nøyaktighet og produktivitet.

For eksempel, med kontekst kan en AI-applikasjon få tilgang til en rekke offentlig tilgjengelige datasourcer, som vær- eller finansiell data. MCP-er kan også få tilgang til private datasourcer som Slack eller Jira-billetter.

I forhold til verktøybruk kan en MCP utføre handlinger som CRUD-oppdrag for databaser, planlegging av hendelser eller påminnelser eller oppdateringer for CRM-er eller ERP-er.

Foruten å tilby standardisering for kontekst og verktøybruk, er det andre fordeler med MCP. En av dem er sikkerhet, ettersom den støtter OAuth-basert autorisering. Neste, er modellene ikke tett koblet til verktøy eller datasourcer. Med andre ord, når API-er endres eller et nytt verktøy tas i bruk, er det ingen behov for større omskrivninger.

MCP hjelper også til å forbedre styring og overholdelse på grunn av sentralisering av verktøybruk og datastrømmer. Dette gjør det lettere å håndheve politikker og revisjoner.

I lys av disse fordelene, bør det ikke være noen overraskelse at MCP har blitt en svært populær system for bygging av generative AI og agente applikasjoner.

Utfordringer med MCP

MCP trenger mye arbeid for å gjøre den mer stabil og moden. Brukergrensesnittene er ofte klønete og uelegant designet. For å forbedre sikkerheten, bør MCP-er også ha sterkt typede tilnærminger for å minimere potensielle angrepsvektorer. Like viktig er finmasket autorisering. For eksempel, bør det være mulig å autorisere en MCP-server eller -agent bare for bestemte handlinger.

Å oppdage MCP-er er fortsatt et problem. Hva som trengs, er registre for å validere og sertifisere servere, lik hvordan app-butikker fungerer. Disse registrene kan tjene forskjellige vertikaler, som IT, sikkerhet og finansiell. Bedrifter er sannsynligvis å utvikle interne registre for å gi enda mer kontroll.

Til slutt kan MCP-er ha bredere implikasjoner, selv truende forretningsmodeller. For eksempel, kan disse systemene redusere daglige aktive brukere (DAU-er) for web-applikasjoner og mobilapplikasjoner. Årsaken er at AI-agenter vil utnytte MCP-er for å utføre handlinger, noe som betyr mindre behov for menneskelige brukere å besøke plattformene.

Sikkerhet som grunnlag

MCP-er gjør det mulig med mye raskere innovasjon. Dette er spesielt viktig ettersom bedrifter står overfor økende press for å vise konkrete resultater fra sine AI-investeringer. Likevel, må ikke hastigheten komme på bekostning av sikkerhet og overholdelse. Å kutte hjørner i disse områdene kan skape betydelige risikoer, ettersom MCP-er ikke bare får tilgang til følsomme data, men også kan utføre direkte handlinger med dem.

En MCP-implementering bør innebygge styring, logging og revisjon i hver lag. Politikkene må tydelig definere hvem som kan autorisere agenter, hvilke handlinger de er tillatt å utføre, og hvordan disse aktivitetene overvåkes. Granulert autorisering, kombinert med kontinuerlig tilsyn, reduserer potensialet for misbruk samtidig som det sikrer den transparensen som kreves for overholdelse.

Konklusjon

MCP er raskt på vei til å bli en hjørnestein for bygging av den neste generasjonen av generative AI og agente systemer. For IT-ledere representerer MCP både en mulighet og en ansvar. Det er muligheten til å låse opp nye effektiviteter og evner, og ansvaret for å implementere det med riktige retningslinjer på plass.

På lengre sikt, vil bedrifter som behandler sikkerhet og overholdelse som integrerte, ikke valgfrie, være best posisjonert for å fange MCPs fulle verdi. Ved å balansere innovasjon med sterk styring, kan IT-ledere sikre at deres AI-initiativer ikke bare er kraftfulle og transformative, men også pålitelige, bærekraftige og motstandsdyktige.