Kolejna bitwa w SaaS zaczyna się ponad MCP

Model Context Protocol zapewnia sztucznej inteligencji wspólny sposób łączenia się z oprogramowaniem dla przedsiębiorstw. Vrushali Paunikar, dyrektorka ds. produktu w Carta, przekonuje, że większym wyzwaniem jest ustalenie, co dzieje się po nawiązaniu połączenia i jaką część zadania należy powierzyć modelowi językowemu.

W ciągu ostatniego roku Model Context Protocol z mało znanego standardu technicznego stał się jednym z najważniejszych zagadnień w obszarze sztucznej inteligencji dla przedsiębiorstw.

MCP zapewnia aplikacjom sztucznej inteligencji standardowy sposób łączenia się z zewnętrznym oprogramowaniem, uzyskiwania dostępu do danych i wykonywania działań. Zamiast tworzyć odrębny interfejs dla każdego modelu sztucznej inteligencji, każda firma programistyczna może korzystać ze wspólnego języka, jaki zapewnia MCP.

Można myśleć o MCP jak o gniazdku elektrycznym w ścianie. To wspólny standard, dzięki któremu każde urządzenie można podłączyć do zasilania. To świetne rozwiązanie, bo jest otwarte i działa wszędzie, ale samo gniazdko niczego za nas nie zrobi. Nadal potrzebujemy urządzenia.

Podejrzewam, że z czasem będziemy patrzeć na obecny entuzjazm wokół MCP podobnie jak na rozwój interfejsów API. Były fundamentem i zmieniły sposób tworzenia oprogramowania. Z biegiem czasu łączność stała się jednak oczekiwaną częścią infrastruktury, a nie samym produktem.

Obecnie znaczna część branży SaaS traktuje możliwość łączenia się ze sztuczną inteligencją tak, jakby była gotowym produktem. Wystarczy zbudować serwer MCP, udostępnić odpowiednie narzędzia i dane, a następnie pozwolić modelowi działać.

W niektórych zastosowaniach to wystarczy. W wielu procesach biznesowych w przedsiębiorstwach, zwłaszcza finansowych, tak jednak nie jest.

MCP zdobywa warstwę łączności

Standaryzacja już zmienia sposób, w jaki aplikacje sztucznej inteligencji współpracują z oprogramowaniem. MCP jest obsługiwany przez coraz więcej głównych platform sztucznej inteligencji, dzięki czemu użytkownicy mogą coraz łatwiej korzystać z tych samych systemów bazowych za pośrednictwem wybranego interfejsu sztucznej inteligencji.

Interoperacyjność rozwiązuje jednak problem dostępu, ale nie wskazuje modelowi, jak należy wykonać zadanie.

Dużo czasu poświęcam na analizowanie oprogramowania używanego przez inwestorów na rynkach prywatnych i zespoły finansowe, gdzie ta różnica staje się szczególnie wyraźna.

Załóżmy na przykład, że system sztucznej inteligencji uzyskuje dostęp do danych o wynikach i portfelu prywatnego funduszu. Nawet na pozornie proste pytanie można wtedy odpowiedzieć na kilka sposobów.

Jedno podejście może polegać na zastosowaniu właściwego sposobu obliczeń. Inne może iść na skróty. Jeszcze inne może błędnie zrozumieć, o co prosi użytkownik.

Użytkownik musi wtedy po części pełnić rolę analityka, po części specjalisty od formułowania poleceń, a po części kontrolera jakości. To nie jest obiecywane, bezproblemowe doświadczenie.

Produkt nadal musi mieć własne zdanie

Właśnie tutaj kolejna warstwa stosu technologicznego staje się interesująca. Jeśli MCP jest warstwą łączności, to wtyczki i umiejętności znajdują się nad nią i wskazują agentowi, jak wykorzystać to połączenie do wykonania konkretnego zadania.

Zamiast jedynie udostępniać modelowi dane i funkcje, mogą łączyć je w pakiety obejmujące instrukcje, procesy pracy, deterministyczne obliczenia i interfejsy.

Czasem może to oznaczać wykonanie określonej sekwencji działań. Innym razem — uruchomienie deterministycznego obliczenia lub skryptu zamiast proszenia modelu językowego o wypracowanie odpowiedzi. W jeszcze innych przypadkach efektem może być arkusz kalkulacyjny, raport lub niewielka aplikacja zaprojektowana specjalnie na potrzeby danego procesu pracy.

Wiedza specjalistyczna jest częścią produktu, zamiast być w całości pozostawiona modelowi.

Dowody pokazują, że takie połączenie działa. Google niedawno przetestowało agenta do programowania opartego na sztucznej inteligencji, który mógł uzyskiwać dostęp do dokumentacji technicznej Google za pośrednictwem MCP. Następnie agent otrzymał dodatkowe instrukcje dostosowane do zadania, wyjaśniające, jak najlepiej wykorzystać te informacje. Połączenie dostępu z tymi instrukcjami pozwoliło osiągnąć 96,3% skuteczności w teście Google, przy jednoczesnym zużyciu o 63% mniej tokenów na poprawną odpowiedź niż w przypadku standardowego formułowania poleceń.

Dla firm SaaS zmienia to źródło przewagi konkurencyjnej. Jeśli każda aplikacja może udostępniać dane za pośrednictwem tego samego otwartego standardu, sam dostęp staje się mniej wyróżniający. Coraz większą wartość ma umiejętność przekształcenia tego dostępu w niezawodny rezultat.

Nie każde zadanie należy powierzać modelowi

Duże modele językowe są systemami probabilistycznymi. Elastyczność, dzięki której przydają się do pisania, eksplorowania i wnioskowania, jest mniej pożądana w procesach pracy, w których liczą się dokładność i powtarzalność. Dobrym przykładem są finanse: jeśli ktoś oczekuje, że te same obliczenia za każdym razem dadzą ten sam wynik, rozbieżności szybko stają się problemem.

Oprogramowanie finansowe od dziesięcioleci podąża w przeciwnym kierunku. Ścieżki audytu, uprawnienia, standaryzowane obliczenia i powtarzalne procesy istnieją, ponieważ spójność ma znaczenie.

Sztuczna inteligencja nie powinna odrzucać tych doświadczeń. Najlepsze produkty sztucznej inteligencji dla przedsiębiorstw będą wiedzieć, kiedy pozwolić modelowi wnioskować, a kiedy nałożyć na niego ograniczenia. Systemy probabilistyczne sprawdzają się, gdy przydatne są osąd i interpretacja. Narzędzia deterministyczne lepiej sprawdzają się wtedy, gdy wymagana jest precyzja i powtarzalność.

Ta sama zasada obowiązuje wszędzie tam, gdzie koszt udzielenia błędnej odpowiedzi jest wysoki.

Gdzie dalej będzie przesuwać się przewaga konkurencyjna w branży SaaS

Warstwa tworzona ponad MCP jest wciąż znacznie mniej ukształtowana niż samo MCP.

Pojawiły się różne podejścia do wtyczek i umiejętności, ale już trwają prace nad tym, by można je było łatwiej przenosić między platformami AI, zamiast wiązać je z jednym ekosystemem.

Firmy SaaS nadal będą musiały podejmować decyzje, zanim wszystkie standardy się ukształtują. Zawsze tak było.

Alternatywą jest udostępnienie interfejsu i pozostawienie klientom samodzielnego tworzenia całego rozwiązania.

AI może podążyć tą samą ścieżką. Z każdym miesiącem coraz łatwiej jest łączyć agenta z oprogramowaniem dla przedsiębiorstw. O przewadze coraz częściej będzie decydować to, co dzieje się później: przepływy pracy, mechanizmy kontroli i specjalistyczna wiedza z danej dziedziny, które podpowiadają agentowi, jak wykorzystać dostęp, by osiągnąć wiarygodny rezultat.