A próxima batalha do SaaS começa acima do MCP

O Model Context Protocol está oferecendo à IA uma maneira comum de se conectar a softwares empresariais. Vrushali Paunikar, diretora de produtos da Carta, defende que o desafio maior é decidir o que acontece depois que a conexão é estabelecida e quanto do trabalho deve ficar a cargo do modelo de linguagem.

No último ano, o Model Context Protocol deixou de ser um padrão técnico relativamente obscuro e se tornou uma das ideias mais importantes da IA empresarial.

O MCP oferece às aplicações de IA uma maneira padronizada de se conectar a softwares externos, acessar dados e executar ações. Em vez de cada empresa de software criar uma interface sob medida para cada modelo de IA, o MCP oferece uma linguagem comum.

Pense no MCP como uma tomada elétrica na parede. É um padrão comum que permite a qualquer dispositivo se conectar e receber energia. Isso é ótimo porque o padrão é aberto e funciona em qualquer lugar, mas a tomada, por si só, não faz nada por você. Ainda é preciso ter um aparelho.

Suspeito que, no futuro, veremos o entusiasmo atual pelo MCP de maneira muito semelhante à forma como vemos a ascensão das APIs. Elas foram fundamentais e mudaram a maneira como os softwares eram desenvolvidos. Mas, com o tempo, a conectividade passou a ser uma infraestrutura esperada, e não o produto em si.

Atualmente, boa parte do setor de SaaS trata a conectividade com IA como se fosse um produto acabado. Basta criar um servidor MCP, disponibilizar as ferramentas e os dados certos e deixar o modelo cuidar do resto.

Para alguns casos de uso, isso basta. Para muitos fluxos de trabalho empresariais, especialmente os financeiros, não basta.

O MCP está conquistando a camada de conexão

A padronização já está mudando a maneira como as aplicações de IA interagem com os softwares. O MCP é compatível com um número crescente de grandes plataformas de IA, tornando cada vez mais viável que os usuários trabalhem com os mesmos sistemas subjacentes a partir da interface de IA que preferirem.

Mas, embora a interoperabilidade resolva o problema do acesso, ela não diz ao modelo como o trabalho deve ser feito.

Passo boa parte do meu tempo pensando em softwares usados por investidores do mercado privado e equipes financeiras, áreas em que essa distinção fica particularmente clara.

Por exemplo, dê a um sistema de IA acesso aos dados de desempenho e de carteira de um fundo privado, e pode haver várias maneiras de responder ao que parece ser uma pergunta simples.

Uma abordagem pode usar o cálculo adequado. Outra pode recorrer a um atalho. Uma terceira pode interpretar mal o que o usuário está pedindo.

O usuário acaba tendo de atuar, em parte, como analista, engenheiro de prompts e responsável pelo controle de qualidade. Não é a experiência sem atritos que foi prometida.

O produto ainda precisa ter opinião própria

É aqui que a próxima camada da pilha se torna interessante. Se o MCP é a camada de conexão, os plugins e as habilidades ficam acima dela, orientando o agente sobre como usar essa conexão para concluir uma tarefa específica.

Em vez de apenas disponibilizar dados e funções para um modelo, eles podem reunir instruções, fluxos de trabalho, cálculos determinísticos e interfaces.

Às vezes, isso pode significar seguir uma sequência definida de ações. Em outras ocasiões, pode significar executar um cálculo determinístico ou um script, em vez de pedir a um LLM que encontre a resposta. Em outros casos, o resultado final pode ser uma planilha, um relatório ou um pequeno aplicativo desenvolvido especificamente para aquele fluxo de trabalho.

A expertise fica no produto, em vez de ser deixada inteiramente a cargo do modelo.

As evidências mostram que essa combinação funciona. O Google testou recentemente um agente de programação com IA que podia acessar sua documentação técnica por meio do MCP e, em seguida, recebeu instruções adicionais e específicas para a tarefa, explicando a melhor forma de usar essas informações. A combinação da conexão com essas instruções alcançou uma taxa de aprovação de 96,3% na avaliação do Google, usando 63% menos tokens por resposta correta do que a formulação padrão de prompts.

Para as empresas de SaaS, isso muda onde está a diferenciação. Se todas as aplicações podem disponibilizar dados por meio do mesmo padrão aberto, o próprio acesso se torna menos distintivo. Saber transformar esse acesso em um resultado confiável passa a ser mais valioso.

Nem toda tarefa deve ficar a cargo do modelo

Os grandes modelos de linguagem são sistemas probabilísticos. A flexibilidade que os torna úteis para escrever, explorar e raciocinar é menos atraente em fluxos de trabalho nos quais a precisão e a repetibilidade são importantes. As finanças são um bom exemplo: se alguém espera que o mesmo cálculo produza sempre a mesma resposta, qualquer variação logo se torna um problema.

Os softwares financeiros passaram décadas seguindo na direção oposta. Trilhas de auditoria, permissões, cálculos padronizados e processos repetíveis existem porque a consistência é valiosa.

A IA não deve descartar essas lições. Os melhores produtos de IA empresarial saberão quando deixar um modelo raciocinar e quando impor limites a ele. Sistemas probabilísticos fazem sentido quando o julgamento e a interpretação são úteis. Ferramentas determinísticas fazem mais sentido quando precisão e repetibilidade são necessárias.

O mesmo princípio se aplica sempre que o custo de uma resposta errada é alto.

Onde a diferenciação do SaaS se dará daqui para a frente

A camada que está sendo construída sobre o MCP ainda é muito menos consolidada do que o próprio MCP.

Surgiram diferentes abordagens para plugins e habilidades, mas já há esforços em andamento para torná-los mais portáveis entre plataformas de IA, em vez de vinculá-los a um único ecossistema.

As empresas de SaaS ainda terão de fazer escolhas antes que todos os padrões estejam definidos. Sempre foi assim.

A alternativa é disponibilizar uma interface e deixar que os clientes montem a experiência por conta própria.

A IA pode seguir o mesmo caminho. Conectar um agente a um software empresarial está ficando mais fácil a cada mês. A vantagem estará cada vez mais no que vem depois: os fluxos de trabalho, os controles e o conhecimento especializado do domínio que orientam o agente para transformar o acesso em um resultado confiável.