Следующая битва в SaaS начнётся над уровнем MCP

Протокол контекста модели (MCP) предоставляет ИИ единый способ подключения к корпоративному программному обеспечению. Врушали Пауникар, директор по продукту Carta, считает, что куда сложнее решить, что происходит после установления подключения и какую часть работы следует поручить языковой модели.

За последний год Протокол контекста модели прошёл путь от относительно малоизвестного технического стандарта до одной из самых обсуждаемых идей в сфере корпоративного ИИ.

MCP предоставляет ИИ-приложениям стандартный способ подключаться к внешним программным продуктам, получать доступ к данным и выполнять действия. Вместо того чтобы каждой компании-разработчику ПО создавать отдельный интерфейс для каждой модели ИИ, MCP предлагает общий язык взаимодействия.

Представьте, что MCP — это электрическая розетка в стене. Это общий стандарт, благодаря которому любое устройство можно подключить к электросети. Это удобно: стандарт открыт и работает повсюду. Но сама по себе розетка ничего для вас не делает — вам всё равно нужен электроприбор.

Думаю, со временем мы будем вспоминать нынешний интерес к MCP примерно так же, как сегодня вспоминаем появление API. Они заложили основу и изменили подход к созданию программного обеспечения. Но со временем возможность подключения стала ожидаемой частью инфраструктуры, а не самостоятельным продуктом.

Сейчас многие компании в индустрии SaaS относятся к подключению ИИ так, будто это уже готовый продукт. Создать MCP-сервер, предоставить доступ к нужным инструментам и данным — и дальше предоставить модели действовать самостоятельно.

Для некоторых сценариев этого достаточно. Но для многих корпоративных рабочих процессов, особенно финансовых, — нет.

MCP завоёвывает уровень подключений

Стандартизация уже меняет способы взаимодействия ИИ-приложений с программным обеспечением. Поддержка MCP распространяется на всё больше крупных платформ ИИ, поэтому пользователям становится всё проще работать с одними и теми же базовыми системами через выбранный ими интерфейс ИИ.

Однако совместимость решает проблему доступа, но не объясняет модели, как именно следует выполнять задачу.

Я много времени уделяю размышлениям о программном обеспечении для инвесторов на рынках частного капитала и финансовых команд. Именно здесь это различие особенно заметно.

Например, если предоставить системе ИИ доступ к данным о доходности и портфеле частного фонда, на, казалось бы, простой вопрос можно ответить несколькими способами.

В одном случае можно применить подходящий расчёт. В другом — срезать путь. В третьем — неправильно понять, что именно хочет пользователь.

В итоге пользователю приходится одновременно быть аналитиком, специалистом по составлению запросов и контролёром качества. Это не тот процесс без лишних сложностей, который обещали.

Продукту всё ещё нужна собственная позиция

Именно здесь становится интересен следующий уровень технологического стека. Если MCP отвечает за подключение, то плагины и навыки располагаются над ним и подсказывают агенту, как использовать это подключение для выполнения конкретной задачи.

Вместо того чтобы просто предоставлять модели доступ к данным и функциям, они могут объединять инструкции, рабочие процессы, детерминированные расчёты и интерфейсы.

Иногда это может означать выполнение заданной последовательности действий. Иногда — запуск детерминированного расчёта или скрипта вместо того, чтобы просить большую языковую модель самостоятельно найти ответ. В других случаях результатом может стать электронная таблица, отчёт или небольшое приложение, созданное специально для этого рабочего процесса.

Экспертные знания заложены в продукт, а не полностью предоставлены на усмотрение модели.

Есть подтверждения, что такое сочетание работает. Недавно Google протестировала ИИ-агента для написания кода, который мог получать доступ к технической документации компании через MCP. Затем ему предоставили дополнительные инструкции для конкретной задачи, объясняющие, как лучше использовать эту информацию. Сочетание подключения и этих инструкций позволило добиться показателя успешного прохождения проверки в 96,3% в оценке Google, при этом на каждый правильный ответ расходовалось на 63% меньше токенов, чем при использовании стандартных запросов.

Для компаний в сфере SaaS это меняет источник конкурентных преимуществ. Если каждое приложение может предоставлять доступ к данным через один и тот же открытый стандарт, сам доступ становится менее уникальным. Всё ценнее становится умение превратить этот доступ в надёжный результат.

Не каждую задачу следует поручать модели

Большие языковые модели — вероятностные системы. Гибкость, полезная при написании текстов, изучении новых тем и рассуждениях, становится недостатком в рабочих процессах, где важны точность и воспроизводимость результатов. Финансы — наглядный пример: если человек ожидает, что один и тот же расчёт каждый раз даст одинаковый ответ, любые расхождения быстро становятся проблемой.

Финансовое программное обеспечение десятилетиями развивалось в противоположном направлении. Журналы аудита, разрешения доступа, стандартизированные расчёты и воспроизводимые процессы существуют потому, что последовательность и предсказуемость ценны.

ИИ не должен забывать об этих уроках. Лучшие корпоративные продукты на основе ИИ будут понимать, когда позволить модели рассуждать, а когда — ограничить её. Вероятностные системы уместны, когда полезны суждения и интерпретация. Детерминированные инструменты предпочтительнее, когда необходимы точность и воспроизводимость.

Тот же принцип действует везде, где цена неверного ответа высока.

Куда дальше смещается дифференциация в SaaS

Слой, который создаётся над MCP, пока гораздо менее устоявшийся, чем сам MCP.

Появились разные подходы к плагинам и навыкам, однако уже предпринимаются усилия, чтобы сделать их более переносимыми между платформами ИИ, а не привязывать к одной экосистеме.

Компаниям, работающим в сфере SaaS, всё равно придётся принимать решения, прежде чем окончательно сформируются все стандарты. Так было всегда.

Альтернатива — предоставить интерфейс и оставить клиентам возможность самостоятельно собирать нужный им опыт взаимодействия.

ИИ может пройти тот же путь. С каждым месяцем подключать агента к корпоративному программному обеспечению становится проще. Всё большее значение будет иметь то, что происходит дальше: рабочие процессы, средства контроля и экспертные знания в предметной области, которые подсказывают агенту, как превратить доступ в надёжный результат.