Varför bör IT-chefer tänka på Model Context Protocol?

Förra november lanserade Anthropic Model Context Protocol (MCP), som initialt fick ett dämpat intresse. Företaget la nyheten i en bloggpost och kallade MCP en öppen standard som syftar till att “hjälpa frontier-modeller att producera bättre och mer relevanta svar”.

Men när utvecklare lärde sig mer om MCP, blev det tydligt hur kraftfullt det var. På bara några månader antog företag som OpenAI, Google och Microsoft standarden. Detta väckte intresse för MCP, och tillväxten liknade en het konsumentapp, inte en utvecklarinfrastrukturverktyg.

GitHub-repositoriet för MCP har snabbt förvandlats till en livlig gemenskap. För närvarande finns det mer än 64 500 stjärnor och cirka 7 500 forkar. Sedan finns det tusentals servrar som har dykt upp på olika webbplatser.

Sådan momentum är ovanlig för utvecklarinfrastruktur. Men det visar på MCP:s betydelse, eftersom det har kommit att kallas “USB C för AI-appar”.

Låt oss se varför denna öppna standard har blivit så populär och hur IT-chefer bör tänka på den.

MCP:s fördelar

Innan MCP introducerades var det en smärtsam process att bygga avancerad generativ AI eller agenter. Varje stor språkmodell (LLM) krävde anpassad integration med varje verktyg eller datakälla som den använde. Det skapade det som kallas “MxN-problemet”. Detta är där M-modeller måste anslutas manuellt till N olika verktyg.

Till exempel, om du använder tre olika LLM för att arbeta med tio applikationer, behöver du skapa 30 separata integrationer. Det kommer inte bara att kräva betydande ingenjörsresurser, utan kodbasen kommer också att vara svår att underhålla när verktygen, API:erna och modellerna utvecklas.

Men med MCP-standarden förbättras processen avsevärt. Den tillhandahåller två viktiga funktioner: kontext och verktygsanvändning med LLM. Det möjliggör inte bara mer relevanta svar, utan också förbättrad noggrannhet och produktivitet.

Till exempel kan en AI-applikation med kontext komma åt en stor mängd offentligt tillgängliga datakällor, som väder- eller finansiell data. MCP kan också komma åt privata datakällor som Slack eller Jira-biljetter.

När det gäller verktygsanvändning kan en MCP utföra åtgärder som CRUD-åtgärder för databaser, schemaläggning av händelser eller påminnelser eller uppdateringar för CRM eller ERP.

Förutom att tillhandahålla standardisering för kontext och verktygsanvändning, finns det andra fördelar med MCP. En av dem är säkerhet, eftersom den stöder OAuth-baserad auktorisering. Nästa, är modellerna inte hårt kopplade till verktyg eller datakällor. Med andra ord, när API:er ändras eller ett nytt verktyg antas, behövs det ingen omfattande omskrivning.

MCP hjälper också till att förbättra styrning och regelefterlevnad på grund av centraliseringen av verktygsanvändning och dataflöden. Det gör det lättare att verkställa principer och revisioner.

Med tanke på dessa fördelar borde det inte vara någon överraskning att MCP har blivit ett mycket populärt system för att bygga generativ AI och agenter.

MCP:s utmaningar

MCP behöver fortfarande mycket arbete för att göra det mer stabilt och moget. Användargränssnitten är ofta klumpiga och svåra att förstå. För att förbättra säkerheten bör MCP också ha starkt typade metoder för att minimera potentiella attackvektorer. Det är lika viktigt med finmaskig auktorisering. Till exempel bör det vara möjligt att auktorisera en MCP-server eller -agent endast för specifika åtgärder.

Att upptäcka MCP förblir ett problem. Vad som behövs är register för att validera och certifiera servrar, liknande hur appbutiker fungerar. Dessa register kan tjäna olika vertikaler, som IT, säkerhet och finans. Företag kommer sannolikt att utveckla interna register för att ge ännu mer kontroll.

Slutligen kan MCP ha bredare implikationer, även hota affärsmodeller. Till exempel kan dessa system minska dagliga aktiva användare (DAU) för webbapplikationer och mobilappar. Anledningen är att AI-agenter kommer att utnyttja MCP för att utföra åtgärder, vilket innebär mindre behov av mänskliga användare för att besöka plattformarna.

Säkerhet som grund

MCP möjliggör mycket snabbare innovation. Detta är särskilt viktigt eftersom företag står inför ökande tryck för att visa påtagliga resultat från sina AI-investeringar. Men jakten på hastighet får inte ske på bekostnad av säkerhet och regelefterlevnad. Att skära hörnen i dessa områden kan skapa betydande risker, med tanke på att MCP inte bara kommer åt känslig data, utan också kan utföra direkt åtgärder med den.

En MCP-implementering bör inbädda styrning, loggning och revision i varje lager. Principer måste tydligt definiera vem som kan auktorisera agenter, vilka åtgärder de är tillåtna att utföra och hur dessa aktiviteter övervakas. Granulär auktorisering, kombinerat med kontinuerlig tillsyn, minskar risken för missbruk samtidigt som det säkerställer den transparens som krävs för regelefterlevnad.

Slutsats

MCP blir snabbt en hörnsten för att bygga nästa generation av generativ AI och agenter. För IT-chefer representerar MCP både en möjlighet och ett ansvar. Det finns möjligheten att låsa upp nya effektiviteter och förmågor, och ansvaret att implementera det med rätt skyddsanordningar på plats.

På lång sikt kommer företag som behandlar säkerhet och regelefterlevnad som en integrerad del, inte som valfri, att vara bäst positionerade för att fånga MCP:s fulla värde. Genom att balansera innovation med stark styrning kan IT-chefer säkerställa att deras AI-initiativ inte bara är kraftfulla och omvandlande, utan också pålitliga, hållbara och motståndskraftiga.