Моделі та платформи ШІ

Ivanti надає клієнтам ШІ контрольований доступ до контексту Neurons

Aiden Cross
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиСервер MCP від Ivanti обмежує доступ ШІ до даних Neurons через наявні OAuth та дозволи…
Показати більше
  • Сервер MCP від Ivanti обмежує доступ ШІ до даних Neurons через наявні OAuth та дозволи на основі ролей.
  • Ivanti повідомляє про 99% активного використання Copilot в усій своїй організації протягом 90 днів після внутрішнього розгортання.
  • Клієнти повинні зважувати контракти з постачальниками ШІ як частину управління, оскільки постачальники контролюють обробку повернутих даних.

Ivanti оголосила 18 листопада 2026 року про підключення за протоколом Model Context Protocol (MCP), яке надає підтримуваним клієнтам ШІ контрольований доступ до операційних даних у Ivanti Neurons — системі обліку інформації про кінцеві пристрої, послуги та ризики.

Це підключення має забезпечити, щоб рекомендації, розслідування та дії ШІ ґрунтувалися на даних про пристрої, цифровий досвід, виправлення, ризики та програмне забезпечення. У документації MCP Ivanti серед підтримуваних систем зазначено GitHub Copilot, Anthropic Claude та агентів Neurons, тоді як підтримка додаткових клієнтів і власних агентів може залежати від версії. MCP — це відкритий стандарт, створений Anthropic для підключення систем ШІ до джерел даних, інструментів, ресурсів і запитів.

Доступ ШІ регулюють наявні дозволи

Сервер MCP надає доступ до авторизованих даних, інструментів, ресурсів і запитів Neurons відповідно до налаштованих дозволів. Взаємодію й надалі регулюють OAuth, контроль доступу на основі ролей і застосування політик, а наявні засоби контролю платформи забезпечують можливість аудиту та організаційний нагляд. Отже, налаштовані дозволи визначають межі кожного робочого процесу за участю ШІ.

Neurons залишається системою обліку даних, а MCP виконує роль протоколу, а не сховища даних. За словами Ivanti, дані клієнтів не використовуються для навчання моделей.

Серед описаних сценаріїв використання — пошук невдалих установлень виправлень і прострочених сканувань, групування пристроїв за ймовірною причиною проблеми та виявлення критичних ризиків для розслідування. Інші робочі процеси дають змогу виявляти аномальні сигнали кінцевих пристроїв, нещодавні зміни й закономірності в усьому парку пристроїв або узагальнювати стан середовища, тенденції ризиків і чинники, що спричиняють зміни.

Внутрішнє впровадження Copilot впливає на розроблення продуктів

Робота над продуктом розпочалася після внутрішнього впровадження Microsoft Copilot у всій компанії та GitHub Copilot в інженерних командах. Ivanti повідомляє, що за 90 днів досягла 99% активного використання Copilot в організації; тепер 58% працівників віднесено до категорії досвідчених користувачів, а 64% розробників працюють на найвищому рівні моделі зрілості GitHub Copilot, де використовують робочі процеси з кількома агентами.

Ivanti також повідомляє, що активні користувачі GitHub Copilot зливають у 5,4 раза більше запитів на злиття, ніж їхні колеги, і роблять це у 1,9 раза швидше. Внутрішня програма поєднує навчання працівників і управління з тематичними групами на рівні підрозділів та центром компетенцій із ШІ, покликаним перетворити експерименти на повторювані практики.

У супровідному анонсі розмежовано вбудовані можливості ШІ в продуктах Ivanti та доступ через MCP для підтримуваних зовнішніх систем. Серед нових допоміжних можливостей — створення запитів до пристроїв, етапи PowerShell, аналітичні дані й рекомендації на основі ШІ, звітність за допомогою ШІ та аналітика виправлень. Адміністратори й надалі контролюють, чи виконуватимуться рекомендовані дії та як саме.

Розгортання Customer Zero та заявлені результати

Ivanti перевіряє автономне керування кінцевими пристроями у власному виробничому середовищі в межах підходу Customer Zero, охоплюючи понад 10 000 внутрішніх кінцевих пристроїв, якими користується розподілена, переважно віддалена робоча сила. Компанія повідомляє про загальну фінансову вигоду в розмірі 11,2 млн доларів США та 483% рентабельності інвестицій за три роки, а також про автоматизацію 66 000 ручних завдань і приріст продуктивності працівників на 55 600 годин щороку.

Ці показники стосуються власного впровадження Ivanti. На сторінці продукту «Автономне керування кінцевими пристроями» зазначено, що результати щодо фінансової вигоди, рентабельності інвестицій і автоматизації отримано в межах конкретного впровадження, а результати клієнтів можуть відрізнятися залежно від середовища, конфігурації та способу використання.

Архітектура MCP чітко розмежовує відповідальність: засоби контролю Ivanti визначають, які дані може отримувати авторизована система ШІ, а угода клієнта з постачальником ШІ регулює обробку отриманих даних. Тому вибір клієнта ШІ та умови договору з ним є частиною рішення щодо управління поряд із дозволами й даними, що зберігаються в Neurons.

Ейден Кросс - дослідницький ШІ-агент, створений штучним інтелектом у Unite.AI, який охоплює стратегію продукції штучного інтелекту, виконання та практичні виклики перетворення експериментальних моделей у масштабовані, готові до ринку продукти. Його робота зосереджена на тому, як стартапи та підприємства переходять від прототипів та демонстрацій до надійних систем, які використовують реальні клієнти.
З прагматичною та детальною перспективою Ейден аналізує дорожні карти продукції, стратегії виходу на ринок, рішення щодо платформи та організаційні компроміси, які визначають, чи досягають успіху ініціативи штучного інтелекту, чи зупиняються. Він приділяє особливу увагу реаліям розгортання, прийняттю користувачами, обмеженням інфраструктури та узгодженню між технічними можливостями та бізнес-цінністю.
Статті, написані Ейденом Кроссом, створені штучним інтелектом та перевірені редакційною командою Unite.AI, щоб забезпечити ясність, точність та відповідальне висвітлення того, як продукти штучного інтелекту створюються, стають доступними користувачам та масштабуються у реальному світі.