Протокол для взаимодействия больших языковых моделей с внешним миром кардинально меняет классические подходы к построению и интеграции корпоративных ИТ-инфраструктур. В MCP предложено элегантное универсальное решение для стандартизации межмашинного взаимодействия при посредничестве ИИ-агентов без ограничений на специфику объекта. Однако некоторые недостатки MCP сдерживают применение этого протокола. Имеются также принципиальные ограничения, основанные на самой природе ИИ-решений.
Model Context Protocol претендует на роль стандарта для подключения ИИ-агентов к корпоративным данным и инструментам. Однако по мере перехода от пилотов к промышленной эксплуатации неуклонно растет число агентов, инструментов и связей между ними, и когда счет идет уже на десятки и сотни, то для каждой связки «агент — сервер» приходится отдельно настраивать подключение, авторизацию, синхронизацию и журналирование. Отдельно управлять каждым сервером невозможно, и нужен новый класс решений – MCP-шлюз.
Несмотря на стремительный рост инвестиций в технологии искусственного интеллекта и широкое распространение больших языковых моделей, реальная эффективность соответствующих проектов невысока. Интеграция аналитических систем с LLM через протокол Model Context Protocol может изменить ситуацию за счет предоставления моделям актуальных достоверных данных, детерминированной бизнес-логики и стандартизированных механизмов взаимодействия с корпоративными информационными системами.
Большое число провальных пилотных проектов внедрения ИИ-агентов породило сомнения в эффективности их интеграции в корпоративные бизнес-процессы. Однако имеются два инструмента, помогающие пройти путь от «галлюцинаций языковой модели» до целевого «точно оперировать» и «безошибочно выполнять»: каталог данных и семантический слой.