Последние 20 лет корпоративное ПО оценивалось по тому, что видели пользователи: удобство использования, рабочие процессы, адаптация и обучение. Покупатели выбирали те продукты, которые, по их мнению, действительно использовали бы их команды.
Все меняется.
Теперь пользователь может ввести запрос в интерфейс чата, агент может обратиться к нескольким системам в фоновом режиме, и появляется ответ. Несколько вендоров выполнили работу. Пользователь не открыл ни одного их приложения.
По оценкам Gartner, к 2030 году расходы на корпоративные приложения в размере до 234 миллиардов долларов могут оказаться под угрозой вытеснения агентами, выполняющими задачи в разных системах.
Это поднимает более сложный вопрос: какие задачи ИИ общего назначения должен решать сам, а какие лучше оставить специалистам?
Мы задали этот вопрос Маркусу Тоберу, вице-президенту по ИИ и инновациям в Semrush, и Стивену Сайреку, который руководит направлением агентского опыта в DeepL.
Интеллект — это лишь часть работы
Попросите модель общего назначения выполнить специализированную работу, и ей часто приходится рассуждать с нуля: читать контекст, выводить правила и проверять результат. Эти рассуждения оплачиваются по мере их возникновения, поэтому стоимость растет вместе с использованием и сложностью.
Специализированная система устроена иначе. Рабочий процесс определен, предметная экспертиза встроена, а стоимость и результат легче прогнозировать.
«Наш продукт — это не интерфейс, приложение или сайт, — говорит Сайрек. — На самом деле это набор возможностей, и нашим клиентам не нужно беспокоиться о том, как они реализованы».
Это различие становится еще более важным по мере того, как агенты превращаются в интерфейс. Модели общего назначения обеспечивают рассуждения, в то время как специализированные системы предоставляют функционал, созданный для конкретной задачи.
Так был ли неправ «SaaSpocalypse»?
Тезис «SaaSpocalypse» был прост: если передовые модели способны справиться с любым рабочим процессом, а любой может набросать вокруг них обертку с помощью вайб-кодинга за одни выходные, зачем продолжать платить за специализированные инструменты?
Тобер утверждает, что это недооценило то, что происходит после создания прототипа.
«Теперь каждый — разработчик, и большинство вещей можно собрать за пару сеансов вайб-кодинга, — говорит он. — Счет для предприятия приходит позже: юридическое соответствие, ISO 27001, безопасность, стабильность и гарантия того, что ПО все еще поддерживается через три года. Поддержка — это затраты, и они никогда не прекращаются».
ИИ облегчил создание программного обеспечения, но не отменил затраты на обеспечение его надежности, безопасности и ремонтопригодности в масштабах предприятия.
Где место MCP: связующее звено, а не главная история
Все это не требует выбора чьей-то стороны. Требуется способ, позволяющий одному вызывать другое.
И здесь на сцену выходит Model Context Protocol (MCP). MCP предоставляет ИИ-агентам стандартизированный способ подключения всех внешних инструментов и возможностей, снижая потребность в кастомных интеграциях для каждой комбинации.
MCP — это практический ответ на вопрос «создать, купить или встроить». Универсальный помощник может оставаться на переднем плане, а когда для задачи требуются специализированные возможности, он может напрямую обратиться к этой системе.
«Что меняется, — объясняет Сайрек, — так это количество мест, откуда клиент может получить доступ к вашим возможностям». Не потому, то меняется интерфейс, а потому, что в этом больше нет необходимости.
То, что появляется сейчас, меньше похоже на поглощение одной модели другой и больше на разделение труда, при котором системы общего назначения могут справляться с рассуждениями и оркестровкой, в то время как специализированные системы выполняют задачи, для которых они созданы. MCP соединяет их воедино.
Недавно мы запустить DeepL MCP Server, привнеся языковые возможности ИИ от DeepL непосредственно в такие ИИ-ассистенты, как Microsoft Copilot, ChatGPT и Claude, а также другие совместимые инструменты.
Подключите DeepL MCP к вашему стеку.