Последние 20 лет корпоративное программное обеспечение оценивалось по тому, что видели пользователи: удобство использования, рабочий процесс, онбординг и обучение. Покупатели выбирали продукты, которые, по их мнению, действительно будут использовать их команды.
Все меняется.
Теперь пользователь может ввести запрос в чат-интерфейс, агент может задействовать несколько систем «за кулисами», и появляется ответ. Работу выполнили несколько вендоров. Пользователь не открыл ни одного из их приложений.
По оценкам Gartner, up to $234 billion in enterprise application spending к 2030 году может предоставляться агентам, выполняющим задачи в различных системах.
Это поднимает более сложный вопрос: с какими задачами искусственный интеллект общего назначения должен справляться сам, а какие лучше доверить специалисту?
Мы задали этот вопрос Маркусу Тоберу (Marcus Tober), старшему вице-президенту по искусственному интеллекту и инновациям в Semrush, и Стивену Сайреку (Steven Syrek), руководящему направлением агентского опыта в DeepL.
Интеллект — это лишь часть работы
Если поручить модели общего назначения выполнить специализированную задачу, ей часто приходится выстраивать логику с нуля: читать контекст, выводить правила и проверять результат. Этот процесс рассуждения оплачивается по мере его выполнения, поэтому затраты растут пропорционально использованию и сложности.
Специализированная система устроена иначе. Рабочий процесс определен, отраслевая экспертиза заложена изначально, а затраты и результат легче прогнозировать.
«Наш продукт — это не интерфейс, приложение или веб-сайт, — говорит Сайрек. — Это, по сути, набор возможностей, и нашим клиентам не нужно заботиться 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 возможности, созданные для конкретной задачи.
Значит ли это, что тезис о «SaaSpocalypse» был неверным?
Тезис о «SaaSpocalypse» был прост: если передовые модели могут обрабатывать любой рабочий процесс с помощью рассуждений, а любой желающий может создать обертку вокруг них методом вайб-кодинга за одни выходные, зачем продолжать платить за специализированные инструменты?
Тобер утверждает, что при этом недооценивается то, что происходит после создания прототипа.
«Теперь каждый может стать разработчиком, и большинство вещей можно собрать за несколько сеансов вайб-кодинга, — говорит он. — Счет для предприятия приходит позже: юридическое соответствие, ISO 27001, безопасность, стабильность и гарантия того, что программное обеспечение все еще будет поддерживаться через три года. Поддержка — это цена, и она никогда не прекращается».
ИИ облегчил создание программного обеспечения, но он не устранил затраты на обеспечение его надежности, безопасности и ремонтопригодности в масштабах предприятия.
Какую роль играет MCP: связующее звено, а не главный сюжет
Все это не требует выбора какой-то одной стороны. Нужен способ, позволяющий одной системе обращаться к другой.
Именно здесь на сцену выходит протокол Model Context Protocol (MCP). MCP предоставляет агентам ИИ стандартизированный способ подключения всех внешних инструментов и возможностей, снижая потребность в кастомных интеграциях для каждой комбинации.
MCP — это практический ответ на вопрос «создавать, покупать или встраивать?». Ассистент общего назначения может оставаться на переднем плане, а когда для задачи требуется специализированная возможность, он может обратиться к этой системе напрямую.
«Меняется, — поясняет Сайрек, — количество мест, из которых клиент может получить доступ к вашим возможностям». Не потому, что 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 работу, для которой они созданы. MCP соединяет их.
Недавно мы запустили MCP-сервер DeepL, который переносит языковые возможности DeepL в виде возможностей ИИ напрямую в такие ассистенты, как Microsoft Copilot, ChatGPT и Claude, а также в другие совместимые инструменты.
Подключите DeepL MCP к своему стеку.
