MCP: как AI-агенты становятся умнее и самостоятельнее благодаря новому протоколу

В мире ИИ появился новый язык общения — Model Context Protocol (MCP). За несколько месяцев его подхватили OpenAI, Microsoft, Google, Amazon и другие гиганты. Но что это значит для бизнеса, и почему MCP может изменить рынок ИИ-агентов, разбирались аналитики BCG.

MCP — «переговорная комната» для ИИ
Представим, что каждый агент — гениальный одиночка: варится в своём «котле» данных, интеграция и координация сложные. MCP решает эту проблему, создавая единый протокол, позволяющий агентам:

⚫️быстро обмениваться данными, инструментами и знаниями;
⚫️координировать действия между собой и с людьми;
⚫️легко интегрироваться с корпоративными системами через REST/gRPC API и SDK с открытым исходным кодом на Python, JS, Go.

Протокол поддерживает работу с популярными платформами (LangChain, HuggingFace и др.), сборку без программирования и автоматизацию сложных процессов.

Зачем MCP бизнесу?
⚫️Ускорить внедрение AI: запускайте агентов за дни благодаря low-code-платформам и API. Подключайте новых агентов и интегрируйте их с существующими системами без головной боли. MCP позволяет создавать мультиагентные системы, в которых агенты разных производителей и на разных языках могут работать вместе.
⚫️Обеспечить безопасность: MCP включает контроль доступа, стандартизацию запросов и аудит, чтобы ваши данные были в безопасности.

Выводы
По выводам отчета каждые 7 месяцев ИИ-агенты удваивают время автономной работы без необходимости контроля со стороны человека — сегодня они могут работать без надзора уже час и приходить к вам с готовым результатом. Получается, к 2027-2028-му они смогут трудиться с 9 до 18, а к 2030-му — приходить с отчетом раз в месяц.

MCP ускоряет этот прогресс, превращая одиночных помощников в настоящую автономную команду, которую можно смело оставлять без постоянного надзора.

Подробнее — в прикрепленном файле

Immersive Factory — платформа для VR-тренировок и обучения в области безопасности на рабочем месте

Компания проводит обучение с помощью популярных гарнитур (Pico Neo 3, Meta Quest 2 и другие) и собственного ПО и работает с различными отраслями — например, со стройкой, фармой, логистикой и другими. Среди клиентов: Shell, Colas, Siemens, Moët Hennessy, Suez, Volvo, P&G, Engie, Airbus и другие.

Кейсы:
⚫️Tyson Foods сократила после обучения производственный травматизм на 20%. 89% учащихся заявили, что почувствовали себя более подготовленными после обучения в виртуальной реальности.
⚫️Компания Verizon обучала сотрудников действиям при вооружённом нападении на магазин. В результате 97% сотрудников заявили, что чувствуют себя готовыми к опасной ситуации.

В Deep Research в ChatGPT добавили интеграцию с GitHub — пока в бета-версии

Вайбкодеры, возрадуйтесь: теперь можно напрямую анализировать репозитории кода и связанные с ними документы, размещённые на GitHub.

Что можно
🔵задавать вопросы о конкретных репозиториях кода;
🔵запрашивать сводки структуры кода и шаблонов;
🔵понимать, как реализовывать API с помощью примеров, взятых непосредственно из подключённого контента GitHub.

Как работает
Подключаете репозиторий → ChatGPT выполняет расширенный анализ, по времени от 5 до 30 минут → после интерпретации кода и документации ИИ составляет структурированный отчёт со ссылками на конкретные строки кода.

Фича пока доступна подписчикам ChatGPT Plus, Pro и Team, но собираются раскатить и на пользователей Enterprise и Education.

Главные тренды ИИ в 2025 — BCG AI Radar 2025

⚫️Инвестиции в генеративный ИИ вырастут на 60% за 3 года. Каждая третья из 1800 опрошенных компаний планирует потратить более $25 млн в 2025.

⚫️75% руководителей считают ИИ приоритетом, но только 25% видят реальную пользу. ИИ повышает производительность на 10-20%, эффективность процессов — на 30-50%, помогает создавать новые продукты.

⚫️76% компаний считают, что кибербезопасность ИИ требует улучшения. Главные риски: защита данных и контроль решений ИИ.

⚫️67% компаний считают, что ИИ-агенты (автономные помощники) ускорят работу в 3 раза и улучшат взаимодействие с клиентами. Важно ставить реалистичные цели.

⚫️60% компаний не отслеживают финансовую отдачу от ИИ. Лучшие тратят 10% усилий на алгоритмы, 20% — на технологии, 70% — на обучение и процессы.

⚫️В 70% компаний хотя бы четверть сотрудников обучены работать с ИИ, 68% планируют продолжать обучение.

⚫️Рекомендации BCG: сосредоточьтесь на 2-3 ключевых задачах, внедряйте KPI, усиливайте безопасность и начинайте с небольших проектов с ИИ-агентами.

Подробнее — в приложенном отчете👆

LLM на борту дрона без облаков — исследование лаборатории DroneCam

Одна из проблем использования LLM на дронах — ограниченные ресурсы бортовых компьютеров. Традиционные LLM вроде GPT-4 требуют серверных мощностей. Ученые из лаборатории DroneCam (из ИПУ РАН Трапезникова и Московского Политеха) придумали способ, как работать прямо на борту дрона — без облака и внешнего сервера.

Что делали:
🔵Оптимизировали модели через квантование (сжатие без потери качества).
🔵Протестировали Qwen2.5-Coder в трёх размерах (0.5B–3B) на одноплатнике Orange Pi 5B (NPU Rockchip RK3588S).
🔵Для проверки кода разработали бенчмарк на 125 сценариев: LLM должна была сгенерировать код для автономного полёта на основе задания на естественном языке.

Результаты
🔵NPU позволяет значительно увеличить скорость обработки данных без потери качества модели. Все три сборки продемонстрировали стабильное качество на бенчмарке.

🔵Так что автономный дрон с LLM-интерфейсом — это уже не что-то из разряда фантастики. Главное — правильно выбрать модель, аппаратную платформу и отловить типовые ошибки генерации.

6 репозиториев Гитхаба для тех, кто проектирует — архитектуру или агентов

Мы уже писали, что MCP становится стандартом для интеграции ИИ, как когда-то REST для API. А мультиагентные системы — следующий шаг после одиночных LLM. Ниже — 6 интересных проектов с Гитхаба для тех, кто разрабатывает ИИ-агентов или использует нейросети в проектировании.

1️⃣ OpenWebUI превращает инструменты MCP в HTTP-серверы, совместимые с OpenAPI. Теперь ИИ-сервисы легко интегрируются с RESTful API без «костылей».

2️⃣ Unbody — модульный сервер для создания ИИ, который понимает контекст, а не просто перебирает данные. Он преобразует необработанные данные в структурированные знания, умеет рассуждать и выдавать результат через API. Работает в 4 слоях: восприятие → память → рассуждение → действие. Пригодится тем, кто строит умные чат-боты или аналитические системы с памятью и логикой.

3️⃣ OWL: мультиагентные системы в действии. Фреймворк для мультиагентных систем на основе CAMEL-AI. Позволяет запускать несколько специализированных ИИ-агентов, которые взаимодействуют друг с другом через браузер, терминал, API или MCP-инструменты.

OWL отлично подходит для экспериментов с распределённым ИИ, где разные агенты выполняют разные роли и задачи, а результат достигается за счёт их взаимодействия.

4️⃣ F/mcptools — MCP Tools CLI — терминал для взаимодействия с MCP-серверами через командную строку. Позволяет находить, вызывать и тестировать ИИ-инструменты прямо из терминала. Поддерживает JSON, HTTP и даже мок-серверы для тестов. Если вы работаете с MCP-инфраструктурой, то можно ускорить интеграцию, отладку и тестирование.

5️⃣ Letta — универсальный формат для ИИ-агентов. Открытый стандарт для упаковки и переноса ИИ-агентов между LangGraph, CrewAI и другими фреймворками без переписывания кода, с контролем версий и чекпоинтами. Letta использует файл-архив .af, в котором сохраняются память, поведение и состояние агента.

6️⃣ Блендер-MCP — инструмент для интеграции Blender с Claude AI через MCP. Теперь можно проектировать на Blender с помощью текста — в том числе управлять сценами, объектами и материалами. Мы даже показывали эксперименты с ним или с чем-то похожим.