जैसे-जैसे AI एजेंट साधारण चैटबॉट्स से स्वायत्त (autonomous) वर्कर्स में बदल रहे हैं, वे बाहरी टूल्स और डेटा के साथ इंटरैक्ट करने के लिए तेजी से Model Context Protocol (MCP) पर निर्भर हो रहे हैं। हालांकि, इस क्षमता के साथ एक छिपा हुआ वित्तीय और प्रदर्शन संबंधी खर्च (cost) भी आता है, जिसे Okta अब हल करने की दिशा में कदम बढ़ा रहा है।

AI Orchestration में "Tool Tax" को समझना

जब कोई AI एजेंट MCP सर्वर के माध्यम से किसी वातावरण (environment) के साथ इंटरैक्ट करता है, तो हर एक मॉडल कॉल के लिए एजेंट को अपनी उपलब्ध क्षमताओं को समझना आवश्यक होता है। ऐसा करने के लिए, सिस्टम को टूल स्कीमा (tool schemas), नाम, विवरण और पैरामीटर्स की पूरी सूची को प्रॉम्प्ट कॉन्टेक्स्ट (prompt context) में पास करना पड़ता है।

Okta ने इस घटना को "tool tax" के रूप में पहचाना है। जैसे-जैसे एकीकृत (integrated) टूल्स की संख्या बढ़ती है, प्रॉम्प्ट ओवरहेड (prompt overhead) तेजी से बढ़ता जाता है। इससे टोकन की खपत में काफी वृद्धि होती है, जो सीधे तौर पर परिचालन लागत (operational costs) को बढ़ाती है और एजेंट द्वारा उठाए गए हर रीजनिंग स्टेप के लिए लेटेंसी (latency) बढ़ा देती है। सैकड़ों टूल्स का प्रबंधन करने वाले एंटरप्राइज-स्केल डिप्लॉयमेंट के लिए, यह ओवरहेड बजट और प्रदर्शन दोनों के लिए एक बड़ी बाधा बन सकता है।

Identity-Scoped MCP के साथ ओवरहेड का समाधान

इस अक्षमता को कम करने के लिए, Okta 'identity-scoped MCP tool lists' पेश कर रहा है। हर मॉडल रिक्वेस्ट को हर उपलब्ध टूल के बारे में बताने के बजाय, Okta का दृष्टिकोण टूलसेट को गतिशील रूप से (dynamically) फ़िल्टर करने के लिए identity and access management (IAM) का उपयोग करता है।

identity-scoped scoping को लागू करके, MCP सर्वर केवल उन्हीं विशिष्ट टूल डेफिनिशन (tool definitions) को प्रदान करता है जिनका उपयोग करने के लिए प्रमाणित (authenticated) यूजर या एजेंट अधिकृत (authorized) है। यदि कोई एजेंट किसी जूनियर कर्मचारी की ओर से कार्य कर रहा है, तो उसे कुल टूल स्कीमा का केवल एक हिस्सा ही प्राप्त होगा; यदि वह एक एडमिनिस्ट्रेटर की ओर से कार्य करता है, तो उसे पूरा सूट प्राप्त होगा। यह सुनिश्चित करता है कि मॉडल का कॉन्टेक्स्ट विंडो अप्रासंगिक या अनधिकृत टूल विवरणों से न भरे, जिससे प्रत्येक इन्फरेंस कॉल (inference call) के लिए आवश्यक टोकन की संख्या प्रभावी रूप से कम हो जाती है।

AI इकोसिस्टम के लिए यह क्यों महत्वपूर्ण है

यह विकास "capability-centric" AI से "governance-centric" AI की ओर एक महत्वपूर्ण बदलाव का संकेत है। जैसे-जैसे डेवलपर्स अधिक जटिल एजेंटिक वर्कफ़्लो (agentic workflows) की ओर बढ़ रहे हैं, उद्योग यह महसूस कर रहा है कि केवल ब्रूट-फोर्स प्रॉम्प्टिंग (brute-force prompting) के माध्यम से स्केल प्राप्त नहीं किया जा सकता है।

Okta की रणनीति एंटरप्राइज AI अपनाने में दो सबसे महत्वपूर्ण बाधाओं को संबोधित करती है: लागत अनुकूलन (cost optimization) और सुरक्षा। टूल एक्सपोज़र को पहचान (identity) से जोड़कर, Okta न केवल "tool tax" को कम करता है बल्कि प्रोटोकॉल स्तर पर 'principle of least privilege' को भी लागू करता है। यह सुनिश्चित करता है कि कोई AI एजेंट अनजाने में किसी संवेदनशील फंक्शन—जैसे कि डेटाबेस डिलीशन टूल—को न खोज सके या उसे कॉल करने का प्रयास न कर सके, सिर्फ इसलिए क्योंकि उस टूल का स्कीमा प्रॉम्प्ट कॉन्टेक्स्ट में मौजूद था।

मुख्य बातें (Key Takeaways)

  • टोकन की बर्बादी कम करना: Identity-scoped MCP, LLMs को भेजे जाने वाले टूल स्कीमा को सीमित करता है, जिससे सीधे तौर पर "tool tax" कम होता है और इन्फरेंस लागत में कमी आती है।
  • बेहतर सुरक्षा: यूजर की पहचान के आधार पर टूल्स को फ़िल्टर करके, Okta सख्त एक्सेस कंट्रोल लागू करता है, जिससे एजेंटों को अनधिकृत फंक्शन तक पहुँचने से रोका जा सकता है।
  • स्केलेबल एजेंटिक वर्कफ़्लो: स्कोपिंग (Scoping) उद्यमों को टूल्स की विशाल लाइब्रेरी तैनात करने की अनुमति देती है, बिना लेटेंसी और प्रॉम्प्ट ओवरहेड में उस रैखिक वृद्धि (linear increase) के जो आमतौर पर बड़े पैमाने के MCP कार्यान्वयन में देखी जाती है।

निष्कर्ष (Bottom line): टूल एक्सपोज़र को पहचान से जोड़कर, Okta टोकन की उस अधिकता (bloat) को कम करता है जिसने बड़े पैमाने पर AI एजेंट डिप्लॉयमेंट में बाधा डाली है, और साथ ही सुरक्षा को भी कड़ा करता है। यह कदम उद्योग को गवर्नेंस-सेंट्रिक AI की ओर धकेलता है, जहाँ लागत, गति और एक्सेस कंट्रोल को बाद में जोड़ने के बजाय प्रोटोकॉल के भीतर ही शामिल किया जाता है।