ਜਿਵੇਂ ਕਿ AI agents ਸਧਾਰਨ ਚੈਟਬੋਟਾਂ ਤੋਂ ਖੁਦਮੁਖਤਿਆਰ ਵਰਕਰਾਂ (autonomous workers) ਵਿੱਚ ਬਦਲ ਰਹੇ ਹਨ, ਉਹ ਬਾਹਰੀ ਟੂਲਜ਼ ਅਤੇ ਡੇਟਾ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਲਈ Model Context Protocol (MCP) 'ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਨਿਰਭਰ ਕਰ ਰਹੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸ ਸਮਰੱਥਾ ਦੇ ਨਾਲ ਇੱਕ ਲੁਕੀ ਹੋਈ ਵਿੱਤੀ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਕੀਮਤ (cost) ਆਉਂਦੀ ਹੈ ਜਿਸ ਨੂੰ ਹੁਣ Okta ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ।

AI Orchestration ਵਿੱਚ "Tool Tax" ਨੂੰ ਸਮਝਣਾ

ਜਦੋਂ ਇੱਕ AI agent ਇੱਕ MCP server ਰਾਹੀਂ ਕਿਸੇ ਵਾਤਾਵਰਣ ਨਾਲ ਗੱਲਬਾਤ ਕਰਦਾ ਹੈ, ਤਾਂ ਹਰ ਇੱਕ model call ਲਈ agent ਨੂੰ ਆਪਣੀਆਂ ਉਪਲਬਧ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਜਿਹਾ ਕਰਨ ਲਈ, ਸਿਸਟਮ ਨੂੰ tool schemas, ਨਾਮ, ਵੇਰਵੇ (descriptions), ਅਤੇ parameters ਦੀ ਪੂਰੀ ਸੂਚੀ prompt context ਵਿੱਚ ਭੇਜਣੀ ਪੈਂਦੀ ਹੈ।

Okta ਨੇ ਇਸ ਵਰਤਾਰੇ ਨੂੰ "tool tax" ਵਜੋਂ ਪਛਾਣਿਆ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ integrated tools ਦੀ ਗਿਣਤੀ ਵਧਦੀ ਹੈ, prompt overhead ਤੇਜ਼ੀ ਨਾਲ ਵਧਦਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਨਾਲ token ਦੀ ਖਪਤ ਵਿੱਚ ਭਾਰੀ ਵਾਧਾ ਹੁੰਦਾ ਹੈ, ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸੰਚਾਲਨ ਲਾਗਤਾਂ (operational costs) ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ ਅਤੇ agent ਦੁਆਰਾ ਲਏ ਜਾਣ ਵਾਲੇ ਹਰ ਤਰਕ ਕਦਮ (reasoning step) ਲਈ latency ਵਧਾਉਂਦਾ ਹੈ। ਸੈਂਕੜੇ ਟੂਲਜ਼ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਾਲੇ enterprise-scale deployments ਲਈ, ਇਹ overhead ਬਜਟ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੋਵਾਂ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਬਣ ਸਕਦਾ ਹੈ।

Identity-Scoped MCP ਨਾਲ Overhead ਨੂੰ ਹੱਲ ਕਰਨਾ

ਇਸ ਅਕੁਸ਼ਲਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ, Okta identity-scoped MCP tool lists ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ। ਹਰ available tool ਨੂੰ ਹਰ model request ਨੂੰ ਭੇਜਣ ਦੀ ਬਜਾਏ, Okta ਦਾ ਤਰੀਕਾ toolset ਨੂੰ ਗਤੀਸ਼ੀਲ ਰੂਪ ਵਿੱਚ ਫਿਲਟਰ ਕਰਨ ਲਈ identity and access management (IAM) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

Identity-scoped scoping ਨੂੰ ਲਾਗੂ ਕਰਕੇ, MCP server ਸਿਰਫ਼ ਉਹ ਖਾਸ tool definitions ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ authenticated user ਜਾਂ agent ਨੂੰ ਅਧਿਕਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਜੇਕਰ ਕੋਈ agent ਕਿਸੇ ਜੂਨੀਅਰ ਕਰਮਚਾਰੀ ਦੀ ਤਰਫੋਂ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਕੁੱਲ tool schema ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੀ ਮਿਲੇਗਾ; ਜੇਕਰ ਇਹ ਇੱਕ administrator ਦੀ ਤਰਫੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਪੂਰਾ ਸੂਟ ਮਿਲੇਗਾ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ model ਦਾ context window ਅਣਪ੍ਰਸੰਗਿਕ ਜਾਂ ਗੈਰ-ਅਧਿਕਾਰਤ tool descriptions ਨਾਲ ਨਹੀਂ ਭਰਿਆ ਜਾਵੇਗਾ, ਜਿਸ ਨਾਲ ਹਰ inference call ਲਈ ਲੋੜੀਂਦੇ tokens ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕਮੀ ਆਵੇਗੀ।

AI Ecosystem ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਇਹ ਵਿਕਾਸ "capability-centric" AI ਤੋਂ "governance-centric" AI ਵੱਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ developers ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ agentic workflows ਵੱਲ ਵਧ ਰਹੇ ਹਨ, ਉਦਯੋਗ ਇਹ ਮਹਿਸੂਸ ਕਰ ਰਿਹਾ ਹੈ ਕਿ brute-force prompting ਰਾਹੀਂ ਪੈਮਾਨਾ (scale) ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

Okta ਦੀ ਰਣਨੀਤੀ enterprise AI ਅਪਣਾਉਣ ਵਿੱਚ ਦੋ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟਾਂ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ: cost optimization ਅਤੇ security। Tool exposure ਨੂੰ identity ਨਾਲ ਜੋੜ ਕੇ, Okta ਨਾ ਸਿਰਫ਼ "tool tax" ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਬਲਕਿ protocol ਪੱਧਰ 'ਤੇ principle of least privilege ਨੂੰ ਵੀ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਕੋਈ AI agent ਅਣਜਾਣੇ ਵਿੱਚ ਕਿਸੇ ਸੰਵੇਦਨਸ਼ੀਲ function—ਜਿਵੇਂ ਕਿ database deletion tool—ਨੂੰ ਲੱਭਣ ਜਾਂ ਕਾਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਨਾ ਕਰ ਸਕੇ, ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ ਉਸ tool ਦਾ schema prompt context ਵਿੱਚ ਮੌਜੂਦ ਸੀ।

ਮੁੱਖ ਗੱਲਾਂ (Key Takeaways)

  • Token ਦੀ ਬਰਬਾਦੀ ਨੂੰ ਘਟਾਉਣਾ: Identity-scoped MCP, LLMs ਨੂੰ ਭੇਜੇ ਜਾਣ ਵਾਲੇ tool schemas ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ "tool tax" ਘਟਦਾ ਹੈ ਅਤੇ inference costs ਵਿੱਚ ਕਮੀ ਆਉਂਦੀ ਹੈ।
  • ਵਧੀ ਹੋਈ ਸੁਰੱਖਿਆ (Enhanced Security): User identity ਦੇ ਅਧਾਰ 'ਤੇ tools ਨੂੰ ਫਿਲਟਰ ਕਰਕੇ, Okta ਸਖ਼ਤ access controls ਲਾਗੂ ਕਰਦਾ ਹੈ, ਜੋ agents ਨੂੰ ਗੈਰ-ਅਧਿਕਾਰਤ functions ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਤੋਂ ਰੋਕਦਾ ਹੈ।
  • Scalable Agentic Workflows: Scoping ਉਦਯੋਗਾਂ ਨੂੰ tools ਦੀਆਂ ਵਿਸ਼ਾਲ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਬਿਨਾਂ latency ਅਤੇ prompt overhead ਦੇ ਉਸ ਰੇਖਿਕ ਵਾਧੇ ਦੇ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਵੱਡੇ ਪੱਧਰ ਦੇ MCP implementations ਵਿੱਚ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ।

ਸਿੱਟਾ (Bottom line): Tool exposure ਨੂੰ identity ਨਾਲ ਜੋੜ ਕੇ, Okta token bloat ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਜਿਸ ਨੇ ਵੱਡੇ ਪੱਧਰ ਦੇ AI agent deployments ਵਿੱਚ ਰੁਕਾਵਟ ਪਾਈ ਸੀ, ਅਤੇ ਨਾਲ ਹੀ ਸੁਰੱਖਿਆ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਦਾ ਹੈ। ਇਹ ਕਦਮ ਉਦਯੋਗ ਨੂੰ governance-centric AI ਵੱਲ ਧੱਕਦਾ ਹੈ, ਜਿੱਥੇ cost, speed, ਅਤੇ access control ਨੂੰ ਬਾਅਦ ਵਿੱਚ ਜੋੜਨ ਦੀ ਬਜਾਏ protocol ਦੇ ਅੰਦਰ ਹੀ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ।