AI ఏజెంట్లు సాధారణ చాట్‌బాట్‌ల నుండి స్వయంప్రతిపత్తి కలిగిన వర్కర్లుగా మారుతున్న కొద్దీ, బాహ్య సాధనాలు (tools) మరియు డేటాతో పరస్పర చర్యలు జరపడానికి అవి Model Context Protocol (MCP) పై మరింత ఎక్కువగా ఆధారపడుతున్నాయి. అయితే, ఈ సామర్థ్యం వెనుక ఒక దాగి ఉన్న ఆర్థిక మరియు పనితీరు ఖర్చు ఉంది, దీనిని Okta ఇప్పుడు పరిష్కరించడానికి ప్రయత్నిస్తోంది.

AI Orchestrationలో "Tool Tax"ను అర్థం చేసుకోవడం

ఒక AI ఏజెంట్ MCP సర్వర్ ద్వారా ఒక ఎన్విరాన్మెంట్‌తో పరస్పర చర్య జరిపినప్పుడు, ప్రతి మోడల్ కాల్ (model call) ఏజెంట్ తన వద్ద ఉన్న సామర్థ్యాలను అర్థం చేసుకోవాల్సి ఉంటుంది. దీని కోసం, సిస్టమ్ మొత్తం టూల్ స్కీమాలు (tool schemas), పేర్లు, వివరణలు మరియు పారామితులను ప్రాంప్ట్ కాంటెక్స్ట్‌లోకి పంపాలి.

Okta ఈ దృగ్విషయాన్ని "tool tax" అని గుర్తించింది. ఇంటిగ్రేట్ చేయబడిన టూల్స్ సంఖ్య పెరిగేకొద్దీ, ప్రాంప్ట్ ఓవర్‌హెడ్ (prompt overhead) ఎక్స్‌పోనెన్షియల్‌గా పెరుగుతుంది. ఇది టోకెన్ వినియోగాన్ని గణనీయంగా పెంచుతుంది, ఇది నేరుగా నిర్వహణ ఖర్చులను పెంచుతుంది మరియు ఏజెంట్ తీసుకునే ప్రతి రీజనింగ్ స్టెప్ యొక్క లాటెన్సీని (latency) పెంచుతుంది. వందలాది టూల్స్‌ను నిర్వహించే ఎంటర్‌ప్రైజ్-స్కేల్ డిప్లాయ్‌మెంట్‌ల కోసం, ఈ ఓవర్‌హెడ్ బడ్జెట్ మరియు పనితీరు రెండింటికీ ఒక ప్రధాన అడ్డంకిగా మారవచ్చు.

Identity-Scoped MCPతో ఓవర్‌హెడ్‌ను పరిష్కరించడం

ఈ అసమర్థతను తగ్గించడానికి, Okta identity-scoped MCP టూల్ లిస్టులను పరిచయం చేస్తోంది. ప్రతి మోడల్ రిక్వెస్ట్‌కు అందుబాటులో ఉన్న ప్రతి టూల్‌ను బ్రాడ్‌కాస్ట్ చేసే బదులు, Okta యొక్క విధానం టూల్‌సెట్‌ను డైనమిక్‌గా ఫిల్టర్ చేయడానికి Identity and Access Management (IAM)ని ఉపయోగిస్తుంది.

Identity-scoped విధానాన్ని అమలు చేయడం ద్వారా, ప్రామాణీకరించబడిన (authenticated) యూజర్ లేదా ఏజెంట్ ఉపయోగించడానికి అనుమతి ఉన్న నిర్దిష్ట టూల్ నిర్వచనాలను మాత్రమే MCP సర్వర్ అందిస్తుంది. ఒక ఏజెంట్ జూనియర్ ఉద్యోగి తరపున పనిచేస్తుంటే, అది మొత్తం టూల్ స్కీమాలో ఒక చిన్న భాగాన్ని మాత్రమే అందుకుంటుంది; ఒకవేళ అది అడ్మినిస్ట్రేటర్ తరపున పనిచేస్తుంటే, అది పూర్తి సెట్‌ను అందుకుంటుంది. దీనివల్ల మోడల్ యొక్క కాంటెక్స్ట్ విండో అనవసరమైన లేదా అనధికారిక టూల్ వివరణలతో నిండిపోదు, తద్వారా ప్రతి ఇన్ఫరెన్స్ కాల్‌కు అవసరమైన టోకెన్ల సంఖ్య గణనీయంగా తగ్గుతుంది.

AI Ecosystemకు ఇది ఎందుకు ముఖ్యం

ఈ అభివృద్ధి "capability-centric" AI నుండి "governance-centric" AI వైపు ఒక కీలక మార్పును సూచిస్తుంది. డెవలపర్లు మరింత సంక్లిష్టమైన ఏజెంటిక్ వర్క్‌ఫ్లోల (agentic workflows) వైపు వెళ్తున్న కొద్దీ, బ్రూట్-ఫోర్స్ ప్రాంప్టింగ్ (brute-force prompting) ద్వారా స్కేల్‌ను సాధించలేమని పరిశ్రమ గ్రహిస్తోంది.

Okta యొక్క వ్యూహం ఎంటర్‌ప్రైజ్ AI అడాప్షన్‌లో ఉన్న రెండు అతి ముఖ్యమైన అడ్డంకులను పరిష్కరిస్తుంది: ఖర్చు ఆప్టిమైజేషన్ (cost optimization) మరియు భద్రత (security). టూల్ ఎక్స్‌పోజర్‌ను ఐడెంటిటీతో అనుసంధానించడం ద్వారా, Okta "tool tax"ను తగ్గించడమే కాకుండా, ప్రోటోకాల్ స్థాయిలో 'least privilege' సూత్రాన్ని అమలు చేస్తుంది. దీనివల్ల, ఒక టూల్ స్కీమా ప్రాంప్ట్ కాంటెక్స్ట్‌లో ఉన్నంత మాత్రాన, AI ఏజెంట్ అనుకోకుండా డేటాబేస్ డిలీషన్ టూల్ వంటి సున్నితమైన ఫంక్షన్‌ను కనుగొనడం లేదా పిలవడానికి ప్రయత్నించడం జరగదు.

ముఖ్య అంశాలు

  • టోకెన్ వృధాను తగ్గించడం: Identity-scoped MCP, LLMలకు పంపే టూల్ స్కీమాలను పరిమితం చేస్తుంది, తద్వారా "tool tax"ను నేరుగా తగ్గించి, ఇన్ఫరెన్స్ ఖర్చులను తగ్గిస్తుంది.
  • మెరుగైన భద్రత: యూజర్ ఐడెంటిటీ ఆధారంగా టూల్స్‌ను ఫిల్టర్ చేయడం ద్వారా, Okta కఠినమైన యాక్సెస్ కంట్రోల్‌ను అమలు చేస్తుంది, తద్వారా ఏజెంట్లు అనధికారిక ఫంక్షన్‌లను యాక్సెస్ చేయకుండా నిరోధిస్తుంది.
  • స్కేలబుల్ ఏజెంటిక్ వర్క్‌ఫ్లోలు: స్కోపింగ్ వల్ల, పెద్ద ఎత్తున MCP ఇంప్లిమెంటేషన్లలో సాధారణంగా కనిపించే లాటెన్సీ మరియు ప్రాంప్ట్ ఓవర్‌హెడ్ పెరగకుండానే, ఎంటర్‌ప్రైజ్‌లు విస్తృతమైన టూల్ లైబ్రరీలను ఉపయోగించవచ్చు.

Bottom line: టూల్ ఎక్స్‌పోజర్‌ను ఐడెంటిటీతో అనుసంధానించడం ద్వారా, Okta పెద్ద ఎత్తున AI ఏజెంట్ డిప్లాయ్‌మెంట్‌లకు అడ్డంకిగా ఉన్న టోకెన్ బ్లోట్‌ను (token bloat) తగ్గించడమే కాకుండా భద్రతను కూడా పెంచుతుంది. ఈ చర్య పరిశ్రమను గవర్నెన్స్-కేంద్రీకృత AI వైపు నడిపిస్తుంది, ఇక్కడ ఖర్చు, వేగం మరియు యాక్సెస్ కంట్రోల్ అనేవి ప్రోటోకాల్‌లో అంతర్భాగంగా ఉంటాయి.