ในขณะที่เอเจนต์ AI กำลังเปลี่ยนผ่านจากแชตบอตธรรมดาไปสู่ผู้ปฏิบัติงานอัตโนมัติ พวกเขาจึงต้องพึ่งพา Model Context Protocol (MCP) มากขึ้นในการโต้ตอบกับเครื่องมือและข้อมูลภายนอก อย่างไรก็ตาม ความสามารถนี้มาพร้อมกับต้นทุนแฝงทั้งในด้านการเงินและประสิทธิภาพ ซึ่งขณะนี้ Okta กำลังดำเนินการแก้ไขปัญหานี้

ทำความเข้าใจ "Tool Tax" ในการประสานงาน AI (AI Orchestration)

เมื่อเอเจนต์ AI โต้ตอบกับสภาพแวดล้อมผ่าน MCP server ทุกการเรียกใช้งานโมเดลจำเป็นต้องให้เอเจนต์เข้าใจความสามารถที่มีอยู่ เพื่อให้บรรลุสิ่งนี้ ระบบจะต้องส่งรายการ schema ของเครื่องมือทั้งหมด ชื่อ คำอธิบาย และพารามิเตอร์เข้าไปในบริบทของพรอมต์ (prompt context)

Okta ระบุว่าปรากฏการณ์นี้คือ “tool tax” (ภาษีเครื่องมือ) เมื่อจำนวนเครื่องมือที่รวมเข้าด้วยกันเพิ่มขึ้น ภาระของพรอมต์ (prompt overhead) ก็จะขยายตัวขึ้นแบบทวีคูณ สิ่งนี้ส่งผลให้การใช้โทเคนเพิ่มขึ้นอย่างมีนัยสำคัญ ซึ่งทำให้ต้นทุนการดำเนินงานสูงขึ้นโดยตรงและเพิ่มความหน่วง (latency) ในทุกขั้นตอนการใช้เหตุผลของเอเจนต์ สำหรับการปรับใช้ในระดับองค์กรที่ต้องจัดการเครื่องมือหลายร้อยรายการ ภาระส่วนเกินนี้สามารถกลายเป็นคอขวดสำคัญสำหรับทั้งงบประมาณและประสิทธิภาพ

การแก้ปัญหาภาระส่วนเกินด้วย Identity-Scoped MCP

เพื่อลดความไร้ประสิทธิภาพนี้ Okta กำลังนำเสนอรายการเครื่องมือ MCP แบบกำหนดขอบเขตตามอัตลักษณ์ (identity-scoped MCP tool lists) แทนที่จะส่งเครื่องมือที่มีอยู่ทั้งหมดไปยังทุกคำขอของโมเดล แนวทางของ Okta จะใช้การจัดการอัตลักษณ์และการเข้าถึง (IAM) เพื่อกรองชุดเครื่องมือแบบไดนามิก

ด้วยการใช้การกำหนดขอบเขตตามอัตลักษณ์ (identity-scoped scoping) MCP server จะให้เพียงคำนิยามของเครื่องมือเฉพาะที่ผู้ใช้หรือเอเจนต์ที่ผ่านการยืนยันตัวตนได้รับอนุญาตให้ใช้เท่านั้น หากเอเจนต์กำลังดำเนินการในนามของพนักงานระดับต้น จะได้รับเพียงชุดย่อยของ schema เครื่องมือทั้งหมด แต่หากดำเนินการในนามของผู้ดูแลระบบ จะได้รับชุดเครื่องมือเต็มรูปแบบ สิ่งนี้ช่วยให้มั่นใจได้ว่าหน้าต่างบริบท (context window) ของโมเดลจะไม่ถูกรบกวนด้วยคำอธิบายเครื่องมือที่ไม่เกี่ยวข้องหรือไม่ได้รับอนุญาต ซึ่งช่วยลดจำนวนโทเคนทีต้องใช้ในการเรียกใช้งาน inference แต่ละครั้งได้อย่างมีประสิทธิภาพ

ทำไมเรื่องนี้จึงสำคัญต่อระบบนิเวศ AI

การพัฒนานี้ถือเป็นการเปลี่ยนแปลงครั้งสำคัญจาก AI ที่ "เน้นความสามารถ" (capability-centric) ไปสู่ AI ที่ "เน้นการกำกับดูแล" (governance-centric) เมื่อนักพัฒนาขยับไปสู่วงจรการทำงานของเอเจนต์ (agentic workflows) ที่ซับซ้อนมากขึ้น อุตสาหกรรมเริ่มตระหนักว่าการขยายขนาดไม่สามารถทำได้ผ่านการใช้พรอมต์แบบ brute-force

กลยุทธ์ของ Okta ตอบโจทย์อุปสรรคที่สำคัญที่สุดสองประการในการนำ AI มาใช้ในระดับองค์กร นั่นคือ การเพิ่มประสิทธิภาพด้านต้นทุนและความปลอดภัย การผูกการเปิดเผยเครื่องมือเข้ากับอัตลักษณ์ ไม่เพียงแต่ช่วยลด "tool tax" เท่านั้น แต่ยังบังคับใช้หลักการให้สิทธิ์เท่าที่จำเป็น (principle of least privilege) ในระดับโปรโตคอลอีกด้วย สิ่งนี้ช่วยให้มั่นใจได้ว่าเอเจนต์ AI จะไม่ค้นพบหรือพยายามเรียกใช้ฟังก์ชันที่ละเอียดอ่อนโดยไม่ตั้งใจ เช่น เครื่องมือลบฐานข้อมูล เพียงเพราะ schema ของเครื่องมือนั้นปรากฏอยู่ในบริบทของพรอมต์

สรุปประเด็นสำคัญ

  • ลดการสิ้นเปลืองโทเคน: Identity-scoped MCP จำกัด schema ของเครื่องมือที่ส่งไปยัง LLMs ซึ่งช่วยลด "tool tax" และลดต้นทุนการ inference โดยตรง
  • ยกระดับความปลอดภัย: ด้วยการกรองเครื่องมือตามอัตลักษณ์ของผู้ใช้ Okta จึงบังคับใช้การควบคุมการเข้าถึงที่เข้มงวด ป้องกันไม่ให้เอเจนต์เข้าถึงฟังก์ชันที่ไม่ได้รับอนุญาต
  • วงจรการทำงานของเอเจนต์ที่ขยายขนาดได้: การกำหนดขอบเขตช่วยให้องค์กรสามารถปรับใช้คลังเครื่องมือจำนวนมหาศาลได้โดยไม่ทำให้ความหน่วงและภาระของพรอมต์เพิ่มขึ้นเป็นเส้นตรงเหมือนที่มักพบในการใช้งาน MCP ขนาดใหญ่

สรุป: ด้วยการผูกการเปิดเผยเครื่องมือเข้ากับอัตลักษณ์ Okta ช่วยลดการบวมของโทเคน (token bloat) ที่เคยขัดขวางการปรับใช้เอเจนต์ AI ขนาดใหญ่ พร้อมกับเพิ่มความปลอดภัยให้รัดกุมยิ่งขึ้น การเคลื่อนไหวนี้ผลักดันอุตสาหกรรมไปสู่ AI ที่เน้นการกำกับดูแล (governance-centric AI) ซึ่งต้นทุน ความเร็ว และการควบคุมการเข้าถึงจะถูกสร้างไว้ในโปรโตคอล แทนที่จะเป็นการนำมาติดตั้งเพิ่มภายหลัง