Agentic AI та MCP
Different from chatbots: агенти не просто відповідають — вони викликають інструменти, читають файли, відсилають email, проводять платежі. Це принципово інший рівень ризику. Цей модуль розкриває архітектуру агентів, Model Context Protocol (MCP), та governance-implications, з якими CAIO зустрічається у 2026.
Що ви опануєте
- AI-агент = LLM + tools + memory + instructions
- Model Context Protocol (MCP) як новий стандарт
- Multi-agent системи з planner-моделями
- Governance implications agentic AI (на що дивитись)
Концепція 1: Що таке AI-агент
AI-агент = LLM + tools + memory + instructions. LLM міркує, який інструмент використати на кожному кроці.
Спрощений flow:
- User: "Запиши мою зустріч з Олександром на завтра 15:00".
- Agent міркує: "потрібен calendar tool".
- Agent викликає
create_event(title=..., date=..., time=...). - Calendar API повертає success.
- Agent формує response: "Зустріч записана на завтра 15:00".
Це не magic. LLM просто має system prompt, що описує доступні tools та коли їх використовувати.
Концепція 2: Типові tools
Що агент може робити:
| Tool category | Приклади |
|---|---|
| Information | Web search, doc retrieval (RAG) |
| Code | Code execution (Python, JS), test running |
| APIs | CRM lookups, ticket creation, JIRA queries |
| Communication | Email send, Slack message, Teams post |
| Files | Read/write SharePoint, Drive, OneDrive |
| Calendar | Read events, create/modify meetings |
Кожен tool — це окремий ризик-домен. Web search — обмежений. Email send — high-stakes. File modification — irreversible.
Концепція 3: Model Context Protocol (MCP)
Model Context Protocol — відкритий стандарт (запропонований Anthropic), що стандартизує інтерфейс LLM ↔ інструменти. Це enterprise-готовий замінник ad-hoc plugin-систем.
Чому MCP важливий для CAIO:
| Без MCP | З MCP |
|---|---|
| Кожен tool — кастомна інтеграція з кожною LLM | Один MCP-server працює з усіма MCP-clients |
| Vendor lock-in | Vendor-нейтрально |
| Складно audit'ити | Стандартизовані logs, schemas |
Топ-MCP servers, доступних у 2026:
- GitHub MCP, Slack MCP, Drive MCP, Notion MCP.
- Enterprise: Salesforce, SAP, Workday — починають з'являтись.
Якщо ваша компанія будує agentic AI — настоюйте на MCP-based architecture. Це інвестиція у future-proofing.
Концепція 4: Multi-agent системи
Складні воркфлоу використовують спеціалізовані агенти, координовані planner-агентом:
| Agent | Спеціалізація |
|---|---|
| Planner | Декомпозиція задачі, координація |
| Researcher | Пошук інформації, RAG |
| Writer | Генерація content |
| Reviewer | Перевірка quality, fact-checking |
| Executor | Виконання concrete дій |
Плюси:
- Модульність — легше debugger'ити.
- Specialization — кожен agent оптимізований для своєї задачі.
- Parallel execution — швидше.
Мінуси:
- Складність аудиту.
- Cascade failures — bug у planner ламає весь pipeline.
- Cost — більше LLM-calls = вища ціна.
Не використовуйте multi-agent для простих задач. Single agent з 3-4 tools = 80% use cases. Multi-agent — для дійсно складних orchestration scenarios.
Концепція 5: Governance implications
4 ключові виклики для CAIO у agentic AI:
1. Незворотні дії
Agent надіслав email — повернути неможливо. Agent зробив платіж — chargeback процес. Кожна irreversible операція має проходити через human approval gate.
2. Несподіване chaining
Agent може chain'ити tools у способи, не передбачені дизайнером. Class приклад: agent для "сумаризації inbox" вирішує "почистити" по дорозі, надсилаючи delete-команди.
3. Prompt injection → action
Раніше prompt injection видавала текст. Тепер вона виконує дії. Це різниця між embarrassment і incident.
4. Audit trails критичні
Без logs неможливо розслідувати: "чому agent зробив X?". Кожен tool call, кожна decision, кожен approval gate — має логуватись.
Концепція 6: Human-in-the-loop
Required для агентів, що торкаються зовнішніх систем. Базовий список actions, що завжди потребують human approval:
| Action | Чому |
|---|---|
| Payments / refunds | Незворотні фінансові наслідки |
| External email (поза organization) | Reputation, legal exposure |
| Production data delete / modify | Outage / data loss |
| Sensitive data export | Compliance violation |
| External party meetings | Calendar pollution, reputation |
UX-патерн: agent готує дію, показує preview, людина клікає "approve". 30 секунд delay = недопустимо мало для irreversible action.
Концепція 7: Sandbox перед production
Тестуйте agent у ізольованому середовищі з фейковими даними протягом тижнів перед production-release. Це не паранойя — це mandatory.
Sandbox setup:
- Окремий tenant без production-даних.
- Mock APIs замість real APIs.
- Red-team prompts протягом 2+ тижнів.
- Edge case testing: prompt injection, jailbreaks, edge data.
Production release — gradual:
- 10 users → 1 тиждень моніторингу.
- 100 users → 2 тижні моніторингу.
- Full rollout — тільки після clean metrics.
"Запустимо у production у п'ятницю, побачимо що буде." Це формула для понеділкового incident review з CEO. Agentic AI потребує дисципліни release engineering.
Чекліст: запуск agentic AI
- Архітектура на основі MCP, не ad-hoc plugins
- Least-privilege для tool permissions
- Human-in-the-loop gates для всіх irreversible actions
- Immutable audit logs з cryptographic chain
- Sandbox testing 2+ тижнів з red-team prompts
- Gradual rollout: 10 → 100 → full
- Post-release моніторинг — спрямований на pattern detection
Глибше у джерелах
Підсумок
Agentic AI — це частина майбутнього, не теперішнього для більшості enterprise. Готуйтесь, але не вистрибуйте першими у незрозумілий риф. MCP + least privilege + human gates + sandbox — це 4 принципи, що відрізняють safe agentic deployment від incident-history.
Наступний трек: Прийняття та зміни — як драйвити culture change, що визначає 90% AI-success.