Dyskusja o agentach AI często koncentruje się na modelach, promptach i automatyzacji. W środowisku przedsiębiorstwa równie ważne jest jednak pytanie: skąd agent wie, którym danym może zaufać, czy ma prawo ich użyć i jakie działanie może bezpiecznie wykonać?
Odpowiedzią nie jest samo podłączenie kolejnego źródła danych. Potrzebna jest warstwa zarządzania, która dostarcza kontekst, egzekwuje reguły i udostępnia agentowi konkretne, kontrolowane operacje. Przykład opisany przez Informatica pokazuje, jak taką rolę może pełnić headless data management oparty na Model Context Protocol, czyli MCP.
Najważniejsze wnioski
- Agent AI potrzebuje nie tylko rekordów, ale również metadanych, reguł dostępu, informacji o jakości i autorytatywnych danych podstawowych.
- MCP może udostępniać funkcje data management jako narzędzia wywoływane bezpośrednio w przepływie pracy agenta.
- Automatyzacja nie powinna omijać governance. Powinna działać wewnątrz ustalonych reguł, zatwierdzeń i mechanizmów audytu.
- Wartość katalogu danych, MDM i integracji rośnie, gdy ich możliwości można bezpiecznie wykorzystywać w wielu procesach agentowych.
Czym jest MCP w architekturze agentów AI?
Model Context Protocol to standard pozwalający aplikacjom AI odkrywać i wywoływać zewnętrzne narzędzia oraz korzystać z udostępnionych zasobów. Z perspektywy przedsiębiorstwa najważniejsze nie jest jednak samo połączenie techniczne. Istotne jest to, jakie zdolności zostaną udostępnione agentowi i jakie reguły będą kontrolować ich użycie.
Tradycyjna integracja aplikacji z platformą danych zwykle prowadzi do określonego API, interfejsu lub przygotowanego wcześniej potoku. Agent działający w wielu procesach potrzebuje bardziej elastycznego mechanizmu. Musi potrafić odkryć dostępne narzędzia, zrozumieć ich przeznaczenie i wywołać właściwą operację w odpowiednim momencie.
Najważniejsza zmiana: funkcje data management nie są dostępne wyłącznie w interfejsie platformy. Stają się zarządzanymi usługami, które mogą być wywoływane przez agenta w ramach konkretnego procesu.
Od dostępu do danych do dostępu do zdolności
W opisanej przez Informatica architekturze hostowane serwery MCP udostępniają agentowi wybrane możliwości Informatica Intelligent Data Management Cloud. Nie chodzi więc wyłącznie o przekazanie rekordów do modelu. Agent otrzymuje programowy dostęp do operacji związanych z wyszukiwaniem metadanych, kontrolowanym pozyskaniem danych, uruchamianiem zadań integracyjnych i wykorzystaniem danych podstawowych z MDM. To praktyczny przykład szerszej zmiany opisanej w analizie jak AI zmienia architekturę przedsiębiorstwa.
Informatica poinformowała podczas Informatica World 2026 o ogólnej dostępności pięciu hostowanych serwerów MCP. W scenariuszu z usługami agentowymi AWS wykorzystano cztery z nich:
- Metadata Search MCP do wyszukiwania zasobów i analizy ich kontekstu,
- Data Provisioning MCP do uruchamiania kontrolowanego procesu pozyskania danych,
- Job Management MCP do wykonywania zatwierdzonych zadań integracyjnych,
- Master Data Management MCP do wykorzystania autorytatywnych danych podstawowych.
Każda usługa odpowiada za inny fragment procesu. Razem tworzą spójny łańcuch prowadzący od znalezienia danych do działania opartego na zaufanym kontekście.
Sześć etapów pracy agenta z danymi
Przykład Informatica dotyczy analityka, który chce oszacować rzeczywiste terminy realizacji zamówień. Samo pytanie biznesowe jest proste. Dane potrzebne do odpowiedzi są jednak rozproszone, wymagają oceny i nie powinny zostać udostępnione bez kontroli.
1. Odkrycie właściwych zasobów
Użytkownik opisuje potrzebę analityczną językiem naturalnym. Agent korzysta z Metadata Search MCP, aby znaleźć zasoby odpowiadające przypadkowi użycia. Wyszukiwanie opiera się na metadanych i kontekście zgromadzonym w katalogu, a nie tylko na nazwach tabel.
2. Zrozumienie danych przed uzyskaniem dostępu
Agent analizuje schematy, właściwości tabel, definicje kolumn, profile danych, wolumeny, status certyfikacji i kontekst domenowy. Użytkownik może dzięki temu ocenić przydatność danych, zanim wystąpi o dostęp do ich zawartości.
3. Wybór najlepszego zbioru
Porównanie alternatywnych zasobów i ich profili ogranicza ryzyko wyboru pierwszego znalezionego zestawu. Kryteria jakościowe oraz kontekst biznesowy stają się częścią procesu decyzyjnego.
4. Kontrolowane pozyskanie dostępu
Po wyborze danych agent uruchamia przez Data Provisioning MCP formalny proces wnioskowania. Właściciel danych zachowuje rolę decyzyjną, a przebieg pozostaje audytowalny. Automatyzacja działa wewnątrz governance, zamiast je omijać.
5. Dostarczenie do zatwierdzonego środowiska
Po akceptacji agent wywołuje zadanie integracyjne przez Job Management MCP. Dane trafiają do zatwierdzonej platformy analitycznej. W przykładzie jest to Amazon Redshift, a materiał Informatica wskazuje również inne dopuszczone opcje docelowe.
6. Uzupełnienie analizy o dane podstawowe
Ostatni etap wykorzystuje dane podstawowe z Informatica MDM. Agent łączy wnioski analityczne z informacjami o dostawcach, aby ocenić wpływ ich wyników na terminy realizacji zamówień. MDM staje się aktywnym źródłem kontekstu dla działania agenta.
Governance nie znika. Przenosi się do przepływu
W debacie o autonomicznych agentach łatwo przeciwstawić szybkość kontroli. Ten scenariusz pokazuje inne podejście. Agent może przyspieszać odkrywanie i dostarczanie danych, a jednocześnie respektować certyfikację zasobów, wymagane zatwierdzenia, polityki dostępu i ślad audytowy.
Kluczowe jest to, że governance zostaje osadzone w operacjach. Agent nie otrzymuje nieograniczonego dostępu do całego środowiska. Korzysta z określonych narzędzi o jasno zdefiniowanym przeznaczeniu. W architekturze opisanej przez Informatica połączenie bramy AgentCore z hostowanymi serwerami MCP wykorzystuje uwierzytelnianie service-to-service oparte na OAuth 2.0 oraz mechanizmy autoryzacji.
Nie oznacza to automatycznie, że każda implementacja MCP będzie bezpieczna lub dobrze zarządzana. Granice uprawnień, tożsamość, akceptacja właściciela danych i obserwowalność działań powinny być częścią projektu od początku, a nie dodatkiem wdrażanym po uruchomieniu agenta.
Co zmienia się dla zespołów danych?
Metadane muszą być użyteczne operacyjnie
Jeżeli agent ma wybierać dane, opisy, definicje biznesowe, certyfikacja i informacje o jakości nie mogą być jedynie dokumentacją. Muszą wspierać realne decyzje wykonywane w procesie. Dlatego dobrze zaprojektowane data governance i zarządzanie jakością danych stają się częścią niezawodności agenta.
Jakość danych staje się elementem niezawodności agenta
Agent może działać poprawnie technicznie, a mimo to podjąć błędną decyzję na podstawie nieaktualnych, zduplikowanych lub niepełnych informacji. Kontrola jakości powinna obejmować dane używane w działaniach, nie tylko dane treningowe.
MDM przechodzi z zaplecza do warstwy decyzyjnej
Złoty rekord klienta, produktu lub dostawcy może dostarczać agentowi autorytatywny kontekst w chwili działania. To zwiększa znaczenie aktualności, identyfikacji i relacji między encjami oraz wielodomenowego zarządzania MDM.
Integracje trzeba projektować jako zdolności wielokrotnego użycia
Wartość rośnie, gdy operacja może zostać bezpiecznie odkryta i wywołana przez różne procesy, a nie tylko przez jeden sztywno zaprogramowany scenariusz. Integracja danych w środowisku chmurowym staje się wówczas warstwą wykonawczą procesów agentowych.
Jak ocenić gotowość organizacji?
Zanim firma udostępni agentom kolejne narzędzia, powinna odpowiedzieć na kilka praktycznych pytań:
- Czy agent potrafi odróżnić dane certyfikowane od roboczych?
- Czy przed odczytem danych można ocenić ich profil, jakość i przeznaczenie?
- Kto zatwierdza dostęp i czy decyzja pozostawia ślad audytowy?
- Czy zadania uruchamiane przez agenta mają ograniczony zakres?
- Czy dane podstawowe są wystarczająco aktualne, aby wspierać decyzje operacyjne?
- Czy można odtworzyć pełny przebieg działania od pytania użytkownika do dostarczenia wyniku?
Jeżeli odpowiedzi są niejednoznaczne, problemem nie musi być brak bardziej zaawansowanego modelu. Często jest nim niedojrzała warstwa danych i kontroli. Agent ujawnia te braki szybciej, ponieważ automatyzuje liczbę decyzji, które wcześniej człowiek wykonywał ręcznie i na mniejszą skalę.
Integral Analysis
W architekturze agentowej przewagą nie będzie sam dostęp do największej liczby danych. Będzie nią zdolność dostarczenia właściwego, aktualnego i zarządzanego kontekstu dokładnie w chwili działania.
MCP warto traktować jako mechanizm udostępniania zdolności, a nie skrót pozwalający agentowi ominąć architekturę bezpieczeństwa i governance. Zanim organizacja zacznie budować kolejne serwery i narzędzia, powinna określić katalog dopuszczonych operacji, model tożsamości, zakres uprawnień, punkty zatwierdzania oraz sposób monitorowania działań.
Praktycznym punktem startowym jest jeden dobrze opisany proces biznesowy. Należy wskazać dane potrzebne agentowi, źródła autorytatywne, wymagane reguły jakości i kroki, które mogą zostać wykonane automatycznie. Dopiero potem warto rozszerzać model na kolejne domeny. Integral Solutions wspiera organizacje w porządkowaniu tych elementów: od architektury danych i governance, przez MDM i integrację, po przygotowanie usług do bezpiecznego wykorzystania przez agentów AI.
Przygotuj dane i usługi do pracy z agentami AI
Porozmawiajmy o architekturze, która łączy agentic AI z zarządzanymi danymi, kontrolą dostępu i procesami integracyjnymi.
Porozmawiajmy o architekturze danych dla agentów AI
Opisz proces, który chcesz zautomatyzować. Wspólnie ocenimy gotowość danych, governance, MDM i integracji oraz wskażemy bezpieczny punkt startowy.
FAQ: MCP, agenci AI i zarządzanie danymi
Czym jest MCP dla agentów AI?
Model Context Protocol to standard, który pozwala aplikacjom i agentom AI odkrywać zewnętrzne narzędzia, wywoływać ich funkcje oraz korzystać z udostępnionych zasobów. W przedsiębiorstwie powinien działać razem z kontrolą tożsamości, uprawnień i audytu.
Czym headless data management różni się od zwykłego API?
Headless data management zakłada udostępnianie zdolności platformy danych poza jej własnym interfejsem, tak aby mogły być wykorzystywane w różnych aplikacjach i przepływach agentowych. MCP zapewnia wspólny sposób odkrywania i wywoływania takich narzędzi przez aplikacje AI.
Dlaczego agent AI potrzebuje MDM?
MDM może dostarczyć agentowi autorytatywny kontekst dotyczący klientów, produktów, dostawców lub innych kluczowych encji. Ogranicza to ryzyko działania na duplikatach, sprzecznych wartościach albo nieaktualnych rekordach.
Czy MCP zastępuje data governance?
Nie. MCP ułatwia połączenie agentów z narzędziami i danymi, ale nie definiuje samodzielnie odpowiedzialności, polityk jakości, zasad dostępu ani wymaganych zatwierdzeń. Te elementy muszą wynikać z modelu governance organizacji.
Od czego zacząć wdrożenie agentic AI opartego na danych przedsiębiorstwa?
Najlepiej wybrać jeden proces o jasnym celu biznesowym, określić potrzebne dane i źródła autorytatywne, zdefiniować dozwolone operacje oraz wskazać punkty kontroli człowieka. Dopiero po zweryfikowaniu jakości i audytowalności warto skalować rozwiązanie.
Źródła
- Informatica, Powering Agentic Workflows on AWS with Informatica MCPs, 20 maja 2026 r.
