Waarom “Welke API moet ik aanroepen?” is de verkeerde vraag in het LLM-tijdperk

In de loop van de decennia hebben we ons aangepast aan software. We hebben shell-opdrachten geleerd, namen van HTTP-methoden onthouden en de SDK samengesteld. Elke interface gaat ervan uit dat we zullen praten zijn Taal. In de jaren tachtig typten we ‘grep’, ‘ssh’ en ‘ls’ in de shell; Halverwege de jaren 2000 gebruikten we REST-eindpunten zoals GET /users; in de jaren 2010 importeerden we de SDK (client.orders.list()), zodat we niet aan HTTP hoefden te denken. Maar aan elk van deze stappen ligt hetzelfde uitgangspunt ten grondslag: presenteer uw capaciteiten in een gestructureerde vorm, zodat anderen er hun voordeel mee kunnen doen.

Maar nu doen we dat wel het volgende interfaceparadigma binnengaan. Moderne LLM daagt het idee uit dat gebruikers functies moeten selecteren of methodehandtekeningen moeten onthouden. In plaats van “welke API moet ik bellen?” de vraag wordt: “Welke resultaten wil ik bereiken?” Met andere woorden, de interface gaat van code → naar taal. Door deze verschuiving ontstond Model Context Protocol (MCP) als een abstractie die modellen in staat stelt menselijke bedoelingen te interpreteren, mogelijkheden te ontdekken en workflows uit te voeren, waardoor softwarefuncties effectief worden weergegeven, niet zoals ze bekend zijn bij programmeurs, maar als natuurlijke taalverzoeken.

MCP is geen hypeterm; Verschillende onafhankelijke onderzoeken hebben de architectonische veranderingen geïdentificeerd die nodig zijn om de tool ‘LLM-consumable’ te noemen. Eén blog van Akamai-ingenieur legt de overgang uit van traditionele API’s naar “taalgebaseerde integratie” voor LLM. Ander academisch artikel over “AI-agentworkflows en bedrijfs-API’s” bespreekt hoe bedrijfs-API-architecturen moeten evolueren om doelgerichte agenten te ondersteunen, en niet door mensen gestuurde oproepen. Kortom: we ontwerpen niet langer alleen API’s voor code; daarvoor hebben we mogelijkheden ontworpen.

Waarom is dit belangrijk voor het bedrijf? Omdat bedrijven verdrinken in interne systemen, integratie-uitbreiding en trainingskosten voor gebruikers. Werknemers worstelen niet omdat ze geen tools hebben, maar omdat ze te veel tools hebben, elk met zijn eigen interface. Wanneer natuurlijke taal de primaire interface wordt, wordt de barrière ‘welke functie moet ik aanroepen?’ verdwijnen. Een van de nieuwste zakelijke blogs merkte op dat natuurlijke taalinterfaces (NLI) self-service gegevenstoegang mogelijk maken voor marketeers die voorheen moesten wachten tot analisten SQL hadden geschreven. Wanneer een gebruiker eenvoudigweg een intentie kenbaar maakt (zoals “neem de omzet van het laatste kwartaal voor de regio

Natuurlijke taal wordt geen gemak, maar een interface

Om te begrijpen hoe deze evolutie werkt, overweeg de interfaceladder:

Bij elke stap moeten mensen ‘de machinetaal leren’. Met MCP absorbeert de machine de menselijke taal en doet de rest. Dit is niet alleen een UX-verbetering, dit is een architecturale verandering.

Onder MCP is de codefunctionaliteit nog steeds aanwezig: gegevenstoegang, bedrijfslogica en orkestratie. Maar ze worden eerder ontdekt dan handmatig gebeld. In plaats van bijvoorbeeld ‘billingApi.fetchInvoices(customerId=…)’ aan te roepen, zegt u bijvoorbeeld ‘Alle facturen voor Acme Corp sinds januari weergeven en late betalingen markeren.’ Het model lost entiteiten op, roept de juiste systemen op, filtert en retourneert gestructureerde inzichten. Het werk van de ontwikkelaar verschuift van het bedraden van eindpunten naar het bepalen van capaciteitsoppervlakken en vangrails.

Deze verschuiving is transformerend ontwikkelaar ervaring en bedrijfsintegratie. Teams hebben vaak moeite met het gebruik van nieuwe tools omdat ze mappingschema’s, het schrijven van sticky code en het trainen van gebruikers nodig hebben. Bij natuurlijke taalvisies omvat onboarding het benoemen van bedrijfsentiteiten, het declareren van capaciteiten en het blootleggen ervan via protocollen. Man (of AI-agenten) hoeft niet langer parameternamen of aanroepvolgorde te kennen. Studies tonen aan dat het gebruik van LLM als interface voor een API de tijd en middelen kan verminderen die nodig zijn om chatbots of workflows te ontwikkelen die de tool gebruiken.

Deze verandering brengt ook productiviteitsvoordelen met zich mee. Bedrijven die op LLM gebaseerde interfaces gebruiken, kunnen de latentie van gegevenstoegang (uren/dag) omzetten in gesprekslatentie (seconden). Als een analist bijvoorbeeld eerder een CSV moest exporteren, een transformatie moest uitvoeren en dia’s moest toepassen, maakt de taalinterface het mogelijk om de vijf belangrijkste risicofactoren voor klantverloop in het afgelopen kwartaal samen te vatten en in één keer een verhaal en visueel beeld te genereren. Mensen beoordelen, passen aan en handelen vervolgens – van datamensen naar besluitvormers. Het maakt uit: volgens een onderzoek van McKinsey & Company63% van de organisaties die generatie-AI gebruiken, hebben tekstuitvoer geproduceerd en meer dan een derde heeft afbeeldingen of code geproduceerd. (Hoewel veel bedrijven zich nog in de beginfase bevinden van het behalen van bedrijfsbrede ROI, is het signaal duidelijk: taal als interface ontsluit nieuwe waarde.

In architectonische termen betekent dit dat het softwareontwerp moet evolueren. MCP eist dat het systeem publiceert metagegevens van mogelijkhedensteun semantische routering, bewaker contextgeheugen en rechtzetten vangrail. API-ontwerp hoeft niet langer te vragen “Welke functie zal de gebruiker oproepen?”, maar eerder “Welke intentie zou de gebruiker kunnen uiten?” Nieuw gepubliceerd raamwerk Het gebruik van de API van het bedrijf voor LLM laat zien hoe de API kan worden verrijkt met taalvriendelijke metadata, zodat agenten dynamisch tools kunnen selecteren. De implicatie: software wordt modulair rond het oppervlak van de intentie, niet rond het oppervlak van de functie.

Taal-eerst-systemen brengen ook risico’s en vereisten met zich mee. Natuurlijke taal is inherent dubbelzinnig, dus bedrijven moeten authenticatie, logboekregistratie, herkomst en toegangscontroles implementeren, net zoals ze dat met API’s doen. Zonder deze vangrails kunnen agenten het verkeerde systeem oproepen, gegevens vrijgeven of de bedoeling verkeerd interpreteren. Eén bericht in “snelle ineenstortingwijst op het gevaar: naarmate gebruikersinterfaces in natuurlijke taal dominant worden, kan software veranderen in ‘mogelijkheden voor spraaktoegang’ en bedrijven in ‘API’s met frontends in natuurlijke taal’. Die transformatie is krachtig, maar alleen veilig als systemen zijn ontworpen voor introspectie, auditing en governance.

Deze verschuiving heeft ook culturele en organisatorische gevolgen. Al tientallen jaren huren bedrijven integratie-ingenieurs in om API’s en middleware te ontwerpen. Met een op MCP gebaseerd model zullen bedrijven steeds meer werknemers aanwerven ontologie ingenieur, capaciteiten architect En specialist op het gebied van agent enablement. Deze rollen zijn gericht op het definiëren van de semantiek van bedrijfsactiviteiten, het in kaart brengen van bedrijfsentiteiten aan systeemmogelijkheden en het beheren van contextgeheugen. Omdat interfaces nu mensgericht zijn, worden vaardigheden zoals domeinkennis, snelle framing, monitoring en evaluatie essentieel.

Wat moeten bedrijfsleiders nu doen? Beschouw natuurlijke taal allereerst als een interfacelaag en niet als een mooie toevoeging. Breng uw bedrijfsworkflows in kaart die veilig via talen kunnen worden uitgevoerd. Catalogiseer vervolgens de basismogelijkheden die u al heeft: dataservices, analyses en API’s. Vraag dan: “Kan dit ontdekt worden? Kan dit gekend worden door middel van intentie?” Test ten slotte een laag in MCP-stijl: bouw een klein domein (klantondersteuningstriage) waar gebruikers of agenten resultaten in taal kunnen uitdrukken, en laat het systeem de orkestratie doen. Vervolgens itereren en schalen.

Natuurlijke taal is niet alleen een nieuw front-end. Het werd de standaardinterfacelaag voor software, ter vervanging van CLI, vervolgens API en vervolgens SDK. MCP is een abstractie die dit mogelijk maakt. Voordelen zijn onder meer snellere integratie, modulaire systemen, hogere productiviteit en nieuwe rollen. Voor organisaties die nog steeds gebonden zijn aan het handmatig aanroepen van eindpunten, zal deze overstap aanvoelen als het opnieuw leren kennen van een nieuw platform. De vraag is niet langer “welke functie moet ik aanroepen?” maar “wat wil ik doen?”

Dhyey Mavani versnelt de genen van AI en computationele wiskunde.

Welkom bij de VentureBeat-community!

In ons gastenprogramma delen technische experts inzichten en geven ze onpartijdige, diepgaande uitleg over AI, data-infrastructuur, cyberbeveiliging en andere geavanceerde technologieën die de toekomst van ondernemingen vormgeven.

Lees meer uit ons gastenpostprogramma — en bekijk het eens richtlijnen als u geïnteresseerd bent om uw eigen artikel bij te dragen!