63 сая MCP дуудалтын бодит үнэн: AI агентууд бидний бичсэн кодын 95%-ийг тоодоггүй

Сүүлийн саруудад хөгжүүлэгчдийн дунд хамгийн их шуугиан тарьж буй стандарт бол гарцаагүй MCP (Model Context Protocol) билээ. Гэвч хиймэл оюунт агентууд бидний бэлдсэн API болон хэрэгслүүдийг бодит амьдрал дээр яг хэрхэн ашигладаг вэ? Тэд төсөөлсөн шиг ухаалаг ажиллаж чадаж байна уу, эсвэл зүгээр л токен үрж байна уу?

Нээлттэй эхийн бүтээгдэхүүний аналитик платформ PostHog сүүлийн 90 хоногт өөрсдийн албан ёсны MCP серверээр дамжин өнгөрсөн 63 сая tool call (хэрэгсэл дуудалт)-д дүн шинжилгээ хийсэн судалгаагаа дөнгөж сая нийтэллээ. 130,000 гаруй инженерийн ашигласан бодит өгөгдөл дээр тулгуурласан энэхүү тайлан нь агентад зориулж систем хөгжүүлж буй хүн бүрийн заавал мэдэх ёстой 5 том үнэнийг дэлгэв.

1. Траффикийн талыг Anthropic эзэлж, харин Codex хамгийн бага алдаа гаргав

Гуравдагч талын хөгжүүлэгчдийн ашиглаж буй клиентүүдийг авч үзвэл зах зээл хэдийн тодорхой хуваагджээ:

Claude Code бүх дуудлагын 32%-ийг дангаараа хийж тэргүүлсэн бол,
OpenAI-ийн Codex 22%,
Cursor 10%,
Cowork 7%-ийг тус тус эзэлж байна.

Нийт дүнгээр нь авч үзвэл траффикийн 50% нь Anthropic-ийн платформуудаас, 25% нь OpenAI-аас иржээ.

Гэхдээ хамгийн сонирхолтой нь алдааны хувь (error rate) байв. Хүсэлтийг MCP-ийн шаардлагад нийцүүлж зөв бүтээх тал дээр OpenAI Codex ердөө 2%-ийн алдаа гаргаж хамгийн нямбай нь байсан бол Cursor 3.5%, Claude Code 5.7%-ийн алдааны хувьтай байжээ.

Түүнчлэн PostHog өөрсдийн дотоод агентуудаа Codex дээр ажиллуулдаг бөгөөд тэдний алдааны түвшин ердөө 1% байв. Үүний шалтгаан нь модельдоо биш, харин системийн prompt болон tool description-оо өөрсдийн MCP сервертээ тусгайлан тохируулж (fine-tune) бичсэнд байжээ.

2. Агентууд бидний бэлдсэн боломжуудын 95%-ийг огт тоодоггүй

PostHog нь датаг шинжлэх, retention, funnel, тренд тооцоолох зэрэг маш олон бэлэн, өндөр түвшний typing хийгдсэн MCP wrapper-уудыг санал болгодог. Гэвч агентууд эдгээрийг бараг ашигласангүй:

Нийт дуудлагын 25% буюу 15.6 сая нь шууд түүхий SQL (execute-sql) ажиллуулах хүсэлт байв.
Өөр нэг 7% нь датабэйсээс ямар өгөгдөл авч болохыг мэдэхийн тулд schema унших үйлдэл байжээ.

Энэ хоёр үйлдэл нийлээд нийт траффикийн гуравны нэгийг эзэлж байна. Хөгжүүлэгчдийн нямбайлан бэлдсэн бэлэн wrapper-уудыг агентууд ердөө 3-хан хувьд нь ашиглажээ. Агентууд бэлэн хийсвэрлэл (abstractions) хайхаас илүүтэй, schema-г нь уншаад өөрсдөө шууд түүхий SQL бичиж ажиллуулахыг илүүд үзэж байна.

3. Агентууд хүнээс 2.5 дахин их аналитик үүсгэдэг

Судалгааны хамгийн цочирдмоор баримт нь сүүлийн нэг сарын дотор агентууд MCP-ээр дамжуулан 252,000 шинэ аналитик insight үүсгэсэн бол хүмүүс веб интерфейсээр ердөө 99,000-ыг үүсгэсэн байна.

Өөрөөр хэлбэл, хяналтын самбар (dashboard), action, туршилтуудыг хүмүүс гараараа зурахаа больж, агентуудад даалгадаг болжээ. Хүн төрөлхтөн одоогоор ганцхан төрлийн өгөгдөл дээр агентаас илүү тоогоор гар хүрсэн нь Feature flags байв (гэхдээ энд ч гэсэн ялгаа нь маш бага).

4. Алдаа гарвал бууж өгдөггүй: 75%-ийн дахин оролдлогын амжилт

Агентууд өгөгдөл хайж schema уншихдаа бараг алддаггүй (алдааны хувь 1.5%). Харин SQL асуулга гүйцэтгэх үед 4.4% нь алдаа заадаг.

Гэвч агент алдаа заамагц паникт орж зогсдоггүй. Өгөгдлөөс харахад:

Алдаа гарсны дараа тухайн сесс үргэлжилбэл тохиолдлын 39%-д нь агент яг тэр хэрэгслээ шууд дахин дууддаг.
Хамгийн гайхалтай нь эдгээр дахин оролдлогын (retry) 75% нь амжилттай болдог байна. Агент алдааны мессежийг уншаад параметрээ зөв болгон засаж чаддаг болох нь эндээс тодорхой харагдаж байна.

5. Token-ийн урхи: 0.5% хүсэлт нь нийт токений 18%-ийг залгидаг

Сүүлийн 30 хоногт PostHog-ийн MCP сервер агентуудад 84 тэрбум токен буцааж өгчээ. Нэг токен ороход 30 токен гарах харьцаатай байв.

Энгийн нэг tool call-ийн дундаж (median) хариу ердөө 440 токен байдаг тул зардал бага мэт санагдана. Гэтэл payload-ийн урт сүүл (long tail) маш аюултай байв:

Дуудлагын ердөө 0.5%-ийг эзэлдэг dashboard-reorder-tiles гэх мэт самбарын гуравхан төрлийн үйлдэл нь нийт гарсан токений 18%-ийг залгисан байна!
Учир нь нэг л удаа dashboard-ийн элементүүдийг дахин эрэмбэлэхэд дунджаар 14,600 токен, харин хамгийн хүнд тохиолдолд (p95) 144,000 токен буцааж байжээ.

Хөгжүүлэгчид үүнээс юу сурах ёстой вэ?

Хэрэв та өөрийн бүтээгдэхүүндээ зориулж MCP сервер бүтээж байгаа эсвэл AI агентууд нэвтрүүлж байгаа бол дараах 3 зарчмыг санаарай:

Хэт хийсвэрлэхээ боль: Агентуудад зориулж нарийн төвөгтэй 50 тусдаа функц бичих гэж цаг бүү үр. Тэдэнд датаны бүтэц (schema)-ийг тодорхой өгөөд, SQL маягийн шууд логик ажиллуулах эрхийг өгөх нь хамаагүй үр дүнтэй.
Токений үрэлгэн байдлыг хяна: JSON буцаахдаа хэрэггүй том мета өгөгдлүүд, хоосон талбаруудыг цэвэрлэхгүй бол ганцхан tool call таны LLM зардлыг хэд дахин өсгөх эрсдэлтэй.
Tool Description-дээ цаг гарга: PostHog-ийн өөрсдийн агентууд бусадтай яг адил модель ашигладаг ч тодорхой бичигдсэн prompt, тодорхой хэрэгслийн тайлбарын ачаар алдааны хувиа 2 дахин бууруулж чадсан.

AI агентууд хэрэглэгчийн интерфейсээр биш, шууд протоколоор бидний систем рүү нэвтэрдэг шинэ эрин хэдийн эхэлжээ. Одоо бид бүтээгдэхүүнээ хүнд төдийгүй программд зориулж архитектурчлах цаг ирсэн байна.

Эх сурвалж: PostHog Engineering Blog, "How AI agents behave: lessons from 63M MCP tool calls" (Natalia Amorim, 2026).