Okta ujawniła w 2025 roku, że filtrowanie narzędzi przed budowaniem promptu agenta AI może zmniejszyć liczbę widocznych narzędzi o ponad 90% — co przekłada się na proporcjonalne obniżenie kosztów tokenów. To odkrycie obnaża problem, który branża przez długi czas ignorowała: model płaci za każde narzędzie, które widzi, nie tylko za te, z których korzysta. Dla organizacji utrzymujących setki aktywnych agentów AI połączonych z serwerami MCP, ta różnica może oznaczać przepaść między opłacalnym a nieopłacalnym wdrożeniem.
Czym jest „podatek od narzędzi” w agentach AI?
„Podatek od narzędzi” (tool tax) to termin ukuty przez Okta na określenie narzutu tokenowego, który model językowy ponosi już na etapie budowania promptu — zanim podejmie jakąkolwiek decyzję o wywołaniu narzędzia. Każde wywołanie modelu przez agenta AI może zawierać pełne schematy, nazwy, opisy i parametry wszystkich narzędzi udostępnionych przez serwer Model Context Protocol (MCP).
Problem ma charakter strukturalny: tokeny są zużywane w momencie, gdy model przetwarza listę dostępnych narzędzi, niezależnie od tego, czy kiedykolwiek z nich skorzysta. Późniejsze odrzucenie nieautoryzowanego wywołania narzędzia przez mechanizm kontroli runtime nie zwraca już raz wydanych tokenów.
Skala tego zjawiska rośnie dwukierunkowo: im więcej narzędzi udostępnia serwer MCP i im więcej aktywnych użytkowników korzysta z agentów, tym wyższy łączny koszt. Okta określa to wprost jako problem zarówno liczby narzędzi, jak i liczby użytkowników.
Jak działa protokół MCP i dlaczego generuje overhead?
Model Context Protocol (MCP) stał się w ostatnich miesiącach standardowym interfejsem łączącym agenty AI z zewnętrznymi narzędziami i źródłami danych. Okta wskazuje połączenia z Google Workspace, Slack oraz wewnętrznymi serwerami MCP jako typowe przykłady zastosowań korporacyjnych.
Mechanizm działania jest następujący: na każdym kroku rozumowania agenta serwer MCP przesyła do modelu reprezentację wszystkich dostępnych narzędzi. Reprezentacja ta obejmuje schemat narzędzia, jego nazwę, opis oraz kompletną listę parametrów. Przy szeroko stosowanych serwerach MCP, które eksponują dziesiątki lub setki narzędzi, koszt ten pojawia się przy każdym wywołaniu modelu przez każdego aktywnego użytkownika.
Dodatkowym wymiarem problemu jest bezpieczeństwo. Agent, który w swoim prompcie widzi narzędzia wykraczające poza zakres jego autoryzacji, może podjąć próbę ich użycia. Mechanizm odrzucenia wywołania w warstwie runtime zablokuje wykonanie, ale model już przetworzy definicję narzędzia i zużyje na to tokeny — zasoby bezpowrotnie utracone.
Redakcja IWD Partner: Sytuacja przypomina klasyczny problem w architekturze baz danych: pobieranie wszystkich kolumn za pomocą SELECT *, podczas gdy aplikacja potrzebuje tylko dwóch. Branża AI przez długi czas akceptowała tę marnotrawność jako nieuchronną, bo uwaga skupiała się na samych możliwościach modeli, nie na efektywności ich wdrożeń. Pytanie, które powinniśmy teraz zadać, brzmi: ile z dzisiejszych budżetów AI w korporacjach pożera właśnie ten niewidoczny narzut tokenowy?
Jak Okta filtruje narzędzia przed zbudowaniem promptu?
Rozwiązanie zaproponowane przez Okta opiera się na zasadzie least-privilege access (zasada minimalnych uprawnień) zastosowanej na poziomie indywidualnych narzędzi, nie całych serwerów MCP. Administrator konfiguruje w panelu Okta, które narzędzia może używać dana tożsamość agenta lub powiązanego z nim użytkownika.
Proces działa w dwóch etapach. Przed zbudowaniem promptu Okta zwraca agentowi wyłącznie przefiltrowany zestaw narzędzi zamiast pełnego katalogu serwera — skrócona lista trafia do promptu na każdym kroku rozumowania. Następnie, w momencie faktycznego wywołania narzędzia, Okta weryfikuje uprawnienia po raz drugi, już w warstwie runtime.
To podwójne sprawdzenie ma kluczowe znaczenie architektoniczne. Agent nie tylko nie wywołuje narzędzi poza swoją autoryzacją — on ich w ogóle nie widzi. Eliminuje to zarówno koszt tokenowy związany z przetwarzaniem schematów nieautoryzowanych narzędzi, jak i potencjalne ryzyko bezpieczeństwa wynikające z ekspozycji informacji o istnieniu tych narzędzi.
Wewnętrzne modelowanie Okta: liczby i zastrzeżenia
Według wewnętrznych analiz Okty z 2025 roku, w niektórych scenariuszach uprawnień liczba widocznych dla agenta narzędzi zmniejszyła się o ponad 90%. Firma informuje, że koszty schematów narzędzi spadły w podobnej proporcji, nie ujawniając jednak bezwzględnych wartości w tokenach ani dolarach.
Według wstępnych danych z 2025 roku, Okta nie opisała w analizowanym materiale rzeczywistego wdrożenia u klienta. Prezentowane wyniki pochodzą z wewnętrznego modelowania firmy, co oznacza, że efekty w środowiskach produkcyjnych mogą się różnić w zależności od architektury systemów MCP i liczby obsługiwanych użytkowników.
Dlaczego filtrowanie narzędzi MCP ma znaczenie dla bezpieczeństwa korporacyjnego?
Okta osadza tę funkcjonalność w szerszej koncepcji nazwanej „planem bezpiecznego przedsiębiorstwa agentycznego” (blueprint for the secure agentic enterprise). Kluczowym założeniem jest identyfikacja agentów, ich dozwolonych połączeń i autoryzowanych działań — czyli zastosowanie do agentów AI tych samych zasad zarządzania tożsamością, które od lat obowiązują w odniesieniu do ludzi i aplikacji.
Podejście to zawęża pytanie o dostęp z poziomu serwera MCP jako całości do poziomu poszczególnych narzędzi na tym serwerze. Taka granularność ma istotne implikacje: agent HR nie powinien wiedzieć o istnieniu narzędzi do zarządzania infrastrukturą sieciową, nawet jeśli oba zestawy narzędzi znajdują się na tym samym serwerze MCP.
Dlaczego optymalizacja kosztów tokenów MCP ma znaczenie?
Przy globalnym wzroście adopcji agentów AI w przedsiębiorstwach koszty wywołań modeli stają się jednym z głównych czynników decydujących o opłacalności wdrożeń. Firma badawcza Gartner prognozuje, że do 2028 roku co najmniej 33% aplikacji korporacyjnych będzie zawierać komponenty agentyczne — dziś odsetek ten wynosi poniżej 1%. Każdy punkt procentowy efektywności tokenowej w tej skali przekłada się na miliony dolarów oszczędności rocznie.
Filtrowanie narzędzi na poziomie tożsamości rozwiązuje jednocześnie trzy problemy: redukuje koszty operacyjne wywołań modeli, wzmacnia bezpieczeństwo przez ukrycie nieautoryzowanych narzędzi przed agentem i upraszcza audyt uprawnień, sprowadzając go do znajomych administratorom mechanizmów zarządzania tożsamością. Konwergencja tych trzech korzyści w jednej funkcji sprawia, że podejście Okty wykracza poza optymalizację kosztową i wpisuje się w szerszą debatę o tym, jak zarządzać agentami AI w regulowanym środowisku korporacyjnym.
Powiązane pojęcia z AI i uczenia maszynowego
- Model Context Protocol (MCP) — otwarty standard interfejsu umożliwiający agentom AI połączenie z zewnętrznymi narzędziami, bazami danych i usługami poprzez ujednolicony protokół komunikacji.
- Token — podstawowa jednostka przetwarzania tekstu przez modele językowe; zarówno wejście (prompt), jak i wyjście (odpowiedź) modelu rozliczane są w tokenach, co bezpośrednio przekłada się na koszt wywołania.
- Least-privilege access — zasada bezpieczeństwa informatycznego zakładająca przyznawanie podmiotom (użytkownikom, aplikacjom, agentom) wyłącznie minimalnego zestawu uprawnień niezbędnych do wykonania określonego zadania.
- Prompt overhead — dodatkowe tokeny zużywane w prompcie przez elementy kontekstowe (schematy narzędzi, instrukcje systemowe, historia konwersacji) niezwiązane bezpośrednio z aktualnym zapytaniem użytkownika.
- Tożsamość agentyczna (agentic identity) — przypisana agentowi AI unikalna tożsamość cyfrowa zarządzana przez systemy IAM (Identity and Access Management), umożliwiająca kontrolę uprawnień agenta analogiczną do kontroli uprawnień użytkownika-człowieka.
Na podstawie materiałów źródłowych.
