MCP, agent ze skillami, czat AI czy silnik deterministyczny? Porównanie

MCP, skille, czat i silnik reguł często trafiają do jednego worka z napisem AI. Każda z tych warstw odpowiada jednak na inne pytanie: jak model dostaje dane, skąd wie, co robić, kto rozmawia z użytkownikiem i kto naprawdę decyduje.

Poniżej porównujemy je na tym, co w reklamie liczy się najbardziej: skąd bierze się decyzja, czy jest powtarzalna, czy ktoś sprawdził pomiar i co chroni budżet przed błędem.

Jak działa każda z tych technologii

MCP: dostęp, nie decyzja

Serwer MCP to adapter między modelem AI a systemem, na przykład Google Ads. Model może zapytać o kampanie albo uruchomić narzędzie. Oficjalny serwer Google Ads udostępnia trzy narzędzia tylko do odczytu, w tym zapytania GAQL. Meta testuje konektory z możliwością edycji kampanii. Sam MCP nie wie jednak, czy kampania jest w fazie nauki ani czy pomiar konwersji działa. Tę wiedzę musi mieć system, który z danych korzysta.

Agent ze skillami: instrukcja, która pomaga modelowi

Skill to folder z instrukcją i opcjonalnymi skryptami. Model ładuje go, gdy uzna, że pasuje do prośby. Dobry skill może zawierać wiedzę o reklamach, ale model nadal interpretuje ją probabilistycznie. Dokumentacja Agent Skills mówi wprost: dla niezawodności potrzebny jest kod, a złośliwy skill może skłonić model do działań niezgodnych z opisem.

Czat AI: rozmowa na danych, które dostarczysz

Czat świetnie tłumaczy, streszcza i pomaga myśleć. Pracuje jednak na tym, co wkleisz albo co zmieści się w jego kontekście. Nie ma historii konta z ostatnich miesięcy, nie wie, że konwersje z ostatnich dni wciąż dochodzą, i przy tym samym pytaniu może odpowiedzieć inaczej.

Silnik deterministyczny: decyzja z reguły i danych

Phanes uruchamia setki reguł eksperckich na dziennych metrykach zbieranych co noc. Każda reguła ma warunek, próg, dozwoloną akcję i uzasadnienie, a jej pewność rośnie albo spada z każdym zmierzonym wynikiem. Silnik najpierw sprawdza pomiar i fazę nauki, potem proponuje zmianę, waliduje ją w API i czeka na zatwierdzenie. Własny model językowy Phanesa, Aether, tylko zamienia wynik na zrozumiałe zdania i jest karany w treningu za każdą liczbę spoza danych.

Porównanie w jednej tabeli

Wniosek z tabeli: MCP, skille i czat to warstwy, które pomagają modelowi pracować. Żadna z nich sama z siebie nie dodaje wiedzy o reklamach, kontroli pomiaru ani bezpiecznej ścieżki zmiany. W Phanesie te elementy są wbudowane w silnik.

Jedno polecenie, cztery ścieżki

Polecenie: „Podnieś budżet kampanii, która najlepiej sprzedaje”. Co dzieje się dalej:

O różnicy nie decyduje to, kto ma lepszy model, tylko to, ile kroków kontroli stoi między poleceniem a zmianą na koncie.

Kiedy co ma sens

Fakty, które warto znać

• Oficjalny serwer MCP Google Ads (open source, październik 2025) ma trzy narzędzia, wszystkie tylko do odczytu.
• Meta udostępnia w otwartej becie konektory AI dla reklam (serwer MCP) z możliwością tworzenia i edycji kampanii, a właściciel portfolio może ograniczać, co agent robi na koncie.
• Specyfikacja MCP opisuje narzędzia jako wykonywanie dowolnego kodu i zaznacza, że protokół nie może sam egzekwować zasad bezpieczeństwa. Odpowiada za to implementujący.
• Dokumentacja Agent Skills: instrukcje dają elastyczność, kod daje niezawodność. Złośliwy skill może skłonić model do użycia narzędzi niezgodnie z jego opisem.
• Dostawcy modeli piszą w dokumentacji wprost: nawet przy temperaturze 0 wyniki nie są w pełni deterministyczne.

MCP to kanał dostępu do danych, skill to instrukcja, a czat to rozmowa. Decyzję o budżecie powinien podejmować silnik, który przy tych samych danych zawsze odpowiada tak samo, i człowiek, który ją zatwierdza.