Коли Anthropic представили протокол Model Context Protocol, вони пообіцяли спростити використання агентів. MCP дозволяє штучному інтелекту зрозуміти, які інструменти знаходяться в його розпорядженні: веб-пошук, редагування файлів і написання електронної пошти, наприклад. Через десять місяців ми проаналізували 200 інструментів MCP, щоб зрозуміти, які категорії насправді використовують розробники. З отриманих даних випливає три моделі використання: Інструменти інфраструктури розробки домінують у 54% усіх сеансів, незважаючи на те, що це лише половина доступних серверів. Найбільшою популярністю користуються доступ до терміналів, генерація кодів та доступ до інфраструктури. Під час кодування інженери отримують вигоду від можливості надсилати повідомлення на GitHub, запускати код у терміналі та створювати бази даних. Ці інструменти оптимізують робочі процеси та зменшують перемикання контексту. Пошук інформації охоплює 28% сеансів з меншою кількістю інструментів, демонструючи високу ефективність. Пошук в Інтернеті, бази знань та пошук документів є ключовими гравцями. Ці системи, швидше за все, використовуються більше у виробництві, від імені користувачів, ніж під час розробки. Все інше, включаючи розваги, особисте управління, створення контенту, розділяє решту 18%. Рекомендатори фільмів, таск-менеджери та розклади Формули-1 заповнюють конкретні ніші. Прийняття МКП ще раннє. Не всі ШІ підтримують MCP. З тих, хто це робить, очолюють список Claude, Claude Code, Cursor (алітерація в AI). Продукти, орієнтовані на розробників, і ранні технічні користувачі становлять більшість користувачів. Але в міру того, як споживче використання інструментів штучного інтелекту зростає, а підтримка MCP розширюється, ми повинні очікувати набагато більшої різноманітності використання інструментів.

$4 млрд виручки. Є два гіганти даних, обидва зараз перебувають на цій позначці після того, як Databricks оголосила, що перевищила поріг. Це можливість порівняти дві провідні компанії з обробки даних на перетині доходів. Обидва мають дохід у розмірі 4 мільярди доларів. Кожен з них заявляє про понад 650 клієнтів, які платять $1M+ на рік. Кожен з них може похвалитися сильним чистим утриманням долара США (140% проти 125%). Databricks зростає на 50% порівняно з 28% у Snowflake і на приватному ринку торгується з премією за ці темпи зростання. Snowflake знову прискорився, але це було приблизно на рік пізніше, ніж Databricks. Порівнюючи оцінку з показником доходу, можна побачити, що Databricks торгується з премією в 35% до Snowflake. У приватному порядку Databricks оцінюється в $100 млрд, тоді як Snowflake публічно торгується в $75,9 млрд. На цьому ринку кожен 1% зростання додає 0,3x до мультиплікатора оцінки. З огляду на перевагу Databricks у зростанні у 22 пункти, премія в 35% може фактично занижувати справжню різницю в кінцевому розмірі бізнесу. Ця премія відображає дефіцит швидкозростаючих платформ даних на публічних ринках. Аналогів Databricks сьогодні дійсно не існує. Palantir при зростанні 39% торгується з 75-кратним форвардом (не ранрейт). "Рубрик" у сутінках переходу від on-prem до cloud торгується в 15 разів вперед при зростанні 44%. Премія за оцінку в 35% відображає як чудове зростання Databricks, так і ставку ринку на штучний інтелект. З доходами від штучного інтелекту вже на рівні 1 мільярда доларів США та супутнім попитом на обчислення, Databricks позиціонує себе в центрі найціннішої тенденції в корпоративному програмному забезпеченні. 1. $100b/$4b = 25x проти $75,9b/$4,1b 18,5x