DeepL 发布 MCP Server：重构企业级 AI 分工与集成

过去 20 年，企业软件的评价标准始终围绕用户体验、工作流、入职培训等可见维度展开。然而，随着人工智能 Agent 的崛起，这一范式正在发生根本性转变。

如今，用户只需在聊天界面输入请求，背后的 Agent 即可调用多个系统完成复杂任务，而无需用户打开任何单一应用。Gartner 预测，到 2030 年，高达 2340 亿美元 的企业软件支出可能将暴露给 Agent，由它们跨系统完成任务。

面对这一趋势，一个核心问题浮现：哪些工作应由通用 AI 自主处理，哪些则更适合留给专业系统？DeepL 团队与 Semrush 高管 Marcus Tober 及 DeepL 首席体验官 Steven Syrek 深入探讨了这一议题。

通用模型与专业系统的分工

让通用大模型处理专业工作，往往意味着它需要从零开始推理、理解上下文并推断规则，这种实时推理会导致成本随使用量和复杂度线性增长。

相比之下，专业系统通过预先定义工作流和内置领域知识，使得成本和输出更具可预测性。

"我们的产品不是一个 UI、一个 App 或一个网站，而是一组能力。客户不需要关心这些能力是如何实现的。"

随着 Agent 成为新的交互界面，这种区分变得尤为重要：通用模型提供推理与编排能力，而专业系统则专注于特定任务的高效执行。

破解“SaaS 末日”迷思

曾有观点认为“SaaS 末日”不可避免，因为只要前沿模型能处理任何工作流，任何人都可以在周末通过“Vibe Coding”快速搭建包装层。然而，Marcus Tober 指出，这种观点低估了原型之后的成本。

“每个人现在都是构建者，大多数事情可以在几次 Vibe Coding 中组装完成。但企业账单随后就会到来：法律合规、ISO 27001 认证、安全性、稳定性以及三年后的维护保障。维护是成本，且永远不会停止。"

AI 虽然降低了软件构建门槛，但并未消除在企业规模下实现可靠、安全且可维护软件的巨大成本。

MCP：连接通用与专业的桥梁

DeepL 提出的解决方案并非二选一，而是通过 Model Context Protocol (MCP) 实现无缝连接。MCP 为 AI Agent 提供了一种标准化的方式，使其能够连接所有外部工具和能力，大幅减少了对每种组合进行自定义集成的需求。

MCP 是解决“自建、购买还是嵌入”这一难题的务实答案。通用助手可以驻守前台，当任务需要特定能力时，它可以直接调用后端的专业系统。

“发生的变化是客户可以触达你能力的位置数量，而不是因为界面变了，而是因为不再需要了。"

这种架构更像是一种劳动分工：通用系统处理推理与编排，专业系统执行其擅长的任务，而 MCP 则连接两者。

技术落地：DeepL MCP Server

DeepL 近期正式推出了 DeepL MCP Server，将 DeepL 的翻译与语言 AI 能力直接集成到 Microsoft Copilot、ChatGPT 和 Claude 等主流 AI 助手及其他兼容工具中。这使得企业无需重新开发集成逻辑，即可在现有 AI 工作流中无缝调用 DeepL 的专业能力。

通过 MCP 协议，DeepL 正致力于构建一个更加开放、高效且可持续的企业级 AI 生态，让通用智能与专业工具在标准化的框架下协同工作。