論文の概要: Understanding How Enterprises Adopt the Model Context Protocol for LLM-Driven Software Engineering
- arxiv url: http://arxiv.org/abs/2606.09182v1
- Date: Mon, 08 Jun 2026 08:20:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.828462
- Title: Understanding How Enterprises Adopt the Model Context Protocol for LLM-Driven Software Engineering
- Title（参考訳）: 企業がLLM駆動ソフトウェアエンジニアリングにモデルコンテキストプロトコルをどのように採用するかを理解する
- Authors: Kehui Chen, Yicheng Sun, Jacky Keung, Zhenyu Mao, Xiaoxue Ma,
- Abstract要約: 大規模言語モデル(LLM)は、AIベースのソフトウェアエンジニアリングでますます使われているが、複雑なタスク実行とマルチツール調整における制限により、モデルコンテキストプロトコル(MCP)への関心が高まっている。
既存の研究は主にMDPの技術設計に焦点を合わせており、企業でどのように採用され使われているかという実証的な証拠は限られている。
このギャップに対処するため、インターネットおよび金融分野8社の実践者20人と半構造化インタビューを行った。
- 参考スコア（独自算出の注目度）: 4.345394092402742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) are increasingly used in AI-based software engineering, but their limitations in complex task execution and multi-tool coordination have driven growing interest in the Model Context Protocol (MCP). Existing research has mainly focused on MCP's technical design, with limited empirical evidence on how it is adopted and used in enterprise practice, particularly with regard to deployment challenges, operational risks, and practitioner expectations. To address this gap, we conducted semi-structured interviews with 20 practitioners from eight companies in the Internet and financial sectors. The findings show that MCP is valued for supporting cross-system collaboration, task decoupling, and knowledge reuse in LLM-based workflows, but its adoption remains constrained by ecosystem fragmentation, cross-component coordination difficulties, and unresolved problems in distributed state management and fault diagnosis. Participants also expressed strong demand for better standardization, lower adoption barriers through low-code or plugin-based approaches, and more systematic operational support. These results provide early empirical evidence on enterprise MCP practice and offer practical implications for improving MCP's standardization, usability, and deployment readiness in real-world software engineering environments.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、AIベースのソフトウェアエンジニアリングでますます使われているが、複雑なタスク実行とマルチツール調整における制限により、モデルコンテキストプロトコル(MCP)への関心が高まっている。
既存の研究は主にMDPの技術設計に重点を置いており、特にデプロイメントの課題、運用上のリスク、実践者の期待に関して、エンタープライズプラクティスでどのように採用され、使用されるかという実証的な証拠は限られている。
このギャップに対処するため、インターネットおよび金融分野8社の実践者20人と半構造化インタビューを行った。
この結果から,MPP は LLM ベースのワークフローにおいて,システム間コラボレーション,タスク疎結合,知識再利用の支援に有用であるが,エコシステムの断片化,クロスコンポーネント協調の難しさ,分散状態管理や障害診断における未解決問題などに制約されていることが示唆された。
参加者はまた、より良い標準化、ローコードやプラグインベースのアプローチによる採用障壁の低減、よりシステマティックな運用サポートなど、強い要求を表明している。
これらの結果は、エンタープライズMPPの実践に関する初期の実証的な証拠を提供し、実世界のソフトウェアエンジニアリング環境におけるMPPの標準化、ユーザビリティ、およびデプロイメントの準備性を改善するための実践的な意味を提供する。
関連論文リスト
- Exploring CoCo Challenges in ML Engineering Teams: Insights From the Semiconductor Industry [0.0]
複雑なソフトウェアシステムへの機械学習の統合は、これらのシステムを構築するチームのコラボレーションとコミュニケーション(CoCo)において課題を増している。
以前の研究でいくつかのCoCoの課題とプラクティスが明らかになったが、その多くはソフトウェア中心の企業に焦点を当てている。
ハードウェア中心の環境では、CoCoの課題は厳格なデータガバナンス、長い開発サイクル、物理的プロセスとの密結合といった追加の制約によって形成されます。
論文 参考訳（メタデータ） (2026-05-08T07:43:25Z) - Real Faults in Model Context Protocol (MCP) Software: a Comprehensive Taxonomy [5.6795075579540395]
本稿では,Model Context Protocol ベースのソフトウェアシステムにおける障害の大規模分類について紹介する。
これらの洞察は、より堅牢で信頼性があり、セキュアなAI対応ソフトウェアシステムの開発に役立てることができる。
論文 参考訳（メタデータ） (2026-03-05T19:47:26Z) - Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems [1.3704574906282525]
機械学習(ML)対応システムは、従来の要件工学(RE)とアジャイル管理に挑戦する。
既存のREとアジャイルのプラクティスは統合が不十分で、これらの特性に十分に適合していません。
本稿では,ML対応システムの継続的かつアジャイルな改善のための要件重視のアプローチであるRefineMLの適用経験について報告する。
論文 参考訳（メタデータ） (2026-02-04T20:49:02Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - Operationalizing AI: Empirical Evidence on MLOps Practices, User Satisfaction, and Organizational Context [0.0]
本稿では、G2.comから8000以上のAI開発プラットフォームのユーザレビューを分析する。
9つの確立された機械学習オペレーションに対するレビューの感情を測定する。
9つのプラクティスのうち7つは、ユーザの満足度と大きなポジティブな関係を示している。
論文 参考訳（メタデータ） (2025-10-11T02:57:14Z) - MCP-Universe: Benchmarking Large Language Models with Real-World Model Context Protocol Servers [86.00932417210477]
MCP-Universeは,実世界のMPPサーバとのインタラクションを通じて,現実的かつ困難なタスクにおいてLLMを評価するために設計された,初めての総合ベンチマークである。
私たちのベンチマークでは、ロケーションナビゲーション、リポジトリ管理、財務分析、3Dデザイン、ブラウザ自動化、Web検索という、11の異なるMSPサーバにまたがる6つのコアドメインを網羅しています。
GPT-5 (43.72%) やGrok-4 (33.33%) やClaude-4.0-Sonnet (29.44%) のようなSOTAモデルでさえ、大幅な性能制限がある。
論文 参考訳（メタデータ） (2025-08-20T13:28:58Z) - EIFBENCH: Extremely Complex Instruction Following Benchmark for Large Language Models [64.70546873396624]
大規模言語モデル(LLM)を評価するためのEIFBENCH(Extremely Complex Instruction following Benchmark)を提案する。
EIFBENCHにはマルチタスクシナリオが含まれており、多様なタスクタイプを同時に総合的に評価することができる。
また,LLMのマルチタスクワークフローを正確に満たす能力を高めるために,セグメントポリシー最適化(SegPO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-06-10T02:39:55Z) - Advancing Multi-Agent Systems Through Model Context Protocol: Architecture, Implementation, and Applications [0.0]
本稿では,モデルコンテキストプロトコル(MCP)によるマルチエージェントシステムの進化のための包括的フレームワークを提案する。
我々は、統合理論基盤、高度なコンテキスト管理技術、スケーラブルな調整パターンを開発することで、AIエージェントアーキテクチャに関するこれまでの研究を拡張した。
私たちは、現在の制限、新たな研究機会、そして業界全体にわたる潜在的な変革的応用を特定します。
論文 参考訳（メタデータ） (2025-04-26T03:43:03Z) - An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。
このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。
完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
論文 参考訳（メタデータ） (2025-04-20T16:57:45Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。