MCP: Era Baru Interaksi Alat Agen AI

Pada tahun 2025, Agen AI dengan cepat bertransisi dari konsep teoretis menjadi alat praktis. Inovasi seperti Claude 3.7 dari Anthropic yang unggul dalam tugas-tugas pengkodean dan komunitas open-source yang memungkinkan fungsionalitas rumit melalui operasi browser menyoroti pergeseran yang signifikan. Kemampuan AI berkembang melampaui sekadar percakapan menjadi eksekusi aktif. Namun, tantangan mendasar tetap ada: Bagaimana kita memastikan agen cerdas ini berinteraksi dengan dunia nyata secara efisien dan aman? Pada November 2024, Anthropic memperkenalkan Model Context Protocol (MCP), sebuah protokol standar open-source yang siap merevolusi pengembangan dan penerapan Agen AI dengan menyediakan antarmuka terpadu untuk Large Language Models (LLLM) untuk terhubung dengan alat dan sumber data eksternal. Dalam empat bulan setelah peluncurannya, MCP telah mendapatkan dukungan dari lebih dari 2000 server.

Memahami MCP

Definisi dan Asal Usul

MCP, atau Model Context Protocol, adalah protokol standar yang diperkenalkan oleh Anthropic pada November 2024. Protokol ini mengatasi interaksi yang terfragmentasi antara model AI dan alat serta data eksternal. Seringkali disamakan dengan “USB-C untuk AI,” MCP menawarkan antarmuka terpadu yang memungkinkan agen AI untuk mengakses sumber daya eksternal seperti database, sistem file, situs web, dan API tanpa memerlukan kode adaptasi khusus yang kompleks untuk setiap alat.

Jika API adalah bahasa universal internet, menghubungkan server dan klien, maka MCP adalah bahasa pemersatu untuk alat AI, menjembatani kesenjangan antara agen cerdas dan dunia nyata. MCP memberdayakan AI untuk memanipulasi alat melalui bahasa alami, seperti manusia menggunakan smartphone. Tugas berevolusi dari pertanyaan sederhana seperti “Beri tahu saya cuaca hari ini” menjadi operasi kompleks seperti “Periksa cuaca dan ingatkan saya untuk membawa payung” atau “Hasilkan model 3D dan unggah ke cloud.”

Visi Inti: MCP bertujuan untuk meningkatkan efisiensi dan memberdayakan agen AI dengan kemampuan untuk bergerak melampaui pemahaman ke tindakan nyata. Hal ini memungkinkan pengembang, bisnis, dan bahkan pengguna non-teknis untuk menyesuaikan agen cerdas, menjadikannya jembatan antara kecerdasan virtual dan dunia fisik.

Pembuatan MCP bukanlah kebetulan. Anthropic, yang didirikan oleh mantan anggota OpenAI, menyadari keterbatasan LLLM, yang seringkali terbatas pada “silo informasi,” dengan pengetahuan terbatas pada data pelatihan mereka dan kurangnya akses real-time ke informasi eksternal. Menyusul keberhasilan model seri Claude pada tahun 2024, Anthropic menyadari kebutuhan akan protokol universal untuk membuka potensi penuh AI. Rilis open-source MCP dengan cepat mendapatkan daya tarik. Pada Maret 2025, lebih dari 2000 MCP Server yang dikembangkan oleh komunitas telah online, meliputi skenario mulai dari manajemen file hingga analisis blockchain, dengan lebih dari 300 proyek GitHub terlibat dan tingkat pertumbuhan 1200%. MCP bukan hanya protokol teknis tetapi kerangka kerja kolaborasi yang didorong oleh komunitas.

MCP untuk Pengguna Sehari-hari

Bagi pengguna individu, MCP bertindak sebagai “kunci ajaib” untuk AI, membuat alat cerdas yang kompleks dapat diakses dan ramah pengguna. MCP memungkinkan individu untuk memerintahkan AI menggunakan bahasa alami untuk menyelesaikan tugas sehari-hari tanpa memerlukan pengetahuan pemrograman. Bayangkan menginstruksikan Claude untuk “Atur jadwal saya dan ingatkan saya tentang rapat besok.” MCP secara otomatis terhubung ke kalender, email, dan alat pengingat, menyelesaikan tugas dalam hitungan detik. Atau, bayangkan mengatakan, “Bantu saya mendesain kartu ulang tahun.” MCP memanggil server desain (seperti Figma), menghasilkan kartu yang dipersonalisasi, dan menyimpannya ke cloud. Untuk pengguna non-teknis, MCP berfungsi sebagai super-asisten yang tidak terlihat, mengubah operasi yang membosankan menjadi percakapan sederhana, membuat teknologi benar-benar melayani kehidupan.

• Pemahaman Sederhana: MCP bertindak sebagai asisten cerdas, meningkatkan pembantu AI Anda dari “hanya mengobrol” menjadi “menyelesaikan sesuatu,” membantu Anda mengelola file, merencanakan hidup Anda, dan bahkan membuat konten.
• Nilai Aktual: MCP mengubah AI dari teknologi yang tidak dapat diakses menjadi asisten kehidupan pribadi, menghemat waktu, meningkatkan efisiensi, dan melindungi privasi.

Skenario yang Lebih Luas: Dari Tugas hingga Kreativitas

MCP lebih dari sekadar alat; MCP mewakili perubahan gaya hidup, memungkinkan setiap orang untuk “menyesuaikan” asisten AI mereka tanpa memerlukan layanan profesional yang mahal. Bagi para lansia, MCP dapat menyederhanakan operasi—mengatakan “Ingatkan saya untuk minum obat dan beri tahu keluarga saya” mendorong AI untuk menyelesaikan tugas secara otomatis, meningkatkan kemandirian. MCP melampaui tugas-tugas sederhana, merangsang kreativitas dan mengatasi kebutuhan sehari-hari:

• Manajemen Harian: Mengatakan “Daftar belanja minggu ini dan ingatkan saya” memungkinkan MCP untuk memeriksa stok lemari es dan situs web perbandingan harga, menghasilkan daftar dan mengirimkannya melalui SMS.
• Pembelajaran dan Pertumbuhan: Siswa yang mengatakan “Atur catatan biologi dan buat rencana belajar” mendorong MCP untuk memindai catatan, terhubung ke platform pembelajaran, dan menghasilkan rencana belajar dan pertanyaan kuis.
• Eksplorasi Minat: Belajar memasak? Mengatakan “Temukan resep pasta Italia dan bahan-bahannya” memungkinkan MCP untuk mencari situs web, memeriksa stok, dan menghasilkan menu, menghemat kesulitan membolak-balik buku.
• Koneksi Emosional: Untuk ulang tahun, mengatakan “Rancang kartu dan kirim ke ibu” memungkinkan MCP untuk menggunakan Figma untuk mendesain dan mengirimkannya melalui email.

Privasi dan Kontrol: Jaminan untuk Pengguna

Privasi adalah perhatian utama bagi pengguna individu, dan mekanisme kontrol izin MCP memastikan pengguna mempertahankan kontrol penuh atas aliran data. Misalnya, Anda dapat mengatur izin untuk “mengizinkan AI untuk membaca kalender, tetapi tidak menyentuh foto,” memberikan otorisasi yang andal. Selain itu, fungsi “sampling” MCP memungkinkan pengguna untuk meninjau permintaan sebelum AI menjalankan tugas-tugas sensitif, seperti menganalisis laporan bank, di mana pengguna dapat mengonfirmasi “hanya data bulan terbaru” yang digunakan. Transparansi dan kontrol ini menumbuhkan kepercayaan sambil mempertahankan kenyamanan.

Kebutuhan Akan MCP

Keterbatasan LLLM telah mendorong kebutuhan akan MCP. Secara tradisional, pengetahuan model AI terbatas pada data pelatihan mereka, mencegah akses ke informasi real-time. Jika LLLM ingin menganalisis tren pasar mata uang kripto untuk Maret 2025, LLLM harus memasukkan data secara manual atau menulis panggilan API tertentu, yang dapat memakan waktu berjam-jam atau berhari-hari. Lebih serius lagi, pengembang menghadapi “masalah M×N” ketika berhadapan dengan banyak model dan alat—jika ada 10 model AI dan 10 alat eksternal, 100 integrasi khusus diperlukan, meningkatkan kompleksitas secara eksponensial. Fragmentasi ini tidak efisien dan sulit untuk diskalakan.

MCP mengatasi hambatan ini, mengurangi koneksi menjadi N+M (hanya 20 konfigurasi yang diperlukan untuk 10 model dan 10 alat), memungkinkan agen AI untuk secara fleksibel memanggil alat. Menghasilkan laporan dengan harga saham real-time, yang secara tradisional membutuhkan waktu 2 jam, dapat dilakukan hanya dalam 2 menit dengan MCP.

Arsitektur Teknis dan Operasi Internal MCP

Latar Belakang Teknis dan Posisi Ekologis

Fondasi teknis MCP adalah JSON-RPC 2.0, standar komunikasi yang ringan dan efisien yang mendukung interaksi dua arah real-time, mirip dengan kinerja tinggi WebSockets. MCP beroperasi melalui arsitektur klien-server:

• MCP Host: Aplikasi interaktif pengguna, seperti Claude Desktop, Cursor, atau Windsurf, bertanggung jawab untuk menerima permintaan dan menampilkan hasil.
• MCP Client: Tertanam di dalam host, MCP Client membangun koneksi satu-ke-satu dengan server, menangani komunikasi protokol, dan memastikan isolasi dan keamanan.
• MCP Server: Program ringan yang menyediakan fungsi-fungsi spesifik, menghubungkan sumber data lokal (seperti file desktop) atau jarak jauh (seperti API cloud).

Metode transmisi meliputi:

• Stdio: Input/output standar, cocok untuk penyebaran cepat lokal, seperti manajemen file, dengan latensi serendah milidetik.
• HTTP SSE: Server-sent events, mendukung interaksi real-time jarak jauh, seperti panggilan API cloud, cocok untuk skenario terdistribusi.

Anthropic berencana untuk memperkenalkan WebSockets pada akhir tahun 2025 untuk lebih meningkatkan kinerja jarak jauh. Dalam ekosistem AI, MCP memiliki posisi yang unik, berbeda dari Function Calling OpenAI, yang terikat pada platform tertentu, dan pustaka alat LangChain, yang berorientasi pada pengembang. MCP melayani pengembang, perusahaan, dan pengguna non-teknis melalui keterbukaan dan standarisasi.

Desain Arsitektur

MCP menggunakan arsitektur klien-server, analog dengan pengaturan restoran: pelanggan (MCP host) ingin memesan makanan (data atau tindakan), dan pelayan (MCP client) berkomunikasi dengan dapur (MCP Server). Untuk memastikan efisiensi dan keamanan, MCP menugaskan klien khusus untuk setiap server, membentuk koneksi satu-ke-satu yang terisolasi. Komponen utama meliputi:

• Host: Titik masuk pengguna, seperti Claude Desktop, bertanggung jawab untuk memulai permintaan dan menampilkan hasil.
• Client: Perantara komunikasi menggunakan JSON-RPC 2.0 untuk berinteraksi dengan server, mengelola permintaan dan respons.
• Server: Penyedia fungsi menghubungkan sumber daya eksternal dan melakukan tugas-tugas, seperti membaca file atau memanggil API.

Metode transmisi fleksibel:

• Stdio: Penyebaran lokal, cocok untuk mengakses file desktop atau database lokal dengan cepat, dengan latensi serendah milidetik, seperti menghitung jumlah file txt.
• HTTP SSE: Interaksi jarak jauh, mendukung panggilan API cloud, dengan kinerja real-time yang kuat, seperti menanyakan API cuaca, cocok untuk skenario terdistribusi.
• Ekspansi Masa Depan: WebSockets atau HTTP yang dapat di-stream dapat diimplementasikan pada akhir tahun 2025, lebih meningkatkan kinerja jarak jauh dan mengurangi latensi.

Primitif Fungsional

MCP mengimplementasikan fungsi melalui tiga “primitif”:

1. Tools: Fungsi yang dapat dieksekusi yang dipanggil AI untuk menyelesaikan tugas-tugas tertentu. Misalnya, alat “konversi mata uang” mengonversi 100 RMB menjadi 14 USD dan 109 HKD secara real-time (berdasarkan nilai tukar tetap pada Maret 2025); alat “pencarian” dapat menanyakan jadwal pertunjukan film hari ini.
2. Resources: Data terstruktur yang digunakan sebagai input konteks. Misalnya, membaca file README dari repositori GitHub memberikan latar belakang proyek, atau memindai file PDF 10MB mengekstrak informasi penting.
3. Prompts: Template instruksi yang telah ditentukan sebelumnya yang memandu AI untuk menggunakan alat dan sumber daya. Misalnya, prompt “ringkas dokumen” menghasilkan ringkasan 200 kata, dan prompt “rencanakan rencana perjalanan” mengintegrasikan data kalender dan penerbangan.

MCP mendukung fungsi “sampling” di mana server dapat meminta LLLM untuk memproses tugas, dan pengguna meninjau permintaan dan hasilnya, memastikan keamanan dan transparansi. Misalnya, jika server meminta untuk “menganalisis konten file,” pengguna menyetujuinya, dan AI mengembalikan ringkasan, memastikan data sensitif tidak disalahgunakan, meningkatkan keamanan dan transparansi.

Proses Komunikasi

Operasi MCP mencakup empat tahap:

Pertimbangkan contoh “menanyakan file desktop”:

1. Pengguna memasukkan “daftar dokumen saya.”
2. Claude menganalisis permintaan dan mengidentifikasi kebutuhan untuk memanggil server file.
3. Klien terhubung ke server, dan pengguna menyetujui izin.
4. Server mengembalikan daftar file, dan Claude menghasilkan jawaban.

Contoh lain adalah “merencanakan rencana perjalanan”: pengguna memasukkan “atur perjalanan hari Sabtu,” Claude menemukan server kalender dan penerbangan, memperoleh jadwal dan data tiket, mendorong integrasi, dan mengembalikan “penerbangan pukul 10:00 ke Paris pada hari Sabtu.”

Mengapa Anda Harus Memperhatikan MCP?

Poin-Poin Kesulitan dari Ekosistem AI Saat Ini

Keterbatasan LLLM sudah jelas:

• Silo Informasi: Pengetahuan terbatas pada data pelatihan dan tidak dapat diperbarui secara real-time. Misalnya, jika LLLM ingin menganalisis transaksi Bitcoin pada Maret 2025, LLLM perlu memasukkan data secara manual.
• Masalah M×N: Integrasi antara banyak model dan alat sangat kompleks secara eksponensial. Misalnya, 10 model dan 10 alat membutuhkan 100 integrasi kode khusus.
• Inefisiensi: Metode tradisional mengharuskan penyematan vektor atau pencarian vektor, yang mahal secara komputasi dan memiliki penundaan respons yang lama.

Masalah-masalah ini membatasi potensi agen AI, membuatnya sulit bagi mereka untuk beralih dari “membayangkan” ke “melakukan.”

Keuntungan Terobosan MCP

MCP menghadirkan tujuh keuntungan melalui antarmuka standar:

1. Akses Real-Time: AI dapat menanyakan data terbaru dalam hitungan detik. Claude Desktop mengambil daftar file dalam 0,5 detik melalui MCP, meningkatkan efisiensi sepuluh kali lipat.
2. Keamanan dan Kontrol: Data diakses secara langsung, menghilangkan kebutuhan akan penyimpanan perantara, dengan keandalan manajemen izin mencapai 98%. Pengguna dapat membatasi AI untuk hanya membaca file tertentu.
3. Beban Komputasi Rendah: Menghilangkan kebutuhan akan vektor yang disematkan, mengurangi sekitar 70% biaya komputasi. Pencarian vektor tradisional membutuhkan memori 1GB, sedangkan MCP hanya membutuhkan 100MB.
4. Fleksibilitas dan Skalabilitas: Mengurangi koneksi dari N×M menjadi N+M. 10 model dan 10 alat hanya membutuhkan 20 konfigurasi.
5. Interoperabilitas: MCP Server dapat digunakan kembali oleh banyak model seperti Claude dan GPT. Satu server cuaca melayani pengguna global.
6. Fleksibilitas Vendor: Beralih LLLM tidak memerlukan penataan ulang infrastruktur.
7. Dukungan Agen Otonom: Mendukung akses dinamis AI ke alat, melakukan tugas-tugas kompleks. Saat merencanakan perjalanan, AI dapat secara bersamaan menanyakan kalender, memesan penerbangan, dan mengirim email, meningkatkan efisiensi.

Kepentingan dan Dampak

MCP adalah katalis untuk perubahan ekologis. MCP seperti Batu Rosetta, membuka komunikasi antara AI dan dunia eksternal. Sebuah perusahaan farmasi mengintegrasikan 10 sumber data melalui MCP, mengurangi waktu kueri penelitian dari 2 jam menjadi 10 menit, meningkatkan efisiensi pengambilan keputusan sebesar 90%. MCP juga mendorong pengembang untuk membangun alat universal, dengan satu server melayani dunia, mempromosikan pembentukan ekosistem.

Skenario Aplikasi dan Kasus Praktis MCP

Skenario Aplikasi yang Beragam

Aplikasi MCP sangat luas:

1. Pengembangan dan Produktivitas:
   • Debugging Kode: Cursor AI men-debug 100.000 baris kode melalui Browsertools Server, mengurangi tingkat kesalahan sebesar 25%.
   • Pencarian Dokumen: Mintlify Server mencari 1000 halaman dokumen dalam 2 detik, menghemat 80% waktu.
   • Otomatisasi Tugas: Google Sheets Server secara otomatis memperbarui 500 lembar penjualan, meningkatkan efisiensi sebesar 300%.
2. Kreativitas dan Desain:
   • Pemodelan 3D: Blender MCP mengurangi waktu pemodelan dari 3 jam menjadi 10 menit, meningkatkan efisiensi sebanyak 18 kali.
   • Tugas Desain: Figma Server membantu AI dalam menyesuaikan tata letak, meningkatkan efisiensi desain sebesar 40%.
3. Data dan Komunikasi:
   • Kueri Database: Supabase Server menanyakan catatan pengguna secara real-time, dengan waktu respons 0,3 detik.
   • Kolaborasi Tim: Slack Server mengotomatiskan pengiriman pesan, menghemat 80% operasi manual.
   • Web Scraping: Firecrawl Server mengekstrak data, menggandakan kecepatan.
4. Pendidikan dan Perawatan Kesehatan:
   • Dukungan Pendidikan: MCP Server terhubung ke platform pembelajaran, dan AI menghasilkan garis besar kursus, meningkatkan efisiensi guru sebesar 40%.
   • Diagnostik Medis: Terhubung ke database pasien, dan AI menghasilkan laporan diagnostik dengan tingkat akurasi 85%.
5. Blockchain dan Keuangan:
   • Interaksi Bitcoin: MCP Server menanyakan transaksi blockchain, meningkatkan kinerja real-time ke tingkat detik.
   • Analisis DeFi: Menganalisis transaksi investor besar Binance, memprediksi keuntungan, dengan tingkat akurasi 85%.

Analisis Kasus Khusus

• Analisis Kasus: Claude memindai 1000 file dan menghasilkan ringkasan 500 kata hanya dalam 0,5 detik. Metode tradisional mengharuskan pengunggahan file secara manual ke cloud, membutuhkan waktu beberapa menit.
• Aplikasi Blockchain: AI menganalisis transaksi investor besar Binance melalui MCP Server pada Maret 2025, memprediksi potensi keuntungan, menunjukkan potensinya di bidang keuangan.

Ekosistem MCP: Status dan Peserta

Arsitektur Ekosistem

Ekosistem MCP mulai terbentuk, meliputi empat peran utama:

1. Clients:
   • Aplikasi Mainstream: Claude Desktop, Cursor, Continue.
   • Alat yang Muncul: Windsurf, LibreChat, Sourcegraph.
2. Servers:
   • Kelas Database: Supabase, ClickHouse, Neon, Postgres.
   • Kelas Alat: Resend, Stripe, Linear.
   • Kelas Kreatif: Blender, Figma.
   • Kelas Data: Firecrawl, Tavily, Exa AI.
3. Market:
   • mcp.so: Termasuk Server, menyediakan instalasi sekali klik.
   • Platform Lain: Mintlify, OpenTools.
4. Infrastruktur:
   • Cloudflare: Hosting Server, memastikan ketersediaan.
   • Toolbase: Mengoptimalkan latensi.
   • Smithery: Menyediakan penyeimbangan beban dinamis.

Data Ekologis

• Skala: Pada Maret 2025, MCP Server telah meningkat dari di Desember 2024 menjadi +unit, tingkat pertumbuhan %.
• Komunitas: + proyek GitHub berpartisipasi, dengan Server berasal dari kontribusi pengembang.
• Aktivitas: Hackathon awal menarik + pengembang, menghasilkan + aplikasi inovatif, seperti asisten belanja dan alat pemantau kesehatan.

Keterbatasan dan Tantangan MCP

Hambatan Teknis

• Kompleksitas Implementasi: MCP berisi prompt dan fungsi sampling, meningkatkan kesulitan pengembangan. Deskripsi alat perlu ditulis dengan hati-hati, jika tidak, panggilan LLLM rentan terhadap kesalahan.
• Pembatasan Penyebaran: Memerlukan berjalan di terminal lokal, memulai server secara manual, kurangnya penyebaran sekali klik atau aplikasi web, membatasi skenario jarak jauh.
• Tantangan Debugging: Kompatibilitas lintas-klien yang buruk, dukungan logging yang tidak memadai. Misalnya, server mungkin berfungsi dengan baik di Claude Desktop, tetapi mungkin gagal di Cursor.
• Kekurangan Transmisi: Hanya mendukung Stdio dan SSE, kurangnya opsi yang lebih fleksibel seperti WebSockets, membatasi kinerja real-time jarak jauh.

Kekurangan Kualitas Ekologis

• Kualitas Tidak Merata: Di antara + Server, sekitar % memiliki masalah stabilitas atau kurangnya dokumentasi, menghasilkan pengalaman pengguna yang tidak konsisten.
• Kurangnya Penemuan: Memerlukan konfigurasi alamat server secara manual, dan mekanisme penemuan dinamis belum matang, mengharuskan pengguna untuk mencari dan menguji sendiri.
• Keterbatasan Skala: Dibandingkan dengan + alat Zapier atau + pustaka alat LangChain, cakupan MCP masih belum mencukupi.

Tantangan Penerapan di Lingkungan Produksi

• Akurasi Panggilan: Tingkat keberhasilan panggilan alat LLLM saat ini sekitar %, rentan terhadap kegagalan dalam tugas-tugas kompleks.
• Kebutuhan Kustomisasi: Agen Produksi perlu mengoptimalkan pesan dan arsitektur sistem sesuai dengan alat, dan “plug-and-play” MCP sulit untuk dipenuhi.
• Ekspektasi Pengguna: Dengan peningkatan kemampuan model, pengguna memiliki persyaratan yang lebih tinggi untuk keandalan dan kecepatan, dan generalitas MCP dapat mengorbankan kinerja.

Persaingan dan Tekanan dari Solusi Alternatif

• Solusi Propietary: Agent SDK OpenAI memberikan keandalan yang lebih tinggi melalui optimasi mendalam, berpotensi menarik pengguna kelas atas.
• Kerangka Kerja yang Ada: Pustaka alat LangChain telah membangun kelengketan di antara pengembang, dan ekosistem baru MCP membutuhkan waktu untuk mengejar ketinggalan.
• Perbandingan Pasar: Custom GPT OpenAI belum berhasil secara luas, dan MCP perlu membuktikan nilai uniknya untuk menghindari pengulangan kesalahan.

Tren Masa Depan: Jalur Evolusi MCP

Jalur Multi-Dimensi Optimasi Teknis

• Penyederhanaan Protokol: Hapus fungsi yang berlebihan, fokus pada panggilan alat, mengurangi hambatan pengembangan.
• Desain Stateless: Mendukung penyebaran sisi server, memperkenalkan mekanisme otentikasi, menyelesaikan masalah multi-penyewa.
• Standarisasi Pengalaman Pengguna: Standarkan logika pemilihan alat dan desain antarmuka untuk meningkatkan konsistensi.
• Peningkatan Debugging: Kembangkan alat debugging lintas platform, menyediakan log terperinci dan pelacakan kesalahan.
• Ekspansi Transmisi: Mendukung WebSockets dan HTTP yang dapat di-stream untuk meningkatkan kemampuan interaksi jarak jauh.

Arah Strategis Pengembangan Ekologis

• Konstruksi Marketplace: Luncurkan platform yang mirip dengan npm, mengintegrasikan peringkat, pencarian, dan fungsi instalasi sekali klik untuk mengoptimalkan penemuan server.
• Dukungan Web: Implementasikan penyebaran cloud dan integrasi browser, melepaskan diri dari batasan lokal, menargetkan pengguna Web.
• Ekspansi Skenario Bisnis: Beralih dari alat pengkodean ke dukungan pelanggan, desain, pemasaran, dan bidang lainnya.
• Insentif Komunitas: Dorong pengembangan server berkualitas tinggi melalui bonus, sertifikasi, dengan tujuan mencapai + Server pada akhir .