MCP: Bukan Obat Mujarab, Tapi Cukup Baik

Di lanskap AI saat ini, satu konsep menghasilkan banyak gebrakan: MCP, atau Model Context Protocol. Anehnya, perhatian seputar sistem protokol ini telah menutupi bahkan rilis model terbaru dari OpenAI, menjadi titik fokus diskusi industri.

Lonjakan popularitas teknologi Agent, dipicu oleh kebangkitan Manus, telah memicu antusiasme pengembang global. MCP, diposisikan sebagai ‘protokol terpadu’ untuk invokasi alat Agent, telah dengan cepat mendapatkan daya tarik, mengamankan dukungan dari pemain AI utama seperti OpenAI dan Google hanya dalam dua bulan. Pendakian cepat ini telah mengubah MCP dari spesifikasi teknis yang relatif tidak jelas menjadi standar dasar dalam ekosistem AI, menandai ‘peristiwa fenomenal’ di ranah infrastruktur AI.

Namun, seiring meredanya kegembiraan awal, pertanyaan kritis muncul: Apakah MCP benar-benar berlaku universal? Apakah harapan untuk kemampuannya menjadi meningkat?

Eksplorasi ini menggali asal-usul MCP, membedah kekuatan dan keterbatasan intinya, mengklarifikasi kesalahpahaman yang lazim, dan memeriksa lintasan masa depannya yang potensial. Tujuannya bukanlah untuk menolak nilai inheren MCP tetapi lebih untuk menumbuhkan pemahaman yang lebih mendasar tentang peran dan batasannya. Hanya melalui kejelasan seperti itulah potensinya dapat direalisasikan sepenuhnya.

Mengungkap MCP: Protokol Invokasi Alat Terpadu

Mendefinisikan MCP

MCP adalah protokol teknis terbuka yang dirancang untuk menstandarisasi cara Large Language Models (LLM) berinteraksi dengan alat dan layanan eksternal. Anggap saja sebagai penerjemah universal di dunia AI, memungkinkan model AI untuk ‘berbicara’ dengan berbagai alat eksternal. Ia menyediakan bahasa dan struktur umum untuk LLM untuk meminta dan memanfaatkan fungsionalitas yang ditawarkan oleh berbagai aplikasi dan layanan.

Kebutuhan akan MCP

Sebelum munculnya MCP, invokasi alat AI dilanda dua tantangan utama:

  • Fragmentasi Antarmuka: Setiap LLM menggunakan format instruksi yang berbeda, sementara setiap API alat memiliki struktur datanya yang unik. Pengembang dipaksa untuk menulis kode koneksi khusus untuk setiap kombinasi, yang mengarah pada proses pengembangan yang kompleks dan tidak efisien.
  • Inefisiensi Pengembangan: Pendekatan ‘terjemahan satu-ke-satu’ ini terbukti mahal dan sulit untuk ditingkatkan. Itu seperti mempekerjakan penerjemah khusus untuk setiap klien asing, menghambat produktivitas dan ketangkasan.

MCP mengatasi masalah ini dengan menyediakan kerangka kerja standar untuk LLM untuk berinteraksi dengan alat eksternal, menyederhanakan proses pengembangan dan memungkinkan skalabilitas yang lebih besar.

Memahami Fungsionalitas MCP

Arsitektur teknis MCP dapat dikonseptualisasikan sebagai sistem yang terdiri dari tiga komponen inti: MCP Host, MCP Client, dan MCP Server. Elemen-elemen ini bekerja secara sinergis untuk memfasilitasi komunikasi yang mulus antara model AI dan dunia eksternal.

Untuk memahami peran MCP, pertimbangkan lingkungan perusahaan modern. Dalam analogi ini:

  • Pengguna mewakili eksekutif senior, bertanggung jawab untuk memahami kebutuhan pengguna dan membuat keputusan akhir.
  • Large Language Models (LLM) (seperti Claude atau GPT) memahami instruksi eksekutif, merencanakan langkah-langkah tugas, menentukan kapan harus menggunakan layanan eksternal, dan mengonsolidasikan informasi untuk memberikan jawaban.
  • Sistem Agent berfungsi sebagai asisten pribadi atau sekretaris eksekutif, menjalankan tugas seperti yang diinstruksikan.
  • MCP bertindak sebagai platform komunikasi standar atau sistem akses layanan perusahaan yang digunakan oleh para sekretaris. Ia tidak membuat keputusan tetapi malah mengikuti instruksi, berkomunikasi dengan berbagai penyedia layanan dalam format dan protokol yang terpadu.

Sebelum MCP, interaksi AI dengan alat eksternal mirip dengan era standar komunikasi yang kacau. Setiap kali seorang sekretaris (Agent) perlu menghubungi departemen yang berbeda atau pemasok eksternal, mereka harus menggunakan perangkat atau perangkat lunak komunikasi yang berbeda. Ini membutuhkan keakraban dengan berbagai sistem, yang mengakibatkan inefisiensi. Pengembang harus menulis kode koneksi terpisah untuk setiap alat, yang mengarah pada pemborosan waktu dan skalabilitas yang terbatas.

MCP merampingkan proses ini dengan menyediakan platform komunikasi terpadu, yang memungkinkan sekretaris untuk menghubungi departemen atau penyedia layanan mana pun menggunakan sistem dan protokol komunikasi yang sama. Pengembang hanya perlu mengimplementasikan antarmuka MCP sekali, yang memungkinkan sistem AI untuk berinteraksi dengan semua alat yang mendukung protokol.

MCP: Kotak Peralatan yang Dibangun di atas Panggilan Fungsi

Penting untuk dipahami bahwa MCP bukanlah pengganti Panggilan Fungsi tradisional; melainkan, itu adalah komponen pelengkap yang meningkatkan kemampuannya.

Panggilan Fungsi adalah mekanisme inti di mana LLM berinteraksi dengan alat atau API eksternal. Ini adalah kemampuan mendasar dari LLM, memungkinkan mereka untuk mengidentifikasi kapan alat diperlukan dan jenis alat apa yang diperlukan.

MCP bertindak sebagai sistem klasifikasi alat, menyediakan kerangka kerja terstruktur untuk mengatur dan mengakses berbagai alat. Oleh karena itu, MCP tidak menggantikan Panggilan Fungsi tetapi lebih bekerja bersama dengan Agent untuk menyelesaikan tugas-tugas kompleks.

Proses invokasi alat lengkap melibatkan kombinasi ‘Panggilan Fungsi + Agent + Sistem MCP.’

Intinya, LLM menyatakan kebutuhan untuk memanggil alat tertentu melalui Panggilan Fungsi. Agent mengikuti instruksi untuk menjalankan invokasi alat, sementara MCP menyediakan spesifikasi invokasi alat standar.

Pertimbangkan analogi berikut: seorang bos (pengguna) ingin kopi. Di kantor (MCP Host), manajer kantor (LLM) menginstruksikan sekretaris (Agent) untuk membeli Americano (Panggilan Fungsi). Sekretaris memeriksa daftar pemasok dan menemukan bahwa pemasok kopi Americano telah terintegrasi dengan Meituan atau sistem pengadaan terpadu perusahaan (mengimplementasikan MCP Server). Sekretaris kemudian menemukan pemasok di sistem pengadaan (MCP Client) dan melakukan pemesanan.

Sebelumnya, tanpa MCP, ketika LLM mengeluarkan Panggilan Fungsi, Agent akan menerjemahkan dan langsung terhubung ke API untuk memanggil alat. Setiap API membutuhkan mode invokasi terpisah dan daftar alat yang ditentukan dan mode invokasi untuk diinterpretasikan oleh Agent. Dengan MCP, banyak API dapat langsung dipesan melalui MCP Client pemasok, menghemat waktu dan tenaga Agent. Namun, Panggilan Fungsi LLM tetap tidak berubah, masih dalam format {tool: ‘beli kopi’, ‘type’: ‘Americano’}.

Dengan membedakan antara Panggilan Fungsi dan MCP, menjadi jelas bahwa MCP tidak menentukan alat mana yang akan digunakan, juga tidak menangani perencanaan tugas atau niat pengguna. Aspek-aspek ini termasuk dalam lingkup lapisan Agent. MCP hanya menyediakan antarmuka alat terpadu, menjadi protokol standar yang diakui dalam industri.

Tantangan Pengembangan MCP dan Lanskap Pasar

Teka-Teki Pengembangan

Sejak Februari, komunitas pengembangan AI telah menyaksikan ‘demam emas MCP’. Dengan tidak adanya toko aplikasi resmi, ribuan alat telah secara sukarela terintegrasi dengan protokol MCP dalam waktu tiga bulan.

Pertumbuhan pesat ini telah mendorong MCP ke sorotan industri tetapi juga telah mengungkap kesenjangan antara aspirasi dan realitas. Pengembang awalnya melihat MCP sebagai ‘kunci universal’ tetapi telah menemukannya lebih sebagai ‘kunci pas khusus’, unggul dalam skenario tertentu tetapi terbukti kurang efektif di tempat lain.

Peserta MCP dapat dikategorikan sebagai aplikasi klien lokal, aplikasi klien cloud, dan pengembang MCP server. Aplikasi lokal mirip dengan asisten AI lokal, sementara aplikasi klien cloud menyerupai versi ChatGPT berbasis web. Pengembang MCP server adalah penyedia alat yang sebenarnya, yang perlu mengemas ulang API mereka agar sesuai dengan aturan MCP.

Kemunculan MCP pada awalnya disambut oleh aplikasi klien lokal, tetapi aplikasi klien cloud dan pengembang MCP server menghadapi tantangan.

MCP berasal dari aplikasi Claude Desktop Anthropic, yang awalnya dirancang sebagai protokol antarmuka untuk memanggil file dan fungsi lokal, yang berakar dalam kebutuhan sisi klien.

Untuk pengguna klien lokal, MCP mewakili revolusi, menawarkan kotak peralatan yang dapat diperluas tanpa batas yang memungkinkan pengguna untuk terus memperluas kemampuan asisten AI mereka.

Aplikasi klien lokal seperti Cursor dan Claude Desktop telah memanfaatkan MCP untuk memungkinkan pengguna menambahkan alat secara dinamis berdasarkan kebutuhan individu, mencapai ekspansi tak terbatas dari kemampuan asisten AI.

MCP mengatasi titik sakit inti dalam pengembangan klien lokal: bagaimana memungkinkan aplikasi AI untuk berinteraksi secara mulus dengan lingkungan lokal dan alat eksternal tanpa mengembangkan antarmuka terpisah untuk setiap alat. Protokol terpadu ini secara signifikan mengurangi biaya integrasi, menyediakan jalan pintas untuk startup kecil dan pengembang individu untuk membangun aplikasi AI kaya fitur dengan sumber daya terbatas.

Namun, daya tarik MCP berkurang ketika mempertimbangkan pengembangan sisi server (MCP Server) dan klien cloud. Versi awal MCP menggunakan mekanisme tautan ganda untuk server cloud (jarak jauh), menggunakan koneksi panjang SSE untuk mendorong pesan searah dari server ke klien dan koneksi pendek HTTP untuk mengirim pesan.

Pendekatan ini bekerja dengan baik untuk umpan balik dan intervensi pengguna yang tepat waktu tetapi menciptakan serangkaian tantangan teknik di lingkungan sisi server.

Pertama, mengimplementasikan antarmuka MCP merupakan beban kerja tambahan untuk penyedia layanan perusahaan besar, tanpa harus menghasilkan manfaat yang sesuai. Layanan ini sering memiliki sistem API yang matang, dan menyediakan lapisan adaptasi MCP tambahan hanya dapat meningkatkan biaya pemeliharaan tanpa menciptakan nilai yang substansial. Banyak aplikasi tingkat perusahaan lebih menyukai mekanisme invokasi alat yang tertutup dan terkendali daripada ekosistem terbuka MCP.

Selain itu, untuk menangani invokasi konkurensi tinggi, layanan MCP sering perlu ditingkatkan ke arsitektur multi-server. Model koneksi ganda MCP memperkenalkan kompleksitas pengalamatan lintas mesin. Ketika koneksi panjang dibuat di satu server, dan permintaan dirutekan ke server lain, mekanisme antrian siaran tambahan diperlukan untuk mengoordinasikan koneksi terdistribusi ini, secara signifikan meningkatkan kesulitan implementasi dan biaya pemeliharaan.

Kedua, MCP memiliki keterbatasan di ranah aplikasi cloud. Agent AI Cloud (Agent sisi server) biasanya berjalan dalam layanan tanpa kewarganegaraan, memproses tugas setelah penerimaan dan melepaskan sumber daya setelah selesai. Menggunakan MCP Client di sisi server membutuhkan pembuatan sementara tautan SSE, mengirim permintaan invokasi alat, menerima hasil dari SSE, dan kemudian menutup tautan SSE, yang merupakan pendekatan yang tidak efisien yang meningkatkan kompleksitas dan mengurangi kinerja. Permintaan RPC tunggal sudah cukup dalam skenario ini.

Dalam praktiknya, aplikasi cloud yang menggunakan MCP sering mengandalkan toolset prasetel dan tidak menggunakan kemampuan tanda tangan MCP dari penemuan alat dinamis dan pemuatan fleksibel.

Mode interaksi data lingkungan cloud membatasi kemampuan untuk menggunakan alat secara bebas seperti yang dimaksudkan oleh MCP. Ia membutuhkan proses yang sangat standar untuk memanggil alat khusus dan hard-coded, mengorbankan fleksibilitas.

Tim MCP telah menunjukkan responsif terhadap umpan balik pengguna. Setelah menerima umpan balik dari pengembang sisi server, MCP memperbarui protokolnya pada 26 Maret, mengganti transport SSE asli dengan transport HTTP yang dapat dialirkan. Protokol baru mendukung skenario layanan tanpa kewarganegaraan yang hanya membutuhkan permintaan invokasi alat tunggal dan persyaratan push real-time yang sebelumnya dipenuhi melalui tautan ganda HTTP + SSE.

Peningkatan ini menunjukkan bahwa masalah MCP saat ini berasal dari keterbatasan desain awal tetapi tidak dapat diatasi.

Kekacauan Pasar

Tantangan lain yang dihadapi MCP adalah kegunaan rendah dari banyak implementasi di pasar.

Pasar MCP saat ini mengalami siklus hype teknologi yang khas. Mirip dengan kekacauan App Store awal, kurang dari 20% dari ribuan alat MCP yang tersedia saat ini memiliki nilai praktis. Banyak implementasi memiliki masalah serius, mulai dari kesalahan konfigurasi sederhana hingga ketidakgunaan lengkap. Beberapa bergegas ke pasar tanpa pengujian yang memadai, sementara yang lain adalah produk eksperimen yang tidak pernah dimaksudkan untuk penggunaan praktis.

Masalah yang lebih mendasar adalah bahwa banyak implementasi MCP mungkin tidak dibutuhkan oleh pasar. Banyak alat yang ditawarkan melalui MCP hanyalah API yang dikemas ulang yang sudah tersedia dan digunakan sebelum kemunculan MCP, menambahkan sedikit nilai unik.

Misalnya, lusinan layanan pencarian ditawarkan melalui MCP, tetapi kualitasnya sangat bervariasi. Beberapa layanan mungkin tidak akurat atau lambat, membuatnya kurang diinginkan daripada solusi yang ada.

Selain itu, MCP tidak memiliki sistem evaluasi yang kuat, sehingga sulit bagi Agent untuk memilih alat yang paling sesuai berdasarkan metrik yang andal. Proses pemilihan yang tidak efisien ini membuang sumber daya komputasi, memperpanjang waktu penyelesaian tugas, dan menurunkan pengalaman pengguna.

Kurangnya sistem evaluasi membuat sulit bagi agen untuk memilih alat yang paling sesuai. Jika beberapa layanan MCP menawarkan alat dengan nama dan deskripsi yang serupa, agen mungkin kesulitan untuk memilih opsi terbaik, yang menyebabkan token terbuang dan mengurangi efisiensi.

Aplikasi AI yang paling sukses sering mengambil pendekatan yang berlawanan, menyediakan alat yang lebih tepat daripada kuantitas alat yang lebih besar. Manus, misalnya, memilih untuk membangun aplikasi internal alih-alih mengadopsi protokol MCP, meskipun keberadaannya. Manus memprioritaskan akurasi dan stabilitas panggilan daripada berintegrasi dengan ekosistem MCP.

Editor kode seperti Cursor memiliki fungsi pengembangan bawaan, membuat sebagian besar alat MCP eksternal menjadi berlebihan.

Keadaan kacau pasar MCP saat ini belum tentu merupakan tanda kegagalan tetapi lebih merupakan tahap pertumbuhan yang diperlukan untuk ekosistem teknologi yang muncul. Preseden historis menunjukkan bahwa over-ekspansi awal ini secara bertahap akan menyatu melalui mekanisme seleksi pasar, meninggalkan elemen yang paling berharga.

Proses ini akan memungkinkan industri untuk belajar dari tantangan saat ini dan menciptakan kerangka kerja MCP yang lebih kuat dan lebih andal. Mirip dengan bagaimana gelembung dot-com menyebabkan inovasi yang mengubah permainan dalam e-commerce dan media sosial, tren MCP dapat mengarah pada ekosistem alat yang lebih efisien dan berharga.

Sikap terbuka tim MCP terhadap umpan balik pengguna menggembirakan, dan industri membutuhkan alat yang lebih baik untuk mengevaluasi dan memastikan kualitas layanan MCP, yang akan membantu membuat ekosistem lebih mudah digunakan.

MCP Itu Bagus, Bukan Obat Mujarab

Masalah yang disebutkan di atas berasal dari keterbatasan dan kekurangan MCP, menyoroti apa yang dapat dicapai secara realistis. Namun, kritik lain berasal dari harapan yang tidak realistis.

Satu kritik baru-baru ini melabel MCPsebagai protokol yang cacat karena tidak menentukan pola interaksi antara LLM dan MCP.

Beberapa orang berharap MCP secara otomatis meningkatkan pengambilan keputusan sistem AI atau meningkatkan efisiensi perencanaan tugas. Harapan ini membingungkan alat dengan pengrajin.

Masalahnya berasal dari ketidakcocokan kognitif - mengharapkan protokol komunikasi untuk melakukan tugas-tugas sistem cerdas. Ini seperti menyalahkan USB karena tidak mengedit foto atau menyalahkan standar 5G karena tidak menulis kode. MCP terutama adalah ‘soket alat’ standar, memastikan kompatibilitas plug daripada mendikte peralatan mana yang akan digunakan atau bagaimana.

Efektivitas invokasi alat Agent bergantung pada faktor-faktor seperti kemampuan pemilihan alat, keterampilan perencanaan tugas, dan pemahaman konteks, yang tidak termasuk dalam lingkup MCP. MCP hanya menjamin antarmuka alat standar, bukan bagaimana alat-alat itu akan dipilih dan dikombinasikan.

Kita sering mencari peluru perak dalam teknologi, solusi yang berlaku universal. Seperti aksioma ‘tidak ada peluru perak’ rekayasa perangkat lunak, penggunaan alat AI tidak memiliki solusi ajaib. Sistem AI yang kuat membutuhkan komponen yang dirancang: LLM untuk memahami dan menghasilkan, kerangka kerja Agent untuk merencanakan dan mengeksekusi, dan MCP yang berfokus pada antarmuka alat terpadu.

MCP menunjukkan desain protokol yang baik - berfokus pada satu masalah dan menyelesaikannya dengan baik, bukan semua. Pengekangannya membantunya maju dalam integrasi alat sisi klien.

Entitas seperti Qwen Alibaba, ‘Xinxiang’ Baidu, dan Kouzi Space ByteDance merangkul protokol MCP, mencoba untuk membangun ekosistem MCP internal yang lebih efisien.

Namun, ada perbedaan utama dalam penyebaran: Baidu dan ByteDance lebih agresif. Baidu mencoba pendekatan C-end, mengintegrasikan beberapa model AI dan alat eksternal melalui ‘Xinxiang’ (Kokone) memanfaatkan protokol MCP, terutama untuk perangkat seluler, untuk berintegrasi ke dalam kehidupan sehari-hari pengguna dan mendorong adopsi.

Kouzi Space ByteDance memiliki 60+ plugin ekstensi MCP. Diakses melalui halaman web, ia juga meluncurkan IDE asli AI, Trae, yang mendukung MCP, terutama menargetkan skenario produktivitas.

Alibaba mengintegrasikan protokol MCP ke dalam produk seperti Alipay, memungkinkan invokasi alat AI sekali klik, dan membuka sumber model Qwen3, yang mendukung protokol MCP, meningkatkan kemampuan Agent-nya.

Pengembang Tencent Cloud merilis suite pengembangan AI yang mendukung layanan hosting plugin MCP. Mesin pengetahuan model besar Tencent Cloud memungkinkan pengguna untuk memanggil plugin MCP. Agen cerdas pengembangan perangkat lunak Craft yang diluncurkan oleh CodeBuddy Tencent Cloud kompatibel dengan ekosistem terbuka MCP. Selain itu, Tencent Maps dan Tencent Cloud Storage telah merilis MCP SERVER mereka sendiri.

Penggunaan alat AI dapat berevolusi dari operasi alat tunggal langsung ke kolaborasi Agent profesional, seperti gaya pemrograman berevolusi dari bahasa assembly ke orientasi objek.

Dalam paradigma ini, MCP mungkin hanya menjadi bagian dari infrastruktur yang mendasarinya, alih-alih antarmuka yang menghadap pengguna atau pengembang. Rencana yang lebih lengkap mungkin membutuhkan arsitektur seperti Agent to Agents (A2A) untuk meningkatkan perencanaan tugas dan efisiensi pemilihan alat dengan meningkatkan tingkat abstraksi.

Dengan mengembalikan MCP ke peran ‘protokol’nya, kita dapat mengenali kekuatan sejatinya untuk mendorong standardisasi industri - ini mungkin momen ‘de-mistifikasi’ yang paling berharga dalam evolusi teknologi.