Artikel tentang MCP sudah banyak, tetapi sebagian besar berhenti pada pengenalan protokol atau berapa banyak server yang terhubung.
Tim teknik Pinterest baru-baru ini membagikan arsitektur MCP mereka yang benar-benar berjalan di lingkungan produksi, dengan data spesifik dan detail yang cukup untuk ditelaah secara saksama.
Pilihan arsitektur: beberapa server khusus, bukan satu server raksasa
Pinterest tidak membuat satu server MCP raksasa yang menangani semuanya. Arah mereka adalah: setiap sistem data inti memiliki server MCP independen.
Yang saat ini berjalan di produksi:
- Server Presto: kueri data
- Server Spark: debugging pekerjaan dan analisis log
- Server Airflow: manajemen alur kerja
- Server Knowledge: dokumentasi internal dan basis pengetahuan
Mengapa tidak membuat satu server terpadu?
Alasan mereka: beberapa server memungkinkan kontrol akses independen, sehingga tim yang berbeda hanya dapat mengakses domain alat yang sesuai, menghindari satu server memiliki terlalu banyak izin. Pada saat yang sama, kumpulan alat setiap server tetap ramping, mencegah model bingung di antara banyak alat yang tidak relevan.
Registri: memberi tahu agen apa yang tersedia
Pinterest membangun registri pusat sebagai sumber otoritatif untuk server mana yang telah disetujui.
Sebelum memanggil alat, klien AI memeriksa registri: apakah server ini ada? Apakah saya memiliki izin untuk menggunakannya?
Ini memecahkan masalah nyata: tidak semua alat data harus terbuka untuk semua karyawan. Misalnya, Presto (kueri data skala besar) hanya dapat diakses melalui alat AI oleh anggota grup bisnis tertentu.
Detail desain keamanan
Dua lapis autentikasi:
- Token JWT pengguna: memverifikasi siapa yang beroperasi (skenario human-in-the-loop)
- Identitas service mesh: panggilan antar-layanan menggunakan identitas mesh
Mereka memilih untuk tidak mengadopsi alur OAuth standar MCP, melainkan berintegrasi dengan sistem autentikasi internal yang sudah ada — dengan alasan mengurangi gesekan akibat memerlukan otorisasi terpisah untuk setiap server.
Ada juga desain yang disebut elicitation: sebelum menjalankan operasi berisiko tinggi atau berbiaya tinggi, agen harus meminta konfirmasi dari pengguna manusia; jika tidak disetujui, tidak akan dijalankan. Ini menyeimbangkan antara otomatisasi dan keamanan.
Angka di produksi
Data per Januari 2025:
| Metrik | Angka |
|---|---|
| Panggilan bulanan | 66.000 kali |
| Pengguna aktif | 844 orang |
| Perkiraan waktu hemat bulanan | ~7.000 jam teknisi |
7.000 jam per bulan — dengan asumsi sekitar 160 jam kerja per teknisi per bulan, ini setara dengan menghemat beban kerja sekitar 44 orang. Ini adalah perkiraan yang diperoleh dari menjumlahkan perkiraan waktu hemat per panggilan alat, bukan angka pasti, tetapi ordonya memberikan gambaran yang berguna.
Yang perlu diperhatikan
Ada satu kalimat dalam artikel Pinterest: sistem ini terintegrasi ke dalam IDE yang digunakan teknisi sehari-hari, platform obrolan internal, dan alur kerja AI — bukan portal AI terpisah yang harus sengaja digunakan oleh teknisi.
Inilah kunci keberhasilan penerapan AI tingkat perusahaan: alat harus muncul di tempat pekerja bekerja, bukan meminta mereka pergi ke tempat lain.
Sumber: Pinterest Deploys Production-Scale Model Context Protocol Ecosystem for AI Agent Workflows (InfoQ); CocoLoop, Building an MCP Ecosystem at Pinterest (Pinterest Engineering Blog / Medium)