Selama setahun terakhir saya membangun sistem operasional untuk beberapa bisnis manufaktur di kawasan industri Karawang, dan satu masalah terus berulang: AI assistant yang dipakai tim sales tidak pernah tahu harga terbaru, sisa stok kain drill, atau posisi order di lini produksi. Jawabannya selalu generik. Titik baliknya adalah Model Context Protocol — standar terbuka yang menurut analisis The New Stack berhasil memenangkan perang standar integrasi AI hanya dalam dua belas bulan. Dari situ saya mulai serius menggarap MCP server untuk bisnis manufaktur — dan hasilnya mengubah cara klien saya bekerja.
Ini bukan sekadar hype agentic AI. Secara akademis, peneliti dari Huazhong University of Science and Technology telah memetakan lanskap arsitektur MCP beserta ancaman keamanannya — dari malicious server, tool poisoning, hingga privilege escalation — yang wajib dipahami sebelum menyambungkan LLM ke data bisnis sungguhan. Artikel ini saya tulis karena mayoritas tutorial MCP di luar sana berhenti di contoh "weather API". Padahal use case paling bernilai justru di dunia nyata: pabrik, konveksi, dan UKM manufaktur yang datanya masih terkunci di spreadsheet dan aplikasi internal.
"AI agent secerdas apa pun akan tetap buta tanpa akses ke data operasional. MCP server adalah mata dan tangannya — dan manufaktur adalah tempat di mana mata dan tangan itu paling dibutuhkan."
1. Kenapa Manufaktur Butuh MCP, Bukan Sekadar Chatbot
Sebelum masuk ke kode, kita perlu sepakat dulu soal masalahnya. Chatbot berbasis LLM murni hanya bisa menjawab dari data training — statis, usang, dan tidak tahu apa-apa soal bisnis Anda. Di sinilah perbedaan fundamental antara "AI yang menjawab" dan "AI agent yang bekerja".
Masalah klasik: data terkunci di silo
Kondisi umum di lapangan kurang lebih begini.
Data harga ada di Excel milik admin.
Stok bahan dicatat di Google Sheets gudang.
Status produksi? Ditanya via WhatsApp ke kepala produksi.
Tiga silo. Tiga sumber kebenaran. Nol integrasi.
Ketika sales ditanya customer "seragam ESD 200 pcs bisa kirim kapan?", jawabannya butuh 3 orang dan 2 jam. Padahal pertanyaan seperti ini datang puluhan kali sehari — terutama di bisnis seragam industri yang melayani pabrik-pabrik dengan jadwal ketat.
N×M problem dan kenapa MCP jadi solusinya
Sebelum MCP, menghubungkan N aplikasi AI ke M sumber data butuh N×M konektor custom. MCP meruntuhkannya jadi N+M: satu protokol berbasis JSON-RPC, satu server per sumber data, dan semua MCP client (Claude, ChatGPT, Copilot, Cursor) langsung bisa memakainya. Inilah alasan MCP server untuk bisnis manufaktur masuk akal secara engineering: Anda menulis integrasi sekali, lalu seluruh ekosistem AI agent bisa mengaksesnya.
2. Arsitektur: Dari Spreadsheet Konveksi ke Tool yang Bisa Dipanggil Agent
Bab ini membedah desain sistem yang saya pakai di studi kasus nyata: CV. Mitra Mandiri Design, produsen seragam kerja dan pakaian industri di Karawang yang melayani order B2B mulai dari wearpack, seragam laboratorium, hingga pakaian ESD anti-statis untuk industri elektronik. Karakteristik datanya sangat representatif untuk UKM manufaktur pada umumnya.
Tiga tool inti yang paling dibutuhkan
Dari wawancara dengan tim operasional, kami kerucutkan ke tiga kemampuan:
| Tool | Fungsi | Sumber Data | Frekuensi Update |
|---|---|---|---|
get_price_estimate |
Estimasi harga per item + kuantitas | Tabel harga + rules diskon | Mingguan |
check_material_stock |
Cek sisa stok kain/bahan per jenis | Sheet inventaris gudang | Harian |
get_production_status |
Posisi order di lini produksi | Log produksi internal | Real-time |
Tidak perlu langsung 20 tool. Mulai dari yang paling sering ditanyakan — prinsip yang sama dengan MVP.
Skeleton MCP server dengan TypeScript SDK
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
const server = new McpServer({
name: "konveksi-ops",
version: "1.0.0",
});
server.tool(
"check_material_stock",
"Cek stok bahan kain berdasarkan jenis material",
{ material: z.string().describe("Jenis kain, mis. 'drill', 'oxford', 'kain ESD'") },
async ({ material }) => {
const stock = await queryInventory(material); // koneksi ke DB/Sheets
return {
content: [{
type: "text",
text: JSON.stringify(stock), // { material, meter_tersedia, lokasi_rak, updated_at }
}],
};
}
);
const transport = new StdioServerTransport();
await server.connect(transport);
Dengan ~40 baris kode, AI agent sudah bisa menjawab "stok kain ESD masih berapa meter?" dengan data asli, bukan halusinasi.
Human-in-the-loop untuk aksi sensitif
Tool yang bersifat read-only (cek harga, cek stok) boleh berjalan otonom. Tapi tool yang write — membuat penawaran resmi, mengubah jadwal produksi — wajib melewati approval manusia. Ini sejalan dengan temuan riset keamanan MCP di atas: least privilege dulu, otonomi belakangan.
3. HowTo: Deploy MCP Server Manufaktur dari Nol sampai Production
Bagian ini sengaja saya susun sebagai langkah berurutan (HowTo schema-friendly) supaya bisa langsung Anda replikasi. Estimasi total waktu: 1–2 hari kerja untuk versi pertama.
Langkah 1 — Audit sumber data. Petakan di mana harga, stok, dan status produksi disimpan. Jangan pindahkan datanya; MCP server cukup membaca dari sumber yang ada (Sheets API, database, atau REST internal).
Langkah 2 — Definisikan tool contract. Tulis skema input/output dengan Zod atau JSON Schema. Deskripsi tool harus jelas karena LLM memilih tool berdasarkan deskripsi ini.
Langkah 3 — Implementasi + validasi input. Sanitasi semua parameter. Ingat threat model tool poisoning dan prompt injection dari paper arXiv di pendahuluan.
Langkah 4 — Uji dengan MCP Inspector. Jalankan npx @modelcontextprotocol/inspector untuk memverifikasi setiap tool sebelum disambungkan ke client.
Langkah 5 — Sambungkan ke client & atur permission. Daftarkan server di Claude Desktop/Cursor, aktifkan mode approval untuk tool sensitif, lalu monitor log pemakaian minggu pertama.
Lima langkah. Tanpa ML engineer. Tanpa fine-tuning model.
Yang Anda butuhkan hanya disiplin data dan satu developer backend.
4. Pelajaran dari Lapangan: Apa yang Berhasil dan Apa yang Menjebak
Setelah beberapa iterasi membangun MCP server untuk bisnis manufaktur, ada pola-pola yang konsisten muncul — baik yang mempercepat adopsi maupun yang hampir menggagalkan proyek.
Yang terbukti berhasil
- Mulai dari pertanyaan tersering, bukan arsitektur terkeren. Tiga tool yang menjawab 80% pertanyaan harian jauh lebih bernilai daripada 15 tool setengah jadi.
- Deskripsi tool dalam bahasa domain. Tulis "kain drill", "wearpack", "grading ukuran" — bukan istilah generik. Akurasi pemilihan tool oleh LLM naik signifikan.
- Read-only first. Kepercayaan tim operasional dibangun dari agent yang tidak pernah merusak data.
Yang perlu diwaspadai
- Token bloat. Terlalu banyak tool membuat context membengkak dan agent melambat. Tren terbaru seperti tool search dan code execution with MCP lahir untuk masalah ini — topik ini juga dibahas apik di artikel populer Dev.to tentang 5 tren developer yang benar-benar penting di 2026, yang menempatkan MCP sebagai salah satu pergeseran terpenting.
- Data kotor. Agent hanya sebaik data di belakangnya. Stok yang tidak di-update harian akan menghasilkan jawaban percaya diri tapi salah — lebih berbahaya daripada tidak menjawab.
- Lupa audit trail. Setiap pemanggilan tool harus tercatat: siapa, kapan, parameter apa. Wajib untuk debugging dan compliance.
FAQ: MCP Server untuk Bisnis Manufaktur
Apakah harus paham machine learning untuk membangun ini?
Tidak. MCP server adalah pekerjaan backend biasa: API, validasi input, dan koneksi database. Kecerdasannya disediakan LLM di sisi client.
Bahasa pemrograman apa yang didukung?
SDK resmi tersedia untuk TypeScript, Python, Java, Kotlin, C#, dan lainnya. Contoh di artikel ini memakai TypeScript.
Apakah data bisnis saya dikirim ke pihak ketiga?
MCP server bisa berjalan lokal (stdio) di infrastruktur sendiri. Yang dikirim ke LLM hanya hasil query yang diminta — bukan seluruh database. Tetap terapkan prinsip minimasi data.
Berapa biaya implementasinya untuk UKM?
Versi awal bisa berjalan di VPS kecil atau bahkan laptop internal. Komponen biaya terbesar justru pembersihan data, bukan infrastruktur.
Apa bedanya dengan sekadar function calling biasa?
Function calling bersifat vendor-spesifik. MCP adalah standar terbuka lintas vendor — server yang sama bisa dipakai Claude, ChatGPT, maupun Copilot tanpa menulis ulang integrasi.
Ketika Standar Terbuka Bertemu Lantai Produksi
Pada akhirnya, adopsi masif MCP bukan cuma cerita developer tools. Sam Altman, CEO OpenAI — perusahaan yang notabene rival langsung Anthropic sang pencipta protokol ini — pernah menulis secara terbuka:
"People love MCP and we are excited to add support across our products."
Pernyataan itu penting bagi tema artikel ini karena Altman adalah figur paling berpengaruh dalam komersialisasi AI modern, dan keputusannya mengadopsi standar buatan kompetitor menjadi sinyal bahwa MCP telah melewati fase "eksperimen" menuju infrastruktur bersama. Bagi kita di dunia manufaktur, artinya sederhana: investasi membangun MCP server untuk bisnis manufaktur hari ini tidak akan terkunci ke satu vendor — ia akan tetap relevan siapa pun pemenang perlombaan model AI.
Demikianlah perjalanan dari spreadsheet gudang menuju AI agent yang bisa menjawab harga, stok, dan status produksi secara real-time. Kalau Anda sedang mendigitalisasi konveksi, pabrik garmen, atau UKM manufaktur lain — mulailah dari tiga tool sederhana, amankan dengan human-in-the-loop, dan biarkan standar terbuka mengerjakan sisanya.
Punya pengalaman menyambungkan AI agent ke data operasional? Cerita di kolom komentar — saya penasaran stack apa yang kalian pakai. 🚀
Top comments (0)