Manajemen API Kini Semakin Krusial di Era Agentic AI

Liputan6.com, Jakarta - Di luar sekadar konektivitas dasar, mobile network saat ini memiliki beragam kemampuan operasional yang sangat berguna bagi berbagai organisasi di berbagai sektor ekonomi, khususnya di Indonesia, di mana jumlah active mobile connection diperkirakan mencapai 356 juta pada tahun 2025, atau setara dengan 125 persen dari total populasi. Sebagai contoh, mobile network dapat memverifikasi lokasi perangkat, mengonfirmasi identitas pemiliknya, serta menilai kualitas koneksi secara real time, baik untuk mencegah penipuan maupun meningkatkan throughput jaringan. Namun, mengoptimalkan seluruh potensi kemampuan ini dengan cara yang aman dantetap layak secara komersial, masih menjadi tantangan tersendiri.

Hal itu karena gelombang terbaru otomatisasi perusahaan didasarkan pada potensi generative dan agentic AI, di mana para AI agent mampu berinteraksi dengan database, API, software, dan agent-agent lain untuk melaksanakan tugas dan proses yang semakin kompleks. Akibatnya, adopsi agentic AI pun mencapai momentum pertumbuhan yang kuat. Laporan IDC InfoBrief menunjukkan bahwa 42% organisasi di Asia Tenggara (40% di Indonesia) sudah menggunakan agentic AI. Namun, saat ini AI agent belum dapat mengakses kemampuan jaringan seluler secara konsisten dan aman. Jika perusahaan telekomunikasi tidak mengatasi hambatan ini, mereka tidak akan dapat sepenuhnya memonetisasi investasi mereka yang besar dalam 5G network maupun meraih potensi AI sepenuhnya.

Operator seluler telah lama menyadari pentingnya menyediakan antarmuka standar bagi perusahaan dan pengembang yang konsisten di berbagai jaringan, di mana pun yang memungkinkan, untuk meningkatkan skalabilitas, interoperabilitas, serta meminimalkan risiko keamanan. Untuk itu, operator di seluruh dunia turut membantu merumuskan dan menyepakati penggunaan application programming interfaces (API) yang dikembangkan oleh CAMARA, sebuah proyek API open-source yang diluncurkan oleh GSMA dan Linux Foundation pada ajang Mobile World Congress 2022, untuk memfasilitasi akses terhadap kapabilitas jaringan telekomunikasi.

Namun, meskipun API yang relatif statis ini cukup andal untuk sebagian besar fungsinya, pendekatan tersebut kurang cocok dengan AI agent yang dinamis dan terus berubah dengan cepat. Jika API baru biasanya dirilis atau diperbarui hanya satu atau dua kali dalam setahun, AI agent justru berkembang lebih cepat.

Salah satu cara untuk menyelaraskan keduanya adalah dengan menggunakan Model Context Protocol (MCP), sebuah standar terbuka yang awalnya dikembangkan oleh perusahaan AI Anthropic sebagai “bahasa universal” antara AI model dan aspek eksternal seperti database, yang bertujuan menstandarkan cara Large Language Models (LLM) dan AI agent terintegrasi serta berbagi data dengan tools, sistem, sumber, dan API eksternal. Namun, karena berbagai alasan, MCP sebagai solusi yang berdiri sendiri pada dasarnya sulit diterapkan oleh enterprise yang serius, mengingat sifatnya yang hanya sebatas protokol.  

Jembatan Sempit Tanpa Pagar Pengaman

Didukung oleh banyak perusahaan terkemuka di bidang AI dan teknologi enterprise, MCP pada dasarnya merupakan jembatan antara dunia API dan dunia AI agent. Namun, jembatan initergolong sempit, berisiko, dan sangat rentan terhadap serangan.

Sesuai dengan namanya, MCP hanyalah sebuah protokol, sekumpulan aturan komunikasi. Meskipun tergolong protokol yang powerful, MCP tidak menyediakan fitur keamanan tingkat enterprise, skalabilitas, maupun pengendalian biaya yang dibutuhkan untuk penggunaan nyata, terutama oleh perusahaan telekomunikasi besar yang menangani jutaan permintaan dari konsumen dan jaringan secara real-time. Sejumlah kelemahan keamanan telah teridentifikasi dalam berbagai implementasi MCP, termasuk beberapa kasus yang cukup menonjol. Di dunia telekomunikasi, MCP tanpa perlindungan yang memadai berpotensi memungkinkan AI agent mengakses data dan sumber daya yang sensitif dan bersifat rahasia, lalu secara tidak sengaja membocorkannya, dan data tersebut belum tentu dapat dipulihkan kembali.

Agar cukup aman, cepat, dan andal untuk menangani lalu lintas dari jutaan hingga puluhan juta pengguna, MCP memerlukan dukungan dari semacam “menara pengatur lalu lintas” sekaligus “konvoi keamanan berlapis baja.” F5 BIG-IP Next for Kubernetes, solusi cloud-native dari F5 yang mengelola serta mengamankan lalu lintas aplikasi, mampu menjalankan kedua peran tersebut, mengamankan jalur masuk (ingress) maupun keluar (egress) dalam klaster Kubernetes. Solusi ini dapat mengatur aliran permintaan AI, memeriksanya dari potensi ancaman, serta memastikan setiap permintaan memiliki otorisasi yang diperlukan untuk mengakses sumber daya jaringan. Secara historis, inilah yang telah dilakukan oleh produk unggulan F5 BIG-IP untuk jutaan aplikasi bisnis yang sangat penting dan berskala besar dalam penerapan yang tak terhitung jumlahnya selama beberapa dekade.

Dengan perlindungan seperti ini, server Model Context Protocol (MCP) dapat menjadi sarana yang efektif dan aman untuk menerjemahkan instruksi API yang bersifat teknis (yang biasanya harus dibaca oleh pengembang manusia) menjadi “tools” yang sederhana dan mudah dipahami. Tools ini memungkinkan AI agent mengotomatiskan proses discovery (penemuan) kemampuan jaringan yang tersedia, menggabungkannya secara dinamis, serta menjalankan alur kerja, semuanya melalui interaksi berbasis bahasa alami.

Selain itu, integrasi API sering kali terlalu kompleks bagi pengembang non-telco, sehingga tingkat adopsi dan interaksinya menjadi rendah. Dengan membuat kapabilitas jaringan dapat diakses oleh jutaan “pengembang awam” melalui prompt AI, MCP menurunkan biaya untuk menerapkan wrapper di tingkat kontainer. Seiring MCP memungkinkan otomatisasi dalam skalayang jauh lebih besar, arsitektur ini akan membuat kapabilitas berbasis CAMARA yang sudah ada menjadi jauh lebih bernilai bagi perusahaan.

AI agent juga dapat memanfaatkan arsitektur MCP yang aman untuk menyesuaikan konektivitas menurut kebutuhan bisnis secara real-time. Sebagai contoh, AI agent yang bekerja untukperusahaan logistik dapat menggunakan MCP untuk melakukan query ke network API guna menemukan kendaraan otonom yang hilang. Setelah lokasi kendaraan diketahui, agent tersebut kemudian dapat menggunakan MCP untuk meminta peningkatan kualitas layanan jaringan (quality of service), sehingga kendaraan dapat melakukan siaran video langsung mengenai hambatan yang menghalanginya kembali ke lokasi yang seharusnya.