Protocol ที่โตเร็วกว่า React: ทำไม MCP ถึงกลายเป็น Infrastructure ที่ AI Agent ทุกตัวต้องมี

ก่อน MCP โลก AI agent มีปัญหาคลาสสิกที่เรียกว่า M×N integration problem ถ้าคุณมี AI models 10 ตัว และ tools 20 อย่าง (Slack, GitHub, Notion, database, email...) คุณต้องเขียน integration 200 ชุด แต่ละทีมเขียนซ้ำกัน แต่ละ model มี format ต่างกัน ไม่มีอะไรใช้ร่วมกันได้

Anthropic เปิดตัว MCP ในเดือนพฤศจิกายน 2023 ในฐานะ open standard ที่แก้ปัญหานี้ด้วยหลักการง่ายมาก: แทนที่แต่ละ AI จะต่อกับแต่ละ tool โดยตรง ให้มี protocol กลางที่ทุกคนพูดภาษาเดียวกัน

ผลลัพธ์: M×N กลายเป็น M+N เขียน integration ครั้งเดียว ใช้ได้กับทุก AI model ที่รองรับ MCP

มีนาคม 2025 Anthropic รายงานว่า MCP มียอดดาวน์โหลด 97 ล้านครั้งนับตั้งแต่เปิดตัว เพื่อให้เห็นภาพ React ใช้เวลา 5 ปีกว่าจะถึงตัวเลขนี้ MCP ใช้เวลา 16 เดือน

ทำไมถึงเร็วขนาดนี้? เพราะ MCP แก้ pain point ที่ทุกคนรู้สึกอยู่แล้ว นักพัฒนาที่สร้าง Cursor, Windsurf, Claude Desktop ต่างก็กำลังแก้ปัญหาเดียวกัน พอมีมาตรฐานกลาง ecosystem ก็ระเบิดพร้อมกัน

ตัวเลขที่น่าสนใจกว่าคือ composition: มีทั้ง enterprise ขนาดใหญ่ startups และ solo developers สร้าง MCP servers ให้กับ tools ของตัวเอง มันไม่ใช่แค่ library สำหรับนักพัฒนา — มันกลายเป็น infrastructure layer

MCP มีโครงสร้างสามส่วน: MCP Host (AI application เช่น Claude, Cursor), MCP Client (ส่วนที่อยู่ใน host ทำหน้าที่สื่อสาร), และ MCP Server (โปรแกรมที่ expose capabilities ของ tool เช่น Slack MCP Server, GitHub MCP Server)

เวลา Claude Desktop ต่อกับ Notion ผ่าน MCP ก็คือ Claude (host) → MCP Client → Notion MCP Server → Notion API ข้อดีคือ Notion เขียน server ครั้งเดียว ใช้ได้กับทุก AI ที่เป็น MCP Host

Protocol ใช้ JSON-RPC 2.0 รองรับ transport สองแบบ: stdio (local) และ HTTP with SSE (remote) ความเรียบง่ายนี้คือเหตุผลที่มันถูก adopt เร็ว

Block (บริษัทแม่ของ Square) เป็นหนึ่งในบริษัทแรกที่ประกาศ MCP adoption อย่างเป็นทางการ ใช้สำหรับให้ developer tools เชื่อมต่อกับ internal systems ผ่าน AI agents แทนที่จะเขียน custom integrations

Replit ใช้ MCP ให้ AI assistant เข้าถึง codebase, terminal, และ deployment tools โดยตรง ทำให้ agent สามารถ debug, test, และ deploy ได้แบบ end-to-end

Sourcegraph integrate MCP เข้ากับ Cody (AI coding assistant) เพื่อให้ query code graph ได้แบบ real-time แทนที่จะต้อง index ไว้ล่วงหน้า ผลคือ context ที่แม่นยำกว่ามาก

MCP ยังอายุน้อย มีข้อจำกัดหลายอย่าง: Authentication มาตรฐานยังไม่สมบูรณ์ (OAuth support อยู่ใน spec แต่ implementation ต่างกันไปในแต่ละ host) Discovery ยังต้องทำ manual — ไม่มีระบบค้นหา MCP Server แบบ centralized ที่เชื่อถือได้

Security model ยังเป็นความรับผิดชอบของ implementer เอง MCP Server ที่เขียนไม่ดีสามารถ expose sensitive data ได้ง่าย ใครที่จะ deploy ใน enterprise ควร audit อย่างละเอียด

แต่ข้อจำกัดเหล่านี้กำลังถูกแก้ไข Anthropic และ community กำลัง work on MCP 2.0 spec ที่จะ address เรื่อง auth และ security โดยตรง

ถ้าคุณกำลังวางแผน AI strategy ในปี 2026 MCP ควรอยู่ใน checklist ของคุณ ไม่ใช่เพราะมันเป็น hype แต่เพราะมันแก้ปัญหา practical ที่คุณจะเจอ

สิ่งที่ควรทำ: inventory ว่า internal tools อะไรที่ AI agent จะต้องการเข้าถึง ลอง run MCP server ของ tools ที่มี official support แล้ว (Slack, GitHub, Notion, Google Drive) ก่อน แล้วค่อย build custom server สำหรับ internal systems

สิ่งที่ไม่ควรทำ: อย่า build custom AI integration โดยไม่ดูก่อนว่ามี MCP server ให้แล้วหรือเปล่า จะเสียเวลามาก

Less noise. More signal.

Model Context Protocol — Introduction (modelcontextprotocol.io)

Model Context Protocol — GitHub Organization

Anthropic — Introducing the Model Context Protocol