L’API REST di Fivetran già permette un controllo programmatico e scalabile della piattaforma. La domanda che si sono posti i Solution Architect di Fivetran è: e se si potesse interagire con quell’API in linguaggio naturale? La risposta è un server Model Context Protocol (MCP) che consente a un assistente AI di gestire Fivetran a voce, con workflow di approvazione, audit trail su Google Drive e controlli di governance completi. Come precisa l’articolo, Fivetran non offre al momento un server MCP ufficialmente supportato: si tratta di un progetto costruito con un cliente.
Perché MCP e non semplici chiamate API
MCP è uno standard aperto che permette agli LLM di comunicare con tool e sorgenti esterne. Rispetto a chiamate API dirette offre alcuni vantaggi: un’integrazione AI standardizzata senza wrapper custom, operazioni in linguaggio naturale (l’utente descrive l’intento, l’AI lo traduce in chiamate precise), un’architettura a tool dove ogni operazione (creare un connettore, controllarne lo stato, mettere in pausa un sync) diventa uno strumento discreto, workflow stateful con code di approvazione e collaborazione multi-utente con audit trail.
Sicurezza per impostazione predefinita
Il principio architetturale centrale è essere “approval-aware by default”: ogni operazione che modifica lo stato (create, pause, resume, delete, modify) può essere intercettata e messa in coda per l’approvazione di un admin prima dell’esecuzione, usando il decoratore @requires_approval sui tool appropriati. Le richieste vengono persistite su un file condiviso in Google Drive (mcp_approvals.json), che offre accesso multi-utente, versioning nativo e la possibilità per stakeholder non tecnici di revisionare le operazioni senza accesso alla CLI. Tutti i nuovi connettori partono in pausa, per evitare sync accidentali.
Nel test, l’AI ha tradotto correttamente prompt come “crea un connettore Google Sheets” chiamando list_destinations, presentando le destinazioni, e invocando create_connector con parametri inferiti dal contesto e paused=true. Il set copre oltre 20 tool sull’intero ciclo di vita del connettore. Le difficoltà emerse hanno riguardato l’autenticazione a Google Drive e la traduzione dei messaggi di errore dell’API in indicazioni azionabili, risolta con un mapping e un approccio human-in-the-loop.
L’implementazione, riferisce Fivetran, è già in produzione e gestisce centinaia di connettori su più team con uptime superiore al 99,9%. Il punto non è sostituire gli umani, ma amplificarli: un engineer che prima seguiva 20 connettori può ora supervisionarne centinaia con l’assistenza AI, i workflow di approvazione e il monitoring automatico.
- MCP standardizza il modo in cui un LLM scopre e usa i tool, evitando wrapper API custom per ogni integrazione.
- La governance va progettata dal primo giorno: il decoratore
@requires_approvalrende controllabile ogni operazione senza refactoring. - Persistere lo stato delle approvazioni esternamente (Google Drive) abilita revisione collaborativa e audit anche per i non tecnici.
Fonte: Integrate data faster using natural language, Fivetran, and MCP — https://www.fivetran.com/blog/integrate-data-faster-using-natural-language-fivetran-and-mcp
Hai qualcosa da aggiungere? Unisciti alla discussione.