Le MCP, une innovation majeure
Dans les domaines de la technologie et de la data, l’IA agentiqueQu'est-ce que l'IA agentique ? L'IA agentique représente une évolution majeure dans le domaine de l'intelligence artificielle. Contrairement aux systèmes d'IA traditionnels qui répondent simplement à des requêtes spécifiques, l'IA agentique désigne des systèmes dotés d'une forme d'autonomi... More et les agents intelligents s’imposent désormais comme des sujets omniprésents. Pourtant, derrière l’effervescence médiatique, un défi majeur est souvent négligé : l’intégration de ces agents avec nos infrastructures techniques et nos applications métier existantes. C’est précisément pour résoudre ce problème qu’intervient le Model Context Protocol (MCP)Qu'est-ce que le Model Context Protocol (MCP) Le Model Context Protocol (MCP) est un standard ouvert développé par Anthropic en novembre 2024, conçu pour faciliter l'intégration des modèles de langage (LLM) avec des outils, données et services externes. Comparable à un "port USB-C" pour l'IA,... More.
Mettre en place des agents IA ne se résume pas à déployer une nouvelle technologie. Il s’agit d’un projet complexe, comparable à l’intégration de nouvelles applications dans un écosystème d’entreprise déjà bien établi. Les applications métier et l’écosystème technique sous-jacent, véritables piliers du fonctionnement quotidien des entreprises, doivent pouvoir communiquer et interagir de manière fluide.
Ce défi d’intégration est capital. Sans une approche bien pensée et standardisée, les entreprises risquent de se retrouver avec des agents IA certes performants, mais confinés à des silos, incapables de tirer pleinement parti des données historiques et des processus opérationnels.
C’est face à cette réalité qu’Anthropic, l’éditeur du modèle de langage Claude, a dévoilé fin 2024 une innovation majeure : un protocole et une architecture visant à établir un lien direct entre les LLMQu'est-ce qu'un Large Language Model (LLM) ? Si vous avez testé des outils d'IA conversationnelle récemment, alors vous avez directement interagi avec ce qu'on appelle un Large Language Model. Derrière ce terme se cache une réalité technologique fascinante. Concrètement, il s'agit d'un systèm... More et les systèmes externes. Baptisé Model Context Protocol (MCP), ce nouveau standard définit précisément comment connecter les sources de données et les applications existantes (bases de données, référentiels de code, outils métiers) aux grands modèles de langage et aux agents IA.
Le MCP étend considérablement les fonctionnalités de l’IA agentique et offre aux agents la capacité d’accomplir des tâches complexes et utiles, en parfaite synergie avec les applications réelles de l’entreprise. Et surtout, en standardisant l’exposition des systèmes externes aux LLM, cela permet d’intégrer ces derniers plus facilement et rapidement au sein de son écosystème. Bref, c’est une avancée décisive pour concrétiser la promesse d’une IA véritablement intégrée et opérationnelle.
Comment le MCP fonctionne ?
Mais alors, qu’est-ce que c’est concrètement ? Rappelons que MCP est un protocole (le P de MCP), donc un ensemble de conventions permettant de faciliter des échanges.
Il y a dans le protocole MCP deux composants majeurs :
- Le serveur : le composant qui va exposer les fonctionnalités disponibles du système externe (Google Analytics, un CRM, un système de réservation d’hôtel, Github, Jira, …).
- Le client : qui va se connecter au serveur pour interagir avec lui, et qui peut être un agent IA (directement ChatGPT, Claude.ai, etc ..) ou un outil qui en embarque un (un environnement de développement, un chatbot home-made basé sur des agents, etc).
Le serveur va proposer trois grandes fonctionnalités :
- Les Tools : la liste des fonctionnalités disponibles au sein du serveur et que le LLM peut décider d’actionner pour répondre à ses objectifs
- Les Resources : des sources de données accessibles à la demande (fichiers, schémas de base de données, …)
- Les Prompts : des modèles de prompts prêts à l’emploi afin d’améliorer la pertinence des interactions avec le serveur
On notera que le protocole prévoit donc la possibilité à tout agent qui se connectera au serveur d’explorer ses fonctionnalités à un instant T. Et donc permettre une meilleure évolutivité sans pour autant avoir à changer le client à chaque ajout ou modification de fonctionnalités côté serveur.
Le client va, lui, permettre l’intégration fluide avec le serveur sur différents aspects :
- Elicitation : le serveur peut demander des informations supplémentaires afin d’effectuer certaines actions. Exemple, on a déterminé qu’on souhaite utiliser une fonctionnalité spécifique du serveur mais il manque un paramètre obligatoire, l’utilisateur sera donc invité, via l’agent à effectuer son choix parmi une liste ou bien saisir une valeur.
- Roots : le client fournit au serveur les ressources locales sur lesquelles il devrait concentrer ses actions. Autrement dit, ce sont des liens de dossiers ou fichiers du côté de l’utilisateur
- Sampling : Mécanisme qui permet au serveur de demander à l’Agent LLM côté client de compléter certaines tâches. C’est ce mécanisme qui permet d’ailleurs de respecter la sécurité et faire en sorte que l’utilisateur garde un contrôle dans le workflow.
Grâce à ces 2 composants et pour répondre à un objectif donné par son utilisateur, un agent IA peut donc explorer les fonctionnalités que lui offre un serveur MCP, peut décider d’interagir avec certaines d’elles en donnant du contexte (les informations du prompt utilisateur, des fichiers ou dossiers), demander des informations et permettre une interactivité avec l’utilisateur pour faire fonctionner le workflow que l’agent aurait déterminé comme celui nécessaire pour répondre à la demande.
Un exemple concret
Pour mieux comprendre les notions, nous allons prendre l’exemple d’un agent Claude et d’un MCP Google Analytics dans un contexte d’analyse de donnéesQu'est-ce que la Data Analyse ? La Data Analyse (ou analyse de données) est le processus méthodique qui consiste à inspecter, nettoyer, transformer et modéliser des données dans le but de découvrir des informations utiles, de tirer des conclusions et de soutenir la prise de décision stratégi... More digitales.
Nous allons donc retrouver les éléments suivants dans le serveur MCP :
- Les Tools : fonctions que l’IA peut appeler (ex : “exécuter un rapport GA4”, “interroger la data API”, “accéder aux données live”, “appliquer des conditions complexes sur des dimensions et métriques”, etc ..)
- Les Resources : données statiques accessibles (ex : configuration d’une propriété GA4)
- Les Prompts : modèles de requêtes préformatés pour guider l’IA
Avant les MCP, pour analyser des données GA4 avec Claude, il fallait :
- Exporter manuellement les données
- Les formater pour Claude
- Copier-coller les résultats
- Répéter à chaque nouvelle question
- Temps total pour une analyse simple : Une quinzaine de minutes
Avec le MCP, Claude interroge directement GA4 en quelques secondes, analyse les résultats et peut enchaîner plusieurs requêtes de manière autonome pour répondre à des questions complexes. Le même travail prend maintenant 30 secondes à 1 minute.
Toutefois, la force de ce protocole se révèle pleinement dans la combinaison de plusieurs serveurs MCP au sein d’une même instance. Un agent comme Claude devient alors capable de réconcilier et d’analyser des flux d’informations hétérogènes de façon transverse, par exemple en faisant une analyse croisée GA4 x Google Ads:
« Compare les performances des campagnes Google Ads (coûts, clics, conversions) avec les données de comportement post-clic dans GA4 (taux de rebond, pages vues, parcours de conversion). Identifie les campagnes avec le meilleur ROI réel. »
Voici quelques exemples de requêtes que nous avons pu tester au sein d’AVISIA avec cette architecture:
- Analyse exploratoire :
« Quelles sont nos top 10 sources de trafic ce mois-ci et comment ont-elles évolué par rapport au mois dernier ? »
→ Claude interroge GA4 automatiquement, compare les périodes et génère une synthèse. - Détection d’anomalies :
« Y a-t-il eu des pics inhabituels de conversions cette semaine ? »
→ Claude analyse les données journalières, identifie les variations et suggère des hypothèses. - Reporting automatisé :
« Crée un tableau de bord des performances de nos campagnes Google Ads des 30 derniers jours »
→ Claude récupère les données, les structure et peut même générer une visualisation. - Analyses Statistiques :
« Calcule les moyennes et variances du nombre d’utilisateurs actifs par semaine sur les dernières 52 semaines et trace la courbe de ces dernières »
→ Claude récupère les données, calcule chaque moyenne et chaque variance puis les trace sur un objet artefact.
Les limitations et risques
L’utilisation des MCPs présente aujourd’hui des risques qu’il faut connaître afin de mieux se protéger. Parmis ceux-ci nous pouvons compter :
- Tool poisoning : modification la description de l’outil que l’agent lit pour comprendre comment s’en servir. L’IA pourra effectuer de manière involontaire une action malveillante en croyant effectuer une tâche légitime.
- Rug pulls : Un développeur publie un serveur MCP, gagne une base d’utilisateurs importante et une notoriété. Une fois la confiance établie, le développeur pousse une mise à jour malveillante, ou active une backdoor latente.
- Tool shadowing : un serveur modifie le comportement d’un autre
- Exécution de commandes distantes : un attaquant exécute des commandes système
Pour se protéger de cela, il faut appliquer des bonnes pratiques déjà en place pour la mitigation des risques d’autres systèmes d’information : mise en place d’une authentification, utilisation d’un fournisseur d’identité de confiance, application du principe de moindre privilège ou encore le scan du code ou des serveurs MCP à la recherche de vulnérabilités.
Conclusion
En conclusion, le Model Context Protocol d’Anthropic représente bien plus qu’une simple spécification technique ; il est une réponse structurante au défi d’intégration qui peut parfois freiner l’adoption massive de l’IA agentique en entreprise. En standardisant la connexion entre les agents IA et l’écosystème numérique existant, le MCP ouvre la voie à des systèmes intelligents plus autonomes, capables de naviguer et d’interagir avec nos données et applications métier de manière inédite.
Au sein d’AVISIA, nous avons pu tester différents types de serveur MCP au cours de l’année passée (serveurs remote, serveurs locaux officiels, serveurs locaux communautaires et même serveur MCP implémenté par nos soins) et cela pour des cas d’usage allant de l’aide au développement à l’analyse de données (Google Analytics et GTM notamment) afin de nous familiariser avec ces notions et le potentiel de ce protocole.
Il est à noter qu’aujourd’hui, le MCP présente également des défis à la mise en place et n’est aujourd’hui pas la seule tentative de standardisation des échanges avec les agents IA.
Pour approfondir ce sujet ou découvrir comment déployer ces solutions IA afin de répondre à vos besoins, n’hésitez pas à nous contacter.
Auteurs : Florent COTTIN, Alexandre NABOKOV
Sources
- Pythonia, MCP vs API
- MCP pour les équipes produit : Les 10 questions essentielles pour utiliser ces nouveaux connecteurs IA
- Coding Magazine, N°34 Janvier-Février-Mars 2026, p. 60 à 65, Article “Le modèle MCP est l’avenir de l’IA , mais doit être manié avec précaution”
