MCP : comment l’IA se connecte à vos outils et données

MCP devient utile quand votre application d’IA doit accéder à vos outils et à vos données ; il n’est pas nécessaire pour simplement utiliser une IA. Pour comprendre ce qu’est MCP, il faut distinguer 3 éléments : l’application que vous utilisez, son composant de connexion et un serveur qui expose certaines fonctionnalités. Cette organisation permet de réutiliser les intégrations. Vos interfaces logicielles existantes (API) et vos règles d’accès continuent, elles, d’assurer le travail en arrière-plan.

Qu’est-ce que le protocole MCP en IA ?

Le Model Context Protocol (MCP) est un standard ouvert qui relie les applications d’IA à des outils et à des données. Il fournit aux applications compatibles un langage commun pour découvrir les fonctionnalités disponibles, demander des informations et déclencher des actions. La présentation officielle de MCP décrit des connexions à des systèmes externes : fichiers, bases de données ou outils.

Pour un fondateur, l’intérêt est concret : l’assistant peut exploiter les informations présentes dans les systèmes de l’entreprise, au lieu de se limiter à ce que vous copiez dans la conversation. Pour un développeur, l’intérêt tient à la réutilisation : exposez une fonctionnalité via un serveur MCP, puis connectez les applications d’IA compatibles à cette interface.

Imaginez que vous demandiez à un assistant de préparer une synthèse sur un compte client. Une intégration pourrait récupérer sa fiche et ses derniers tickets d’assistance, puis les transmettre pour en tirer un résumé. MCP fournit le format de connexion commun. Il faut toujours que quelqu’un développe ces opérations, autorise les accès et vérifie l’utilité du résultat.

MCP est une infrastructure. Il ne remplace ni le modèle d’IA, ni l’application qui conserve vos données, ni la personne chargée d’accorder les accès.

Qui assure aujourd’hui la maintenance de MCP ?

La maintenance de MCP relève des mainteneurs de son projet open source, sous l’égide de l’Agentic AI Foundation (AAIF), qui fait partie de la Linux Foundation. Anthropic a créé le protocole et annoncé son transfert à la fondation le 9 décembre 2025. La fondation lui offre un cadre institutionnel neutre ; le projet garde la maîtrise de ses orientations techniques. Lire l’annonce du projet.

Vérifiée le 13 octobre 2026, la page de gouvernance de MCP désigne David Soria Parra et Den Delimarsky comme Lead Maintainers. Les Lead Maintainers, Core Maintainers et Maintainers constituent le MCP Steering Group, le comité de pilotage du projet. Les sièges sont attribués à des personnes, sans être réservés à des entreprises.

Ce point compte lorsqu’on évalue sa dépendance à un fournisseur : adopter MCP n’oblige pas à utiliser les applications d’IA d’Anthropic. Cela ne signifie pas non plus que la fondation assure la maintenance ou recommande tous les serveurs tiers qui utilisent le standard. La gouvernance du protocole et la fiabilité d’une intégration donnée sont deux questions distinctes.

Comment fonctionne MCP : hôte, client et serveur

L’hôte est l’application que vous utilisez ; un client intégré à cette application communique avec un serveur qui expose des fonctionnalités. Il s’agit de rôles logiciels, pas d’une obligation d’acheter plusieurs machines. L’architecture officielle décrit un hôte qui crée un client pour chaque serveur auquel il se connecte.

L’hôte : votre application d’IA

L’hôte coordonne l’ensemble : votre conversation, le modèle et les connexions disponibles. Voyez-le comme le bureau dans lequel vous travaillez. Ses paramètres et ses règles contribuent à déterminer quels outils sont accessibles et dans quels cas une approbation est demandée.

Qu’est-ce qu’un client MCP ?

Un client MCP est le composant de connexion intégré à l’hôte. Il dialogue avec un serveur donné en utilisant le protocole. En général, vous le configurez dans l’application, sans installer de produit « client » distinct.

Cette distinction évite une erreur fréquente dans les schémas : le client se trouve à l’intérieur de l’hôte. Le modèle de langage n’est pas lui-même la connexion réseau.

Qu’est-ce qu’un serveur MCP ?

Un serveur MCP est un programme qui expose certaines fonctionnalités via MCP. Le mot « serveur » désigne ici son rôle : il peut s’agir d’un processus sur votre ordinateur portable ou d’un service exécuté ailleurs.

Dans l’exemple de la synthèse client, il pourrait proposer une recherche de client au périmètre strictement limité. Le serveur effectue la recherche et renvoie les résultats ; l’hôte les intègre au travail de l’IA. Il n’a pas besoin d’exposer toute votre base clients.

Outils, ressources et prompts : ce qu’expose un serveur

Un serveur peut exposer 3 types de fonctionnalités. Il n’est pas tenu de tous les proposer, et l’hôte doit prendre en charge ceux que vous souhaitez utiliser. La documentation sur les concepts serveur les distingue ainsi :

Un outil peut aussi bien lire des informations que les modifier. Une recherche reste un outil même si elle n’écrit rien. Une ressource est un élément de contexte accessible, et un prompt, une façon réutilisable de lancer une tâche.

Pour un développeur, la distinction essentielle se situe entre découvrir une opération et l’exécuter : tools/list expose les définitions des outils disponibles, tandis que tools/call en appelle un. Des descriptions précises et des entrées bien encadrées aident l’hôte à choisir l’opération voulue. Elles ne remplacent pas les contrôles d’accès de votre application.

MCP et API : quelle différence ?

MCP ne remplace pas les API. Un serveur MCP leur sert souvent d’interface. Une interface de programmation, ou API, permet à un logiciel de demander des données ou des actions à un autre système. MCP offre aux applications d’IA compatibles une méthode commune pour découvrir et utiliser les fonctionnalités construites sur ces interfaces.

MCP ou API directe : suivons une requête

Prenons une recherche de client. Avec une intégration directe, votre application d’IA a besoin d’une définition d’outil et de code qui appelle l’API du système client. Avec MCP, le serveur peut fournir cette définition et exécuter l’appel à l’API. Le cours d’Anthropic sur MCP décrit ce fonctionnement.

La requête aboutit toujours au système client. Ses règles d’autorisation, ses limites d’utilisation et sa logique métier continuent de s’appliquer. Vous avez standardisé l’intégration côté IA, sans supprimer la dépendance sous-jacente.

Un serveur MCP peut également travailler directement avec des fichiers locaux ou une base de données. Encapsuler une API est donc une mise en œuvre courante, pas une obligation.

Quand choisir MCP plutôt qu’une API directe ?

Choisissez MCP pour rendre un accès réutilisable depuis des applications d’IA compatibles. Privilégiez une API directe lorsque le workflow est déjà défini et que cette interface supplémentaire apporte peu.

Une tâche planifiée qui copie des factures validées dans un logiciel comptable peut être plus simple à gérer avec du code applicatif classique. Les entrées, la destination et l’enchaînement sont déjà connus. Un assistant conversationnel qui doit choisir entre rechercher un compte, retrouver un document et créer une tâche a davantage à gagner à pouvoir découvrir les outils disponibles.

Si vous développez un produit, demandez-vous qui utilisera l’intégration. Lorsque vos clients veulent accéder à votre service depuis leurs applications d’IA habituelles, un serveur MCP peut constituer une interface de distribution utile. Si seul votre propre backend utilise l’opération, une fonction ou une API directe peut suffire.

MCP et RAG : deux fonctions différentes

La génération augmentée par récupération (RAG) fournit au modèle des informations issues d’une recherche ; MCP fournit un protocole de connexion. L’article de recherche à l’origine du RAG décrit une génération alimentée par des contenus récupérés.

Vous pouvez exposer la recherche documentaire sous forme d’outil MCP. Le système de recherche doit toujours trouver des passages pertinents, respecter les droits d’accès aux documents et renvoyer suffisamment de contexte. Ajouter MCP n’améliore pas automatiquement la qualité de la recherche.

Quel rôle joue MCP dans l’IA agentique ?

MCP peut donner accès à des outils à un agent ; il ne décide pas de son plan d’action. Un agent est un logiciel qui s’appuie sur un modèle pour choisir les actions nécessaires à une tâche. L’architecture de MCP laisse explicitement à l’application le soin d’utiliser le modèle et de gérer le contexte.

Pour préparer une synthèse client, l’agent pourrait décider de récupérer la fiche du compte avant de rechercher ses tickets d’assistance. Le protocole transporte les requêtes. L’application reste responsable du workflow, des contrôles et de la gestion des échecs.

Serveur MCP local ou distant : qu’est-ce qui change ?

« Local » et « distant » indiquent où le serveur s’exécute. Ces termes ne disent pas où restent toutes vos données. Les transports standard de MCP comprennent stdio, pour communiquer entre processus sur une même machine, et Streamable HTTP, pour communiquer via HTTP, un transport couramment utilisé avec les serveurs distants. Présentation des transports MCP.

Un serveur local se lance généralement à partir d’une commande sur la machine qui exécute le client. Cette approche convient à un développeur qui travaille sur des fichiers locaux, mais elle implique de maîtriser le programme installé et ses droits d’exécution.

Un serveur distant est accessible à une adresse réseau. Il peut simplifier l’exploitation d’un service partagé dans une entreprise, mais crée des dépendances liées à l’hébergement, à l’authentification et à la disponibilité. HTTP peut aussi s’utiliser en local : « HTTP » ne signifie donc pas à lui seul « Internet public ».

Un serveur exécuté localement peut appeler une API externe, et ses résultats peuvent ensuite alimenter une conversation avec une IA dans le cloud. À l’inverse, un serveur hébergé à distance peut imposer des droits très restreints. Examinez tout le trajet des données, de leur source au serveur, puis à l’application d’IA.

Qu’est-ce qu’un connecteur MCP ?

« Connecteur » est souvent le nom donné à une intégration dans un produit. Ce n’est pas un rôle architectural supplémentaire aux côtés de l’hôte, du client et du serveur. Par exemple, Claude appelle ses intégrations MCP distantes des connecteurs personnalisés, tandis que la documentation actuelle de ChatGPT présente l’accès MCP à travers des plugins. Suivez la procédure de connexion prise en charge par l’application concernée.

Quelles applications prennent en charge MCP aujourd’hui ?

Claude, ChatGPT, Cursor, Visual Studio Code et Codex documentent tous leur prise en charge de MCP. Les vérifications ci-dessous ont été effectuées à partir des pages de chaque éditeur le 13 octobre 2026. Elles confirment les fonctionnalités documentées ; elles ne constituent ni un test pratique de compatibilité avec chaque serveur, ni une garantie d’accès identique pour tous les comptes.

Claude

Claude, l’assistant IA d’Anthropic, prend en charge les connecteurs personnalisés MCP distants et les serveurs locaux via les extensions de Claude Desktop. Sa documentation sur les connecteurs distants indique une prise en charge dans les offres Free, Pro, Max, Team et Enterprise, avec 1 connecteur personnalisé dans l’offre Free et des contrôles à l’échelle de l’organisation dans les offres pour entreprises.

La limite à retenir concerne l’accessibilité réseau : les requêtes des connecteurs distants partent du cloud d’Anthropic, y compris lorsque vous utilisez l’application de bureau. Un serveur accessible uniquement depuis votre ordinateur portable n’est donc pas automatiquement joignable par ce connecteur. La procédure distincte pour les extensions locales de bureau commence dans Settings > Extensions.

ChatGPT

ChatGPT, l’application d’IA d’OpenAI, prend en charge les outils reposant sur MCP via des plugins. Le guide de démarrage actuel d’OpenAI explique comment connecter un serveur personnalisé depuis ChatGPT Plugins, installer le plugin obtenu et l’invoquer dans ChatGPT Work sur le Web. Une interface visuelle personnalisée est facultative.

Pour la configuration, suivez cette procédure documentée pour le produit. Copier une commande locale depuis la configuration d’une autre application ne revient pas à ajouter l’URL d’un serveur hébergé. La seule prise en charge du protocole ne détermine pas non plus les droits de votre espace de travail.

Cursor

Cursor, l’éditeur de code IA, prend en charge les serveurs locaux stdio et les connexions distantes via Streamable HTTP ou Server-Sent Events (SSE). Sa documentation MCP mentionne aussi les outils, les ressources et les prompts. La configuration peut se faire dans .cursor/mcp.json pour un projet ou dans ~/.cursor/mcp.json au niveau global.

Par défaut, Cursor demande une approbation avant d’utiliser un outil MCP. N’activez que les fonctionnalités pertinentes pour le projet : rendre un outil découvrable n’a d’intérêt que si sa description, ses permissions et ses résultats conviennent à la tâche.

VS Code

L’éditeur de code Microsoft Visual Studio Code (VS Code) prend en charge les outils MCP dans son environnement d’agents IA, ainsi que les ressources, les prompts et les applications interactives. La documentation de configuration de Microsoft propose la commande MCP: Add Server et recommande des emplacements de configuration portables pour les nouveaux serveurs.

Examinez la configuration MCP d’un dépôt avant d’accorder votre confiance à l’espace de travail. La documentation actuelle de Microsoft indique que les serveurs MCP de l’espace de travail héritent de Workspace Trust et peuvent démarrer sans demande de confiance distincte pour le serveur. C’est un point de contrôle important lors de l’installation de code exécutable en local.

Codex

Codex, l’agent de programmation d’OpenAI, prend en charge les serveurs locaux STDIO et les serveurs Streamable HTTP dans son interface en ligne de commande et son extension pour éditeur de code. La documentation MCP de l’éditeur décrit une configuration partagée dans ~/.codex/config.toml, avec authentification par jeton bearer et OAuth pour les serveurs HTTP. OAuth permet d’accorder un accès au moyen d’un parcours d’autorisation, sans transmettre le mot de passe de votre compte à l’intégration.

Codex documente également des listes d’outils autorisés et interdits. Utilisez ces contrôles pour n’exposer que les opérations nécessaires au workflow ; réussir la connexion n’est que le début du travail qui consiste à définir ce qu’elle peut faire.

Combien coûte MCP, et quand l’investissement est-il utile ?

Il n’existe pas de tarif d’abonnement mensuel unique pour MCP. Prévoyez le coût de l’application ou du modèle d’IA, celui de l’hébergement du serveur ou du service géré, celui des logiciels auxquels il se connecte, ainsi que la maintenance. Un protocole ouvert ne rend pas ces dépendances gratuites.

Voici un exemple concret de périmètre de facturation : OpenAI indique que son API Responses facture les tokens utilisés pour importer les définitions MCP ou effectuer des appels, sans frais supplémentaires par appel d’outil MCP. Cette règle concerne cette API ; elle ne supprime pas les frais éventuels du fournisseur du serveur. Explication de la facturation MCP par OpenAI.

Le calcul des intégrations, et les hypothèses derrière les chiffres

Supposons que 3 applications d’IA doivent chacune se connecter à 4 systèmes métier. Développer un adaptateur distinct pour chaque paire conduit à 3 × 4 = 12 interfaces. Dans une architecture idéalisée fondée sur un standard commun, on obtient 3 implémentations côté hôte + 4 implémentations côté serveur = 7 interfaces.

Cela représente 5 implémentations d’interface en moins, pas une économie mesurée en heures de développement. L’exemple suppose que chaque connexion est nécessaire et que les fonctionnalités requises sont interopérables. L’authentification, les permissions, les tests et la logique propre à chaque service restent à traiter. Si les applications d’IA prennent déjà en charge MCP, la partie hôte peut être prête ; votre travail se concentre alors sur les serveurs et le déploiement.

Pour une application qui appelle un seul service, une intégration directe peut être plus simple. C’est la réutilisation qui rend cette couche supplémentaire intéressante.

Sécurité de MCP : que vérifier avant de connecter un serveur ?

Une connexion MCP donne à un autre programme une place dans votre workflow IA. Évaluez séparément la confiance à accorder à son éditeur, à ses permissions et au contenu qu’il renvoie. Le standard ne peut, à lui seul, les certifier.

Une injection de prompt est une consigne dissimulée dans un contenu que le modèle est censé traiter comme une donnée. Par exemple, un ticket d’assistance récupéré pourrait contenir un texte demandant à l’assistant d’ignorer sa tâche et d’envoyer un export du compte ailleurs. Le danger apparaît lorsque l’assistant prend cette sortie d’outil pour une instruction faisant autorité, puis utilise une autre fonctionnalité disponible pour l’exécuter.

Les consignes de sécurité MCP d’OpenAI mettent explicitement en garde contre les instructions cachées dans les contenus de serveurs malveillants, l’exposition de données sensibles et les changements de comportement d’un serveur. Même un serveur de confiance peut récupérer un document non fiable. Les instructions de ce document ne doivent pas acquérir l’autorité de l’utilisateur qui en a demandé un résumé.

Avant d’installer un serveur ou de lui accorder un accès, vérifiez les points suivants :

• Éditeur et destination. Partez de la documentation officielle du fournisseur du service pour trouver le paquet logiciel ou l’adresse du serveur. Vérifiez qui exploite les éventuels intermédiaires tiers et quelles données ils conservent.
• Exécution locale. Lisez la commande, ses arguments et les accès demandés au système de fichiers. Installer un serveur local peut exécuter du code avec les droits de son processus ; « local » ne garantit pas une exécution en bac à sable.
• Périmètre du compte. Commencez avec un compte restreint et le périmètre de données utile le plus réduit possible. Un prompt disant « utilise uniquement les données de ce client » protège moins qu’une permission imposant cette limite côté backend.
• Actions disponibles. Privilégiez la lecture seule pour le pilote. Exigez une vérification avant les écritures ou exports ayant des conséquences, et examinez la destination et les arguments réellement utilisés.
• Mises à jour et révocation. Désignez un responsable, examinez les changements et vérifiez comment désactiver le serveur et révoquer ses identifiants d’accès. Un bouton de désinstallation qui fonctionne ne prouve pas qu’un jeton du service sous-jacent a été révoqué.

Côté développement, faites appliquer les autorisations dans le serveur et dans le système sous-jacent. Les bonnes pratiques de sécurité MCP proscrivent le transfert direct de jetons : accepter un jeton destiné à un autre service et le lui transmettre sans modification n’est pas une conception saine de l’autorisation.

Côté opérations, commencez avec un ensemble de documents sans enjeu sensible et vérifiez les éléments renvoyés à l’appui des réponses avant de connecter des systèmes sensibles. La lecture seule réduit la possibilité de modifier le système source ; elle n’empêche pas de récupérer des données sensibles ni de les partager ailleurs. N’ajoutez pas à ce même pilote des outils puissants sans rapport avec son objectif.

Que promet-on de trop à propos de MCP ?

Un protocole commun réduit la diversité des intégrations. Il ne rend pas chacune d’elles fiable, sûre ou interchangeable. « Compatible MCP » laisse plusieurs questions ouvertes : quel transport, quelles fonctionnalités, les identifiants de qui, quel environnement d’exécution et quelles approbations ?

De même, installer davantage de serveurs n’est pas une stratégie d’adoption. Un outil mal décrit peut être choisi à tort. Des droits trop larges peuvent exposer trop de données. L’indisponibilité d’un service sous-jacent peut toujours interrompre le workflow.

La promesse utile est plus précise : des hôtes et des serveurs compatibles peuvent réutiliser une interface. Il vous faut toujours une tâche définie, un responsable et un moyen de repérer un mauvais résultat. Mesurez le travail terminé et vérifié, plutôt que la taille du catalogue d’outils.

Qui devrait se lancer, attendre ou garder l’existant ?

Les fondateurs ont intérêt à agir lorsque des copier-coller répétés ou des accès dispersés bloquent un workflow utile. Choisissez ce workflow avant l’infrastructure. Si une intégration existante et approuvée répond déjà au besoin, ajouter une couche ne crée pas automatiquement de valeur.

Les équipes opérationnelles peuvent lancer un pilote lorsque la source d’information et les limites d’accès sont claires. Attendez avant de généraliser si personne n’est responsable des identifiants, de leur révocation ou de la vérification des actions ayant des conséquences. Le protocole ne peut pas prendre ces décisions d’exploitation à votre place.

Les développeurs ont intérêt à ajouter MCP lorsque plusieurs hôtes compatibles ont besoin de la même fonctionnalité, ou lorsque des clients demandent explicitement un accès depuis leurs applications d’IA. Conservez une automatisation par API fiable et au fonctionnement fixe si vous ne pouvez pas identifier un bénéfice de réutilisation ou un avantage pour le produit.

Pour choisir la suite de votre mise en œuvre, consultez la sélection des meilleurs serveurs MCP si vous cherchez une intégration existante, le guide de création d’un serveur MCP en Python si vous devez exposer votre propre fonctionnalité, ou le guide des passerelles MCP si des contrôles d’accès partagés deviennent nécessaires à l’exploitation.

Par quoi commencer lundi ?

Testez une opération de lecture au périmètre limité dans l’application d’IA que vous utilisez déjà. Par exemple, récupérez une fiche client dont l’accès est autorisé et comparez son contenu à la source.

1. 1

   Définir la tâche et ses limites

   Notez la question, les données autorisées et le résultat attendu. Choisissez une opération en lecture seule et une identité aux droits restreints. Désignez un responsable capable de désactiver la connexion.

2. 2

   Suivre la procédure de connexion de l’éditeur

   Vérifiez si vous devez fournir une commande locale ou une URL distante, authentifiez-vous et examinez les fonctionnalités disponibles. N’activez que celles nécessaires à la tâche.

3. 3

   Vérifier la réussite, le refus et l’échec

   Demandez des informations autorisées, puis des informations hors du périmètre du compte. Vérifiez que ces dernières sont refusées. Déconnectez le serveur et assurez-vous que l’assistant signale l’absence d’accès au lieu de présenter une réponse sans fondement.

4. 4

   Conserver l’intégration seulement si elle améliore le travail

   Relevez le temps passé à récupérer, vérifier et corriger le résultat. Révoquez l’identifiant d’accès du pilote et vérifiez que l’accès cesse. Élargissez l’usage uniquement lorsque le bénéfice et les limites des contrôles sont clairs.

Questions fréquentes

Comment configurer MCP ?

La configuration se fait dans l’application d’IA hôte : fournissez une commande de démarrage pour un serveur local pris en charge ou une URL pour un serveur distant, terminez l’authentification et activez les outils nécessaires. Les noms de fichiers et les paramètres varient selon l’application ; consultez la documentation actuelle de son éditeur.

Que signifie le sigle MCP ?

Dans les logiciels d’IA, MCP signifie Model Context Protocol. C’est le standard ouvert décrit ici, qui permet de connecter les applications d’IA à des outils et à des données externes.

Comment expliquer MCP simplement ?

Imaginez un guichet commun : une application d’IA peut découvrir ce qu’un autre programme propose, faire une demande dans un format convenu et recevoir le résultat. Les règles d’accès derrière le guichet continuent de s’appliquer.

Pourquoi utiliser MCP ?

MCP peut réduire le travail d’intégration répétitif et permettre aux applications d’IA compatibles de réutiliser des outils. Il reste facultatif : une API directe ou une intégration existante et approuvée peut mieux convenir à un workflow fixe.

À quoi sert MCP ?

MCP sert à intégrer du contexte externe et des actions autorisées dans les applications d’IA : consulter des fiches, récupérer des documents ou créer une tâche via un outil exposé, par exemple.

Pour prendre des décisions concrètes sur les outils d’IA et les workflows d’entreprise, abonnez-vous à la newsletter.