Le Model Context Protocol (MCP) : comment l’IA se connecte à vos outils

Quand Claude lit vos fichiers SharePoint, quand Copilot interroge votre CRM ou quand un agent ouvre un ticket dans votre outil de support, un même mécanisme travaille en coulisse dans la plupart des cas : le Model Context Protocol, ou MCP. Lancé par Anthropic fin 2024, ce standard ouvert est devenu en moins de deux ans la prise universelle qui relie les assistants et les agents IA aux données et aux applications des entreprises. Cet article explique ce qu’il est, comment il fonctionne, ce qu’il change concrètement pour une organisation, et ce qu’il faut surveiller avant de brancher une IA sur ses systèmes.

Article publié en avril 2025 et entièrement réécrit en septembre 2026. La première version parlait de « Model Content Protocol » ; le nom exact est Model Context Protocol, protocole de contexte de modèle.

Le problème que MCP résout

Un modèle de langage ne sait rien de votre entreprise. Il a été entraîné sur des textes publics arrêtés à une date donnée, et il ignore vos procédures, vos clients, vos dossiers en cours. Pour qu’il soit utile au travail, il faut lui donner accès à ce contexte : lui faire lire un document, chercher dans une base, consulter un agenda, écrire dans un outil. Avant MCP, chaque connexion entre un assistant IA et un logiciel se développait sur mesure. Trois assistants et dix outils métier, c’était trente intégrations à construire et à maintenir, chacune avec ses particularités. Les développeurs parlent d’un problème « M fois N ».

MCP remplace ces intégrations par un langage commun. Un outil qui expose une interface MCP devient accessible à n’importe quel assistant compatible ; un assistant compatible MCP sait parler à n’importe quel outil qui l’est. Le problème devient « M plus N ». L’analogie que tout le monde utilise est celle de l’USB-C : une prise unique, quel que soit l’appareil branché. Anthropic s’est inspiré d’un précédent qui a marché, le Language Server Protocol, qui a unifié en quelques années la façon dont les éditeurs de code dialoguent avec les analyseurs de langage.

Comment ça marche, sans jargon

Trois rôles se répartissent le travail. L’hôte est l’application avec laquelle vous parlez : Claude, ChatGPT, Copilot, un agent que votre entreprise a construit. Le serveur MCP est un petit programme placé devant un outil ou une source de données (votre SharePoint, votre CRM, votre base de tickets, un dossier de fichiers) qui traduit ce que cet outil sait faire en un format standard. Entre les deux, le client MCP, intégré dans l’hôte, ouvre la connexion et transporte les messages. Un hôte peut se brancher sur plusieurs serveurs à la fois, et c’est ce qui permet à un assistant de croiser en une seule tâche votre messagerie, vos documents et vos données de vente.

Un serveur MCP expose trois types d’éléments, et la distinction compte pour la gouvernance. Les outils sont des actions que le modèle peut décider d’appeler : chercher, créer un enregistrement, envoyer un message. Les ressources sont des données mises à disposition, un document, une fiche client, le résultat d’une requête, que l’application choisit de montrer ou non au modèle. Les prompts sont des instructions prêtes à l’emploi que l’utilisateur déclenche lui-même, par exemple « résumer ce dossier selon notre trame ». Trois niveaux de contrôle, donc : le modèle décide des outils, l’application décide des ressources, l’utilisateur décide des prompts. Chaque appel est décrit dans un format lisible, ce qui permet de journaliser ce que l’IA a consulté et ce qu’elle a fait pour arriver à sa réponse.

Ce que ça change pour une entreprise

La conséquence la plus visible est que « connecter l’IA au système d’information » a cessé d’être un projet informatique pour devenir un réglage. Les grands éditeurs livrent des serveurs MCP pour leurs produits, les assistants du marché en proposent des catalogues de connecteurs, et une DSI peut déployer un serveur interne pour exposer une base métier sans réécrire quoi que ce soit dans l’application d’origine. Un assistant branché sur la base documentaire répond à partir des procédures en vigueur plutôt qu’à partir de ce qu’il a mémorisé pendant son entraînement ; un agent branché sur l’outil de support classe et qualifie les tickets ; un espace de travail branché sur les exports commerciaux assemble le reporting du mois.

La seconde conséquence tient à la traçabilité. Parce que chaque ressource a un identifiant et que chaque outil appelé laisse une trace, il devient possible de répondre à la question qui bloquait l’adoption : « d’où vient cette information ? ». Un rapport produit par un agent peut porter la liste des documents consultés pendant sa génération. Un administrateur peut voir quels serveurs MCP sont actifs, qui y accède et ce qui a été fait. Cette transparence ne règle pas tout, le modèle reste entraîné sur des données que vous ne contrôlez pas, mais elle rend le contexte immédiat vérifiable, ce qui est exactement ce qu’attendent un juriste, un contrôleur de gestion ou un responsable qualité.

La troisième est la portabilité. Un serveur MCP construit pour exposer votre base de connaissances sert indifféremment à Claude, à ChatGPT, à Copilot ou à un agent maison. Le choix de l’assistant cesse d’être irréversible, et le travail d’intégration n’est plus perdu quand on change d’éditeur. Pour une entreprise qui compare plusieurs outils, c’est un argument de poids : investir dans les connecteurs plutôt que dans un assistant particulier.

Où en est MCP en septembre 2026

Le protocole a été annoncé par Anthropic le 25 novembre 2024. OpenAI l’a adopté en mars 2025, Google DeepMind en avril 2025, et Microsoft l’a intégré à Copilot et à ses plateformes de développement dans la foulée. Le pari de l’ouverture a été confirmé en décembre 2025, quand Anthropic a confié MCP à l’Agentic AI Foundation, un fonds de la Linux Foundation cofondé avec Block et OpenAI : le standard n’appartient plus à un seul éditeur, ce qui compte pour toute organisation qui veut bâtir dessus. Les kits de développement officiels approchent le demi-milliard de téléchargements mensuels, et le sommet MCP d’avril 2026 à New York a réuni environ 1 200 participants.

La spécification a beaucoup évolué depuis la première version. La révision de juillet 2026 rend le protocole sans état, ce qui simplifie son déploiement à grande échelle derrière des répartiteurs de charge, renforce l’autorisation (validation stricte de l’émetteur, abandon de l’enregistrement dynamique des clients au profit de documents de métadonnées), formalise les tâches longues dans une extension dédiée, et retire progressivement des mécanismes de la première heure comme le « sampling » ou les racines de fichiers, au profit de solutions plus simples. Chaque retrait est annoncé douze mois avant d’être effectif. Pour une entreprise, le message est clair : MCP est sorti de la phase expérimentale et entre dans une phase de standardisation, avec les règles de cycle de vie qui vont avec.

Les risques, et comment les tenir

Brancher une IA sur des outils, c’est lui donner la possibilité d’agir, et donc de mal agir. Les chercheurs en sécurité ont documenté dès avril 2025 les deux familles d’attaques propres à MCP. La première est l’injection de prompt par les contenus : un document, un email ou une page web lus par l’agent contiennent des instructions cachées que le modèle prend pour des consignes, et il envoie des données là où il ne devrait pas. La seconde est l’empoisonnement d’outils : un serveur MCP malveillant ou compromis décrit ses outils de manière trompeuse pour amener le modèle à exfiltrer des informations via un autre connecteur. S’y ajoutent les défauts classiques : serveurs exposés sur Internet sans authentification, permissions trop larges, absence de journal.

Ces risques se gèrent, avec les mêmes réflexes que pour n’importe quel accès au système d’information, appliqués à un utilisateur d’un genre nouveau. Tenir un inventaire des serveurs MCP autorisés et n’installer que ceux-là, comme on gère une liste d’applications approuvées. Donner à chaque connecteur le périmètre minimal : lecture seule quand l’écriture n’est pas nécessaire, un dossier plutôt qu’un disque, un compte de service dédié plutôt que les droits d’un administrateur. Exiger une confirmation humaine pour les actions qui engagent (envoyer, payer, supprimer, publier), ce que les hôtes sérieux permettent de configurer. Journaliser tous les appels et les relire par échantillon. Et former les utilisateurs à un réflexe simple : tout ce que l’agent lit est une donnée, jamais un ordre. Ces règles ont leur place dans la charte IA de l’entreprise, au même titre que les règles sur les données confidentielles.

Par où commencer

Il n’est pas nécessaire de développer quoi que ce soit pour bénéficier de MCP. Les assistants que votre entreprise a déjà déployés proposent des connecteurs prêts à activer ; la première étape consiste à en faire l’inventaire et à décider, source par source, lesquels ont le droit d’exister et avec quel périmètre. La deuxième consiste à choisir un premier cas d’usage en lecture seule, par exemple un assistant qui répond à partir de la base documentaire d’une équipe, à le mettre entre les mains de cette équipe et à mesurer ce qui change dans ses réponses. Les cas en écriture, où l’agent agit dans les outils, viennent ensuite, quand le cadre de contrôle est en place et que l’équipe sait ce qu’elle délègue.

Le point important est que MCP déplace la question. Il y a deux ans, on demandait « l’IA peut-elle accéder à nos données ? ». La réponse est désormais oui, pour à peu près tout. La question utile est devenue « à quelles données, pour faire quoi, sous quel contrôle ? ». C’est une question d’organisation, pas de technologie, et c’est la bonne nouvelle : elle se traite avec les outils de gouvernance que l’entreprise possède déjà.

Sources. Annonce et documentation du Model Context Protocol ; billet The 2026-07-28 Specification du blog officiel ; MCP Is Growing Up, Agentic AI Foundation ; page Model Context Protocol de Wikipédia pour la chronologie. La première version de cet article s’appuyait sur un article d’Arnault Chatel publié sur LinkedIn.

Pour aller plus loin : la différence entre RAG et RIG pour comprendre comment une IA exploite vos données, quand l’IA devient un collègue et transforme l’organigramme, dix cas d’usage de Claude Cowork par métier et l’avenir de l’IA entre approche neuronale et symbolique, puis notre formation Agent IA générative et l’ensemble des formats sur la page Agents IA.