
Comprendre MCP : comment l’IA se connecte aux outils et aux données
Une introduction simple au Model Context Protocol, à son fonctionnement et à son intérêt pour rendre les assistants IA plus utiles.
Imaginez demander à un assistant IA de consulter les fichiers de votre projet, de rechercher un ticket sur GitHub et de résumer les corrections à apporter.
L’IA peut parfaitement comprendre votre question. Mais sans accès à vos fichiers ou à GitHub, elle ne peut guère aller au-delà de conseils généraux.
C’est le problème que le Model Context Protocol (MCP) cherche à résoudre. Présenté par Anthropic en novembre 2024, MCP est un standard ouvert qui aide les applications d’IA à se connecter aux outils et aux données externes de manière cohérente.
Voyons cela simplement.
Qu’est-ce que MCP ?#
MCP est une façon commune pour les applications d’IA de communiquer avec d’autres logiciels.
Pensez à un ordinateur portable : un port standard permet de connecter différents appareils sans avoir besoin d’une connexion complètement différente pour chacun. MCP vise à apporter une idée similaire aux intégrations avec l’IA.
Par exemple, un assistant IA pourrait utiliser MCP pour :
- Lire les documents d’un dossier.
- Rechercher des tickets dans un dépôt GitHub.
- Récupérer des informations dans une base de données.
- Utiliser un outil qui accomplit une tâche précise.
MCP ne donne pas automatiquement accès à tout. Il faut toujours connecter un serveur et décider de ce à quoi il est autorisé à accéder.
Pourquoi MCP est-il utile ?#
Sans standard commun, les développeurs créent souvent une intégration spécifique pour chaque combinaison d’application d’IA et de service externe.
Cela prend du temps, et le même travail d’intégration peut devoir être répété pour une autre application d’IA.
Avec MCP, un développeur peut créer un serveur MCP qui expose des fonctionnalités utiles. Les applications d’IA compatibles avec MCP peuvent ensuite se connecter à ce serveur en utilisant le même protocole.
Le principal avantage est de réduire le travail d’intégration spécifique, pas de rendre le modèle d’IA plus intelligent. MCP donne à un assistant un meilleur moyen d’accéder à des informations et à des outils qu’il ne pourrait pas utiliser autrement.
Comment fonctionne MCP ?#
Il y a trois éléments principaux :
- Hôte : l’application d’IA que vous utilisez, par exemple un assistant de bureau.
- Client : la partie de l’hôte qui communique avec un serveur MCP.
- Serveur : un programme qui propose des données ou des actions via MCP.
Un hôte peut gérer plusieurs clients. Chaque client maintient une connexion avec un serveur particulier.

Supposons que vous demandiez à un assistant IA : « Quels sont les tickets ouverts dans mon projet ? »
- L’assistant voit qu’un serveur MCP connecté propose un outil pour rechercher des tickets GitHub.
- Son client MCP envoie une requête à ce serveur.
- Le serveur utilise le service ou l’API appropriée pour récupérer les tickets.
- Le résultat revient à l’assistant, qui peut vous en faire un résumé.
Le point essentiel est que l’application d’IA communique avec le serveur MCP à travers une interface standard. Le serveur se charge de la connexion au système externe.
Outils, ressources et prompts#
Un serveur MCP peut proposer trois grands types de fonctionnalités.

1. Les outils : effectuer une action#
Les outils sont des fonctions qu’un assistant IA peut demander à exécuter.
Il peut s’agir de rechercher des tickets GitHub, d’interroger une base de données ou de créer un fichier. Chaque outil décrit son rôle et les données d’entrée attendues.
Un outil peut modifier des données : les actions sensibles doivent donc nécessiter les autorisations appropriées et l’approbation de l’utilisateur.
2. Les ressources : lire des informations#
Les ressources mettent des informations à disposition pour servir de contexte.
Par exemple, un serveur peut exposer un document de projet, le contenu d’un fichier ou le schéma d’une base de données. L’application d’IA peut lire ces informations et les utiliser pour répondre à une question.
Pour retenir la différence simplement : les outils effectuent des opérations ; les ressources fournissent des informations.
3. Les prompts : réutiliser des instructions#
Les prompts sont des modèles prêts à l’emploi pour des tâches courantes.
Un serveur destiné au développement peut proposer un prompt pour relire du code. Un autre peut fournir un prompt pour résumer un document. L’utilisateur peut sélectionner un prompt et, si nécessaire, fournir des arguments pour le personnaliser.
Un petit exemple#
MCP utilise des messages JSON-RPC 2.0. Le nom paraît technique, mais l’idée est simple : un client envoie une requête structurée et le serveur renvoie un résultat structuré.
Par exemple, après s’être connecté et avoir découvert les outils disponibles, un client pourrait envoyer cette requête :
{
"jsonrpc": "2.0",
"id": 1,
"method": "tools/call",
"params": {
"name": "list_open_issues",
"arguments": {
"repository": "my-project"
}
}
}Ici, list_open_issues est un nom d’outil donné à titre d’exemple. Un véritable serveur MCP définit ses propres outils et formats d’entrée.
Le serveur traiterait la requête et renverrait le résultat. L’assistant pourrait ensuite transformer ce résultat en une réponse habituelle, par exemple un court résumé des tickets.
Vous n’avez normalement pas à écrire ces messages JSON vous-même. Une application d’IA compatible avec MCP et son client se chargent de la communication.
MCP remplace-t-il les API ?#
Non. MCP et les API répondent à des besoins différents.
Une API permet à un programme d’interagir avec un service particulier. MCP fournit une manière standard pour les applications d’IA de découvrir et d’utiliser les fonctionnalités proposées par un serveur MCP.
Dans de nombreux cas, un serveur MCP appelle simplement une API existante en arrière-plan.
Ainsi, lorsqu’un serveur MCP GitHub recherche vos tickets, l’API de GitHub peut toujours effectuer le travail réel. MCP facilite l’exposition de cette fonctionnalité aux applications d’IA compatibles.
Local ou distant : où s’exécute le serveur ?#
Un serveur MCP peut s’exécuter sur votre ordinateur ou sur une autre machine.
Dans la spécification MCP d’origine disponible en janvier 2025, les deux modes de communication standards sont stdio (via les entrées et sorties d’un processus local) et HTTP avec Server-Sent Events (SSE).
Pour débuter, un serveur local est souvent le plus simple. Vous pouvez essayer un petit serveur de fichiers et lui autoriser l’accès à un dossier de votre choix.
Une remarque sur la sécurité#
Connecter un assistant IA à de vrais fichiers et services est utile, mais cela crée aussi des risques.
Voici quelques bonnes pratiques :
- Ne connectez que des serveurs auxquels vous faites confiance.
- Limitez l’accès de chaque serveur aux seules données nécessaires.
- Vérifiez les appels d’outils susceptibles de supprimer, modifier ou partager des informations.
- Ne supposez jamais qu’un texte renvoyé par un outil est automatiquement sûr ou correct.
MCP définit la manière dont les systèmes communiquent. Il ne rend pas automatiquement chaque serveur ou chaque action sécurisé.
Comment commencer#
Vous n’avez pas besoin de créer votre propre serveur MCP pour comprendre le principe.
Commencez par une application d’IA compatible avec MCP, comme Claude Desktop. Essayez de connecter un serveur local simple, par exemple un serveur de fichiers, et donnez-lui accès à un dossier de test plutôt qu’à des fichiers personnels importants.
Posez ensuite à l’assistant une question sur ces fichiers. Voir l’assistant récupérer des informations à travers un serveur rend le concept bien plus concret.
Si vous développez des logiciels, l’étape suivante consiste à créer un petit serveur qui expose un outil utile. Commencez simplement avant de chercher à connecter de nombreux services.
Pour conclure#
MCP n’est pas un nouveau modèle d’IA. C’est un moyen pour les applications d’IA de travailler avec les outils et les informations qui les entourent.
L’idée est simple : créer une connexion une seule fois et la rendre utilisable à travers un protocole commun.
Nous n’en sommes encore qu’aux débuts, mais MCP propose une approche pratique pour répondre à l’un des grands défis des assistants IA : leur fournir du contexte et des fonctionnalités utiles sans créer une intégration distincte pour chaque outil.

