Qu'est-ce que le MCP (Model Context Protocol) ?

Dans l'univers de l'IA générative, MCP désigne le Model Context Protocol, une norme ouverte créée par Anthropic pour standardiser la connexion entre applications IA et systèmes externes. La documentation officielle compare MCP à un port USB-C pour l'IA : au lieu de développer une intégration spécifique pour chaque outil, on utilise une interface commune. Des applications comme Claude ou Mistral peuvent ainsi se connecter à des fichiers, bases de données ou services métiers. Pour les collectivités, MCP répond à un besoin concret : connecter de manière fiable et gouvernée les assistants IA aux bons référentiels.

Architecture et définition technique de MCP

Comment fonctionne MCP avec les LLM ?

Techniquement, le Model Context Protocol repose sur une architecture client-serveur où une application hôte (l'application IA elle-même) peut établir des connexions vers un ou plusieurs serveurs MCP. Le protocole distingue trois rôles principaux : un hôte (host), qui héberge l'application d'IA ; un client MCP, instancié par l'hôte pour gérer chaque connexion ; et un serveur MCP. Concrètement, lorsqu'un environnement comme Visual Studio Code se connecte à plusieurs serveurs (par exemple un serveur de fichiers local et un serveur GitHub), il crée autant d'instances de clients MCP que de connexions.

Le protocole s'appuie sur des messages JSON-RPC 2.0 pour assurer la communication entre clients et serveurs. La spécification MCP indique que toutes les communications doivent suivre ce format, avec des requêtes, des réponses et des notifications. Elle prévoit aussi des mécanismes de gestion du cycle de vie de session, de négociation de capacités et, pour certains transports HTTP, des éléments d'authentification et d'autorisation. La couche transport utilise principalement deux modes : l'entrée/sortie standard (STDIO) pour les serveurs locaux, et les événements envoyés par le serveur (SSE) via HTTP pour les serveurs distants accessibles depuis le cloud.

Du point de vue fonctionnel, MCP standardise principalement trois objets côté serveur : les resources (données ou éléments de contexte mis à disposition), les tools (fonctions qu'un modèle ou un agent peut appeler) et les prompts (messages ou modèles de workflows réutilisables). Le client MCP traduit les requêtes du grand modèle de langage pour le protocole MCP, puis convertit les réponses du serveur dans un format exploitable par le LLM. Cette architecture permet à un agent IA de découvrir dynamiquement les outils disponibles sur un endpoint donné, de les invoquer de manière structurée et d'obtenir du contexte enrichi, quel que soit le fournisseur de LLM utilisé.

Il faut également noter que MCP ne dicte pas la manière dont une application doit utiliser un grand modèle de langage, ni comment elle doit gérer le raisonnement, l'orchestration ou la priorisation des appels d'outils. Le protocole se concentre sur la couche d'échange de contexte. Cette séparation rend MCP compatible avec des usages variés : assistants documentaires, IDE augmentés, copilotes métier, agents SaaS ou orchestrateurs d'IA.

Documentation MCP et SDK disponibles

La spécification MCP est documentée en open source et maintenue par Anthropic dans un dépôt Git public. La documentation officielle, accessible sur le site du Model Context Protocol, détaille l'architecture, les primitives (tools, resources, prompts), les modes de transport et les bonnes pratiques de sécurité. Anthropic propose également des cours dédiés pour apprendre à construire des serveurs et des clients MCP depuis zéro.

Pour faciliter l'implémentation du protocole, Anthropic publie des SDK officiels en plusieurs langages : Python, TypeScript, C# et Java . Le SDK Python inclut notamment FastMCP, une API simplifiée pour créer rapidement des serveurs. Le SDK TypeScript offre des bibliothèques client et serveur, ainsi que des packages middleware pour intégrer MCP dans des frameworks web comme Express ou Hono. Ces SDK fournissent des helpers de haut niveau, des mécanismes de validation de schémas (compatibles Zod, Valibot ou ArkType), et des utilitaires pour gérer les transports, l'authentification OAuth et l'enregistrement des ressources. Les dépôts Git officiels contiennent des exemples pratiques et des snippets pour démarrer rapidement, quel que soit votre stack technique.

Enjeux et impacts de MCP pour l'IA des organisations

Le premier enjeu de MCP est l'interopérabilité. Sans standard commun, chaque application d'IA doit développer ses propres connecteurs pour chaque base, service ou outil. MCP cherche précisément à réduire cette fragmentation en proposant une interface uniforme entre applications IA et systèmes externes. Le bénéfice est double : moins de complexité d'intégration pour les développeurs, et davantage de réutilisabilité pour les organisations qui veulent connecter plusieurs assistants ou agents aux mêmes services. L'Alliance du Numérique souligne d'ailleurs que MCP fait pour l'IA ce qu'USB a fait pour l'électronique, en permettant à n'importe quelle IA (Claude, Mistral, ChatGPT) de se connecter à n'importe quelle source compatible.

Le deuxième enjeu est la gouvernance du contexte et l'accès aux informations à jour. Dans les environnements professionnels, la qualité d'un assistant IA dépend de sa capacité à accéder au bon périmètre d'information, avec les bons droits, au bon moment. Contrairement aux systèmes basés uniquement sur des corpus statiques, MCP permet aux agents d'interroger des données en temps réel : jeux de données actualisés, métriques opérationnelles, référentiels vivants.

Le troisième enjeu est celui de la sécurité applicative. Comme MCP permet potentiellement à un agent d'accéder à des fichiers, des outils ou des fonctions métiers, il ouvre aussi des surfaces sensibles : permissions, exécution d'actions, accès à des ressources critiques, ou exposition à certaines failles de sécurité comme l'injection de prompt et le contournement logique. La documentation officielle du protocole rappelle explicitement qu'avec cette puissance viennent des considérations importantes de sécurité, de confiance et de trust & safety. L'absence de chiffrement par défaut sur certaines implémentations HTTP impose aux développeurs d'intégrer TLS de manière anticipée.

Un autre impact stratégique tient à la scalabilité des agents IA. Dans une grande organisation, le vrai défi n'est pas seulement de démontrer un chatbot capable d'appeler un outil, mais de pouvoir industrialiser des centaines de connexions à des services variés, sans multiplier les développements ad hoc. MCP joue un rôle proche de celui qu'a joué le Language Server Protocol dans les outils de développement : il facilite un écosystème commun d'intégration, au bénéfice des utilisateurs finaux qui disposent d'assistants plus pertinents et plus connectés.

Enfin, MCP a un intérêt particulier pour les organisations publiques ou parapubliques qui veulent déployer des assistants maîtrisés sur des corpus réglementaires, documentaires ou métiers. data.gouv.fr a d'ailleurs lancé un serveur MCP expérimental permettant d'interroger les données publiques françaises depuis un chatbot compatible. Le protocole n'est donc pas un simple détail technique : il devient une pièce de l'architecture d'IA d'entreprise.

Cas d'usage concrets de MCP

Assistants documentaires pour collectivités et administrations

Dans un assistant documentaire d'administration ou de collectivité, MCP peut servir à connecter un agent conversationnel à plusieurs sources internes : répertoires de fichiers, bases documentaires, outils de ticketing, bases de connaissances ou référentiels de procédures. L'intérêt est de permettre à l'agent de retrouver du contexte structuré et, si besoin, d'appeler des outils métiers, sans reconstruire chaque intégration une par une.

Un exemple français concret illustre cette approche: data.gouv.fr a développé son propre serveur MCP expérimental pour permettre aux assistants conversationnels d'interroger la plateforme nationale de données ouvertes. Ce serveur MCP permet de rechercher des jeux de données, d'explorer des métadonnées et d'analyser les ressources disponibles en langage naturel. Pour les collectivités, cela signifie qu'un agent compatible MCP peut désormais se connecter à data.gouv.fr sans développer une intégration spécifique pour chaque outil.

Dans la pratique, un assistant documentaire peut ainsi interroger une base de connaissances documentaire, accéder à un système de fichiers local, consulter un CRM ou même exécuter une requête SQL sur une base métier. Le serveur MCP expose ces capacités sous forme de tools standardisés, et l'agent peut les découvrir et les utiliser via le protocole. Cette approche facilite l'accès gouverné aux référentiels internes et réduit la complexité d'intégration pour les services informatiques des collectivités.

Serveurs MCP et clients compatibles

L'écosystème du Model Context Protocol repose sur deux grandes catégories de composants : les serveurs MCP, qui exposent des données et des outils à des applications IA, et les clients MCP, qui permettent à ces applications d'exploiter les capacités fournies. Comprendre quels serveurs et clients sont disponibles aujourd'hui aide les collectivités à identifier rapidement les intégrations possibles avec leurs outils existants, sans développement lourd.

Principaux serveurs MCP : GitHub, Google, Notion, Docker et Figma

Un serveur MCP est un programme qui s'exécute localement ou à distance et qui met à disposition des ressources, des outils ou des prompts via le protocole standardisé. Chaque serveur expose des fonctionnalités spécifiques que les agents IA peuvent découvrir et utiliser. Voici un aperçu des serveurs MCP les plus répandus :

Ces serveurs permettent à un agent IA de lire des données métiers, d'exécuter des commandes via un serveur MCP ou d'interagir avec des workflows externes sans multiplier les intégrations ad hoc.

Pour les collectivités qui utilisent déjà ces plateformes, l'arrivée de MCP représente une opportunité de connecter leurs outils métiers à des agents IA sans reconstruire toute l'architecture d'intégration.