MCP pour l'IA Agentique ?

Mis à jour le May 30, 2025, 5:58 a.m.

La plupart des discussions autour de l’IA agentique se concentrent sur l’intégration de l’IA dans des apps desktop ou des assistants, snirf.. Mais la vraie révolution passe par une vision beaucoup plus large: le Model Context Protocol (MCP), un standard pour déployer des agents capables d’interagir avec des outils, des ressources externes et toute l’entreprise, de manière professionnelle. Dans cet article, on va comprendre pourquoi c’est un vrai enjeu, comment ça fonctionne (vraiment), et ce que ça change pour les développeurs et les pros de l’IA.

Introduction
1. Pourquoi le MCP ? Limites des LLMs classiques
2. Architecture du Model Context Protocol (MCP)
3. Exemple concret: l’agent de prise de rendez-vous
4. Pluggabilité, discoverabilité, composabilité: le vrai pouvoir des agents MCP
5. Pourquoi c’est un tournant pour les pros et l’entreprise
Conclusion
FAQ

Introduction

L’IA agentique, ce n’est pas juste automatiser des tâches ou améliorer des apps. C’est donner à des modèles comme GPT, Claude ou Gemini la capacité de prendre des décisions, d’utiliser des outils, d’interagir avec des systèmes externes (API, bases de données, fichiers, etc.), et de vraiment agir dans le monde réel. Pour rendre ça possible, il faut un protocole qui structure les échanges entre l’agent, les outils, et toutes les ressources externes: c’est là que le Model Context Protocol (MCP) entre en scène.

1. Pourquoi le MCP ? Limites des LLMs classiques

Un LLM, à la base, reçoit un prompt, génère une réponse en texte… et c’est tout. Ça marche si tu veux juste des mots. Mais pour automatiser, orchestrer ou prendre des décisions, il faut :

• Accéder à des infos fraîches ou spécifiques (pas seulement ce qu’il y a dans le modèle), ça peut etre des fichiers dans un RAGpar exemple, ou une recherche sur le net.
• Exécuter des actions: créer une réunion, envoyer un email, faire une réservation, etc. (agents)
• Appeler des outils (API, scripts, plugins, bases, fichiers, etc.) (les outils, tools, appelés par les agents)

D’où l’apparition du concept d’agents IA, mais pour aller au bout, il faut un standard qui permet de brancher facilement outils et ressources à l’agent, de manière scalable, testable, industrielle. C’est exactement ce que fait le MCP.

Pendant que j'y pense, si la notion de MCP ne vous est pas très claire et que vous avez du mal à voir la différence avec une API vous pouvez aller consulter cet article à ce sujet.

2. Architecture du Model Context Protocol (MCP)

MCP structure l’écosystème en 3 éléments :

1. Host application: l’app principale (un microservice, une app web, etc.)
2. MCP Client: une librairie qui fait le lien entre le host et le MCP serveur
3. MCP serveur: un serveur qui expose :
   • Des outils (API, fonctions, scripts…)
   • Des ressources (fichiers, bases, flux Kafka, etc.)
   • Des prompts et des capacités (capabilities)

Le dialogue se fait via HTTP/Server Sent Events (ou stdio pour du local), et tous les échanges sont en JSON RPC. Le serveur MCP expose une liste d'outils, de ressources et de prompts disponibles. Il propose, comment les appeler, quels paramètres utiliser, etc. 

3. Exemple concret: l’agent de prise de rendez-vous

Imaginons une app où un utilisateur dit “Je veux prendre un café avec Pierre la semaine prochaine”.
Sans MCP: impossible d’aller plus loin que “Désolé, je ne sais pas qui est Pierre ni où prendre un café”.
Avec MCP :

• L’app interroge le MCP server: “Quels outils/ressources tu as ?”
• Le serveur répond: “J’ai un outil de prise de rendez-vous, une liste de cafés, une API calendar…”
• L’agent peut demander à l’IA: “Pour ce prompt, dois-je utiliser une ressource ? Laquelle ?”
• L’IA choisit la ressource pertinente (liste de cafés par exemple), l’agent va la chercher via le MCP, puis fournit l’info au LLM
• L’IA décide ensuite quel outil/action appeler, avec quels paramètres (réserver, envoyer l’invitation, etc.)

Tout ça est orchestré de façon générique et modulaire grâce au protocole.

4. Pluggabilité, discoverabilité, composabilité: le vrai pouvoir des agents MCP

MCP transforme radicalement le développement d’agents IA pro :

• Pluggabilité: tu ajoutes de nouveaux outils ou datasources simplement en branchant un serveur MCP, sans toucher au code du client.
• Discoverabilité: les capacités (outils/ressources) sont auto-décrites et interrogeables à chaud.
• Composabilité: un serveur MCP peut être client d’un autre serveur MCP (ex: un serveur qui gère Kafka ou une base de données devient utilisable comme ressource par tous les autres agents).

Résultat: plus besoin de recoder les intégrations à chaque fois. Les apps deviennent évolutives, modulaires, “agent-ready” pour tout le SI de l’entreprise.

5. Pourquoi c’est un tournant pour les pros et l’entreprise

Le MCP, c’est le chaînon manquant pour industrialiser l’IA agentique. Ce n’est pas juste un gadget ou une surcouche API :

• C’est un vrai standard: les outils deviennent interchangeables, branchables, réutilisables
• On sort du mode “assistant local” pour aller vers des agents autonomes, sécurisés, industrialisés
• Les cas d’usages s’élargissent (RPA, assistants métiers, orchestration multi-API, automatisation complexe, etc.)

Bref: pour déployer l’IA agentique dans les vraies boîtes, il faut une vision MCP-first !

Conclusion

Le Model Context Protocol est le nouveau socle pour la prochaine génération d’agents IA pros. Il structure l’intégration, facilite l’automatisation, rend les workflows scalables, et permet enfin d’exploiter la puissance des LLMs dans toute l’entreprise.
Envie de creuser ? Pose tes questions en commentaire !

FAQ

• Est-ce que MCP est réservé aux grands groupes ?
  Non, tu peux l’utiliser aussi bien pour des microservices persos que des plateformes d’entreprise.
• Est-ce qu’il faut coder tout un MCP server à chaque fois ?
  Non, il existe déjà des serveurs MCP génériques (ex: Confluent pour Kafka), et tu peux en créer des simples rapidement.
• MCP remplace-t-il RAG ?
  Non, c’est complémentaire. MCP gère l’orchestration des outils/ressources, RAG gère l’enrichissement contextuel.
• Quelles technos sont nécessaires ?
  Le core: JSON RPC, HTTP(S), Server Sent Events. Facile à intégrer avec la plupart des stacks modernes.