MCP (Model Context Protocol) : connecter vos LLM aux systèmes d'entreprise — guide 2026
Le Model Context Protocol (MCP) d'Anthropic est devenu un standard ouvert pour connecter les LLM aux systèmes d'entreprise. Bases de données, APIs REST, fichiers, outils métier — MCP unifie l'accès aux ressources pour les agents IA. Guide technique pour les équipes qui veulent exploiter ce protocole.
- MCP (Model Context Protocol) est un protocole ouvert créé par Anthropic (novembre 2024) qui standardise la façon dont les LLM accèdent aux ressources externes : fichiers, APIs, bases de données, outils.
- MCP remplace les intégrations ad hoc : au lieu de coder une intégration custom pour chaque outil, vous déployez un serveur MCP standardisé que n'importe quel client compatible peut utiliser.
- Claude Desktop, Claude API, et la plupart des frameworks d'agents (LangChain, AutoGen) supportent MCP en 2026.
- Un serveur MCP expose des "resources" (données), des "tools" (actions) et des "prompts" (modèles) via un protocole JSON-RPC standardisé.
Qu'est-ce que le Model Context Protocol
Le MCP résout un problème fondamental des LLM enterprise : comment leur donner accès aux données et outils de l'entreprise de façon structurée et sécurisée ? Avant MCP, chaque intégration était ad hoc — une fonction Python pour accéder à Salesforce, une autre pour PostgreSQL, une autre pour Jira. MCP standardise ces connexions.
Analogie avec les protocols web
MCP joue pour les LLM le même rôle que HTTP pour les navigateurs web : un protocole universel qui permet à n'importe quel client (LLM compatible MCP) de parler à n'importe quel serveur (système d'entreprise exposé via MCP). Une seule implémentation côté client, des dizaines de serveurs MCP possibles.
Architecture et composants MCP
Les trois couches MCP
MCP Host : l'application LLM qui initie les requêtes (Claude Desktop, votre application custom, un agent LangChain). MCP Client : le module qui gère la communication avec les serveurs MCP (intégré dans le host). MCP Server : le processus qui expose les capacités d'un système spécifique (votre base de données, Salesforce, GitHub…).
Primitives MCP
Chaque serveur MCP expose trois types de primitives :
- Resources : données accessibles en lecture (fichiers, pages de base de données, documents). Le LLM peut les "lire" pour obtenir du contexte.
- Tools : actions que le LLM peut déclencher (envoyer un email, créer un ticket Jira, exécuter une requête SQL, lancer un script).
- Prompts : modèles de prompts paramétrés exposés par le serveur pour guider les interactions.
Serveurs MCP disponibles
Anthropic et la communauté ont développé des centaines de serveurs MCP. Les plus pertinents en enterprise :
| Serveur MCP | Système connecté | Capacités |
|---|---|---|
| mcp-server-postgres | PostgreSQL | Requêtes SQL, inspection schéma |
| mcp-server-github | GitHub | Issues, PRs, code review, commits |
| mcp-server-slack | Slack | Lecture/envoi de messages, canaux |
| mcp-server-filesystem | Système de fichiers local | Lecture, écriture, navigation |
| mcp-server-brave-search | Brave Search | Recherche web (sans Google) |
| mcp-server-jira | Jira (Atlassian) | Issues, projets, sprints |
| mcp-server-notion | Notion | Pages, bases de données, recherche |
Implémentation enterprise : créer votre serveur MCP custom
Pour exposer vos systèmes propriétaires (ERP, base RH, CRM interne) via MCP, vous créez un serveur MCP custom. Exemple minimaliste en Python avec le SDK officiel :
from mcp.server import Server
from mcp.server.models import InitializationOptions
import mcp.types as types
app = Server("erp-connector")
@app.list_tools()
async def handle_list_tools() -> list[types.Tool]:
return [
types.Tool(
name="get_invoice",
description="Récupère une facture par ID depuis l'ERP",
inputSchema={
"type": "object",
"properties": {
"invoice_id": {"type": "string"}
},
"required": ["invoice_id"]
}
)
]
@app.call_tool()
async def handle_call_tool(name: str, arguments: dict):
if name == "get_invoice":
invoice_id = arguments["invoice_id"]
# Votre logique d'accès ERP ici
invoice_data = fetch_from_erp(invoice_id)
return [types.TextContent(type="text", text=str(invoice_data))]
Sécurité et contrôle d'accès MCP
Principe de moindre privilège
Chaque serveur MCP ne doit exposer que les outils et ressources nécessaires au cas d'usage spécifique. Ne déployez pas un serveur MCP avec accès en écriture à votre base de production si l'agent n'a besoin que de requêtes en lecture seule. Définissez des rôles distincts pour chaque agent/serveur MCP.
Authentification
Le transport MCP standard (stdio ou SSE) ne gère pas l'authentification nativement — c'est à vous de l'implémenter. Pour les serveurs MCP exposés via HTTP/SSE, ajoutez une couche d'authentification (JWT, API key) au niveau du transport. Pour les serveurs MCP locaux (stdio), le contexte utilisateur OS suffit généralement.
Audit et monitoring
Loggez tous les appels d'outils MCP : qui a demandé quoi, quelle réponse a été retournée. Ces logs sont essentiels pour le débogage et pour détecter les comportements aberrants d'agents autonomes.
FAQ — MCP en enterprise
MCP est-il compatible avec les LLM autres que Claude ?
Oui — bien que créé par Anthropic, MCP est un protocole ouvert. Des clients MCP existent pour LangChain, AutoGen, Semantic Kernel (Microsoft), et des intégrations sont en développement pour les frameworks d'agents open source. En 2026, la plupart des frameworks d'agents enterprise supportent MCP ou ont annoncé son support.
Quelle est la différence entre MCP et les "function calling" natifs des LLM ?
Le function calling natif (OpenAI, Anthropic) définit les fonctions dans chaque requête API — les définitions sont dans le payload. MCP est une couche d'abstraction au-dessus : le LLM se connecte à un serveur MCP qui expose ses outils, et le framework gère la communication. MCP permet de réutiliser les serveurs entre différents LLM et projets sans redéfinir les fonctions à chaque fois.
MCP peut-il déclencher des actions irréversibles en production ?
Oui — c'est le risque majeur des agents autonomes. Votre serveur MCP doit implémenter des guardrails : confirmation humaine pour les actions destructives (suppression, envoi d'emails en masse, modification de données de production), dry-run mode pour les tests, et rollback quand possible. Les agents IA en production doivent suivre les mêmes principes que le code de production : fail-safe, principe de moindre surprise.