Qu’est-ce que le Model Context Protocol et pourquoi est-il important ?

Le Model Context Protocol (MCP) est une norme ouverte qui permet aux grands modèles de langage (LLM) de se connecter à des sources de données et à d’autres systèmes externes. Il offre aux agents IA un moyen cohérent d’accéder à des informations tierces, qu’il s’agisse de consulter des sources de données en temps réel ou d’exécuter des actions dans des outils externes.

Dans cet article, nous expliquons ce qu’est le Model Context Protocol, son historique et pourquoi il est devenu essentiel à l’adoption et à la réussite des systèmes d’IA. Vous pouvez aussi découvrir le fonctionnement du MCP Host d’ElevenLabs dans la vidéo ci-dessous.

En résumé

• Le Model Context Protocol connecte les LLM au monde extérieur et leur fournit des ressources au-delà de leurs données d’entraînement.
• MCP permet aux agents IA de découvrir les outils des serveurs connectés au moment de l’exécution, contrairement aux API classiques, codées en dur.
• MCP résout le problème MxN, où des modèles IA qui évoluent constamment nécessitent chacun des connexions uniques aux systèmes externes. MCP agit comme un traducteur universel pour tous ces systèmes.
• Les plateformes IA telles qu’ElevenLabs peuvent fonctionner à la fois comme serveur et client MCP, en fournissant des ressources à la demande ou en orchestrant les actions d’autres services.
• Les agents IA peuvent enchaîner plusieurs appels MCP afin d’exécuter des workflows complexes, y compris pendant une conversation avec un utilisateur.

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

Un protocole est comme un langage commun que différents systèmes informatiques utilisent pour interagir. MCP est un protocole qui permet aux agents IA de récupérer des informations depuis des sources externes ou d’exécuter des actions à l’aide d’outils et de systèmes externes.

Les grands modèles de langage (LLM) sont des outils puissants dont la capacité à interagir en langage naturel a entraîné une croissance spectaculaire de leur popularité, tant auprès des entreprises que du grand public. Mais à mesure que les utilisateurs les ont utilisés dans des contextes réels, deux limites majeures sont apparues :

• La compréhension du monde d’un LLM est figée au moment où ses développeurs ont constitué ses données d’entraînement.
• Un modèle ne dispose d’aucun moyen natif d’interagir avec le monde extérieur et d’autres systèmes informatiques.

L’un des espoirs associés aux LLM était de pouvoir créer des agents d’intelligence artificielle (IA) avec lesquels nous pourrions interagir en langage naturel. Mais un agent IA limité aux seules données d’entraînement d’un modèle, sans ces deux capacités dynamiques, présente une utilité limitée.

Anthropic a développé le Model Context Protocol afin de standardiser la communication entre les LLM et les systèmes externes. L’entreprise l’a publié comme norme ouverte en novembre 2024. La plupart des principaux développeurs de LLM l’ont rapidement adopté. Anthropic a ensuite fait don de cette norme à l’Agentic AI Foundation en 2025.

MCP permet aux grands modèles de langage de se connecter à des sources de données externes afin de compléter leurs données d’entraînement et de fournir des réponses plus précises, contextualisées et actualisées aux requêtes. Un agent IA propulsé par un LLM peut également accéder à des outils externes approuvés pour agir de manière autonome. 

Par exemple, vous pourriez demander à un agent : « Vérifie les créneaux disponibles dans mon agenda mardi prochain, puis contacte le prestataire en proposant une heure de rendez-vous. » L’agent consulte alors le serveur d’agenda via MCP, intègre les résultats, puis accède au serveur email via MCP pour envoyer le message demandé.

Comment fonctionne le Model Context Protocol ?

Le développement du Model Context Protocol s’appuie sur des concepts antérieurs, tels que le tool calling et le function calling, qui permettent à un LLM de produire un schéma de requête de service traité par des systèmes externes via des API. Mais ces méthodes exigeaient des connexions personnalisées entre un LLM et chaque système externe.

MCP crée un modèle de communication bidirectionnel et standardisé pour envoyer et recevoir des données depuis des systèmes externes.

Lorsqu’un agent IA démarre, il interroge tous les serveurs MCP connectés afin d’obtenir un catalogue de leurs sources de données et fonctions disponibles. Il transmet ce catalogue à la fenêtre de contexte du LLM, qui fonctionne comme une mémoire de travail à court terme pour sa tâche en cours.

Ensuite, lorsque vous demandez à l’agent d’effectuer une tâche, le LLM sous-jacent détermine s’il peut répondre à cette demande uniquement avec les connaissances de ses données d’entraînement ou s’il a besoin de ressources externes. Si un support externe est nécessaire, il consulte son catalogue et contacte le système approprié via sa connexion MCP. 

Le LLM examine la réponse externe et décide s’il peut finaliser votre demande ou s’il doit effectuer une action en plusieurs étapes, comme dans notre exemple d’agenda et d’email.

MCP aide à résoudre le problème MxN

Une norme de communication universelle, telle que MCP, était nécessaire pour résoudre ce que les ingénieurs appelaient le problème MxN. Si vous avez M agents et souhaitez que chacun se connecte à N outils externes, vous devez maintenir MxN connexions point à point. Avec seulement quelques agents IA et sources externes, ce n’est pas un problème, mais à mesure que ces nombres augmentent, la charge de travail devient rapidement insoutenable.

MCP permet aux LLM de fonctionner avec M+N connexions en standardisant toutes les communications dans un protocole unique.

Architecture principale : serveurs et clients MCP expliqués

Un agent IA utilise un client MCP pour communiquer avec des systèmes externes. Pour que l’agent puisse communiquer avec un système externe, tel qu’un agenda, un email ou un CRM, ce système doit être disponible via un serveur MCP.

Les produits ElevenLabs sont disponibles à la fois comme clients et comme serveurs. La plateforme est la même en coulisses, mais elle peut assumer l’un ou l’autre rôle.

Prenons cet exemple pour comprendre l’architecture MCP.

Serveur MCP

Un serveur MCP s’exécute en association avec un système externe et présente aux clients MCP connectés une liste des ressources et outils disponibles. Ces ressources peuvent être des fichiers, documents, bases de données ou pipelines. Les outils permettent au LLM distant d’interagir avec les ressources du système externe.

Le serveur MCP hébergé par ElevenLabs donne à Claude et à d’autres assistants IA accès aux outils de gestion de leurs agents ElevenLabs. Le serveur est disponible à l’adresse suivante : 

https://api.elevenlabs.io/v1/mcp

Vous créez une connexion sécurisée depuis Claude, ChatGPT ou un autre assistant vers le serveur à l’aide d’OAuth. Cet assistant est un hôte MCP et contient des clients MCP qui gèrent la connexion. Vous pouvez ensuite utiliser l’assistant pour créer et gérer des agents, ainsi que contrôler leurs performances à l’aide de requêtes simples en langage naturel.

Exemples de requêtes

• « Crée un agent de service client pour notre portail e-commerce. Il doit conserver un ton professionnel tout en restant positif. »
• « Duplique mon agent de support client et remplace sa langue par défaut par l’espagnol. »
• « Compare le coût par conversation pour mon agent en espagnol dans Gemini 3.5 Flash Lite et 3.8 Flash ».

Client MCP

Un client MCP est une connexion dédiée à un serveur MCP spécifique. Il réside au sein d’un hôte MCP, qui peut disposer de plusieurs connexions client-serveur MCP. Dans notre exemple ci-dessus, Claude était l’hôte.

Les clients envoient aux serveurs des requêtes d’outils et de ressources à l’aide d’appels JSON-RPC structurés. Comme les requêtes sont traduites via le protocole MCP, l’hôte n’a pas besoin de comprendre les détails de configuration sous-jacents des outils associés au serveur.

ElevenLabs peut aussi fonctionner comme client MCP. Dans cette configuration, vous utilisez votre Workspace ElevenLabs pour connecter un agent à un serveur MCP externe, par exemple Zapier MCP. Vous pouvez ainsi connecter votre agent à des centaines d’outils et de services différents.

Supposons, par exemple, que vous créiez un agent de service client ElevenLabs. Vous souhaitez qu’il accède de manière sécurisée aux informations de compte de vos clients dans Salesforce afin de répondre utilement à leurs questions. Lorsqu’un client lui pose une question sur une commande passée ou sur le statut d’une demande de retour, l’agent envoie une requête via MCP au serveur Zapier. 

Celui-ci traduit la requête en une demande comprise par Salesforce et renvoie les résultats, que votre agent ElevenLabs restitue oralement à votre client.

MCP et API traditionnelles : quelle différence ?

Les API traditionnelles remplissent un rôle assez similaire en permettant aux systèmes clients et serveurs de communiquer, mais vous devez coder en dur la plupart des paramètres dans une structure simple de requête-réponse. Cela fonctionne bien pour connecter des systèmes logiciels classiques, mais ce n’est pas pratique pour les workflows complexes propulsés par l’IA, principalement en raison du problème MxN évoqué plus haut. 

Au lieu de créer des points de terminaison codés en dur où les systèmes peuvent échanger des requêtes, MCP s’appuie sur les API pour fournir aux LLM une interface entièrement lisible par machine. Les connexions ne sont pas prédéfinies. Une IA peut construire ses propres requêtes sophistiquées et développer une compréhension contextuelle adaptée.

Principaux avantages de MCP pour les intégrations IA

La publication du Model Context Protocol a ouvert un large éventail de nouvelles fonctionnalités et capacités pour les agents IA. 

Il apporte plusieurs avantages précis :

• Standardisation
• Découverte d’outils et flexibilité des requêtes
• Automatisation IA améliorée
• Comportement agentique sophistiqué
• Réponses plus précises

Examinons ces avantages plus en détail.

Standardisation

Avant MCP, il était possible de connecter des LLM à des systèmes externes, mais cela demandait beaucoup de travail. Il fallait créer des connexions personnalisées entre chaque modèle et chaque ressource. C’est le problème MxN.

MCP fournit un langage commun que tous les LLM peuvent utiliser pour interagir avec pratiquement n’importe quel système connectable. Le développement de nouvelles connexions est ainsi nettement plus simple et rapide. Les configurations client et serveur sont également beaucoup plus uniformes entre les modèles. Vous n’avez pas besoin de réécrire une connexion MCP de zéro à chaque mise à jour d’un modèle.

Flexibilité dans la découverte d’outils et les requêtes

Auparavant, vous deviez coder en dur les points de terminaison d’API pour chaque connexion externe requise par un agent IA. Si un développeur ajoutait un champ à une base de données, vous deviez reconstruire l’API pour qu’il fonctionne.

MCP permet aux agents de découvrir des ressources externes au moment de l’exécution. Autrement dit, les ressources existent et, lorsqu’un agent en a besoin, il peut découvrir ce qui est disponible. Vous pouvez ajouter un outil à un serveur MCP, et les agents IA connectés le découvriront à la prochaine exécution. Aucun code n’est nécessaire pour mettre à jour la connexion.

Meilleure automatisation IA

Par défaut, les LLM ne connaissent que le contenu de leur jeu de données d’entraînement et ne peuvent pas interagir avec le monde extérieur. MCP leur permet d’intégrer des informations actualisées et d’appeler les outils de tout système connecté disposant d’un serveur MCP.

Comportement agentique sophistiqué

Les LLM peuvent effectuer des appels d’outils et de fonctions depuis des années. Mais ces capacités n’offraient qu’un accès limité aux outils externes. Parce qu’il est standardisé, universel et flexible, MCP permet aux modèles IA d’enchaîner plusieurs appels MCP dans des requêtes plus longues et sophistiquées. Par exemple, consulter un CRM pour obtenir des informations client à jour, vérifier les créneaux disponibles dans l’agenda, puis envoyer un email au client pour proposer un créneau d’appel de suivi.

Réponses plus précises

Par nature, les grands modèles de langage peuvent parfois halluciner des réponses. Ce sont des moteurs de prédiction qui produisent la réponse la plus probable à partir des informations contextuelles qui leur sont fournies. Si vous posez à un LLM une question dont la réponse dépend d’informations en temps réel, vous risquez davantage d’obtenir une réponse hallucinée si les garde-fous appropriés ne sont pas en place.

Le protocole MCP permet aux LLM de se connecter à des référentiels de données et outils du monde réel qui leur fournissent les informations en direct nécessaires pour générer des réponses précises.

Applications de MCP et cas d’usage réels

Le Model Context Protocol est un pont standard que les agents IA peuvent utiliser pour communiquer avec autant de systèmes externes que nécessaire. 

Voici comment utiliser MCP dans différents secteurs et workflows réels.

Configurer des agents par chat

Tester et optimiser des bots conversationnels implique généralement de naviguer entre plusieurs Dashboards et consoles. Le serveur MCP hébergé par ElevenLabs dans Claude vous permet de gérer directement votre infrastructure vocale via une interface de chat en langage naturel.

Assistants de programmation contextuels

Les assistants de programmation sont plus efficaces lorsqu’ils disposent d’une compréhension approfondie et contextuelle des conceptions d’architecture propriétaires et de l’historique des incidents. Cette compréhension est difficile à fournir par des moyens conventionnels.

Les environnements de développement connectés à MCP peuvent puiser dans les référentiels pertinents afin que vos assistants de programmation comprennent le contexte réel dans lequel ils créent des applications. Vos développeurs humains peuvent résoudre les problèmes plus rapidement, car l’assistant a déjà cartographié les dépendances dans l’ensemble du code source.

Workflows d’agents vocaux en cours d’appel

Avant que les grands modèles de langage n’offrent des interactions plus naturelles en langage naturel, les bots vocaux classiques devaient suivre des scripts rigides sous forme d’organigrammes pour interagir avec les clients. Ils ne pouvaient pas non plus utiliser de données en temps réel pour interagir avec eux.

Les bots conversationnels peuvent désormais utiliser MCP pour appeler les systèmes back-end et obtenir les informations de compte nécessaires au traitement des demandes clients. Ils peuvent le faire en temps réel, pendant une conversation avec un client, lorsque nécessaire. 

Démarrez avec ElevenAgents pour une intégration MCP fluide

ElevenAgents vous offre de puissantes capacités d’agent vocal en tant que serveur et client MCP. 

Connectez vos agents ElevenLabs à des serveurs MCP externes, ou gérez-les depuis Claude via le MCP hébergé. Commencez dès aujourd’hui avec les agents ElevenLabs propulsés par MCP ou découvrez-en plus sur ElevenAgents.

Questions fréquentes sur le Model Context Protocol