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 accès cohérent aux informations tierces, qu’il s’agisse d’extraire des données en temps réel ou d’effectuer des actions dans des outils externes.

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

Résumé

• Le Model Context Protocol relie 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, à la différence des API conventionnelles, codées en dur.
• MCP résout le problème MxN, où des modèles IA en évolution constante nécessitent chacun des connexions uniques aux systèmes externes. MCP sert de traducteur universel entre ces systèmes.
• Les plateformes d’IA comme ElevenLabs peuvent agir 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 pour exécuter des workflows complexes, même au cours d’une conversation avec un utilisateur.

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

Un protocole est comparable à 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 fulgurante de leur popularité, auprès des entreprises comme du grand public. Mais à mesure que les utilisateurs les ont employés 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 suscités par les LLM était de 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, reste d’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 grands 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 alimenté par un LLM peut également accéder à des outils externes approuvés pour agir de manière autonome. 

Par exemple, vous pouvez demander à un agent : « Vérifie les créneaux disponibles dans mon calendrier mardi prochain, puis contacte le prestataire avec une proposition d’horaire de réunion. » L’agent consulte alors le serveur de calendrier via MCP, traite les résultats, puis accède au serveur de messagerie 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 l’appel de fonctions, qui permettent à un LLM de produire un schéma de requête de service que des systèmes externes traitent via des API. Ces méthodes exigeaient toutefois 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 de 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 s’apparente à la mémoire de travail à court terme de sa tâche actuelle.

Lorsque vous demandez ensuite à l’agent d’effectuer une tâche, le LLM sous-jacent détermine s’il peut répondre à la demande en s’appuyant uniquement sur ses données d’entraînement ou s’il a besoin de ressources externes. Si c’est le cas, il consulte son catalogue et contacte le système approprié via sa connexion MCP. 

Le LLM examine la réponse externe et décide s’il peut répondre à votre demande ou s’il doit effectuer une action en plusieurs étapes, comme dans notre exemple de calendrier et de messagerie.

MCP aide à résoudre le problème MxN

Une norme de communication universelle, telle que MCP, était nécessaire pour résoudre ce que les ingénieurs appellent le problème MxN . Si vous avez M agents et souhaitez connecter chacun d’eux à N outils externes, vous devez maintenir MxN connexions point à point. Avec seulement quelques agents IA et sources externes, cela ne pose pas de problème. Mais à mesure que leur nombre augmente, la charge de travail devient rapidement impossible à maintenir.

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

Architecture fondamentale : 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 calendrier, une messagerie ou un CRM, celui-ci doit être accessible via un serveur MCP.

Les produits ElevenLabs sont disponibles à la fois comme clients et serveurs. Il s’agit de la même plateforme en coulisses, mais elle peut remplir l’un ou l’autre rôle.

Prenons cet exemple pour comprendre l’architecture MCP.

Serveur MCP

Un serveur MCP fonctionne en étant relié à un système externe et présente une liste des ressources et outils disponibles aux clients MCP connectés. Les 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 à des outils de gestion pour leurs agents ElevenLabs. Le serveur est disponible à l’adresse suivante : 

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

Vous შეგიძლიათ créer une connexion sécurisée entre Claude, ChatGPT ou un autre assistant et 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 avec de simples instructions en langage naturel.

Exemples d’instructions

• « Crée un agent de service client pour notre portail e-commerce. Il doit conserver un ton professionnel et positif. »
• « Duplique mon agent de support client et remplace sa langue par défaut par l’espagnol. »
• « Compare le coût par conversation de 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, lequel peut posséder plusieurs connexions client-serveur MCP. Dans notre exemple précédent, Claude était l’hôte.

Les clients envoient aux serveurs des demandes d’outils et de ressources au moyen 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 des outils reliés au serveur.

ElevenLabs peut également 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.

Imaginons 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 l’interroge sur une commande passée ou le statut d’une demande de retour, l’agent envoie une requête via MCP au serveur Zapier. 

Celui-ci traduit la requête dans un format compris par Salesforce et renvoie les résultats, que votre agent ElevenLabs énonce à votre client.

MCP et API traditionnelles : quelles différences ?

Les API traditionnelles permettent elles aussi aux systèmes clients et serveurs de communiquer, mais la plupart des paramètres doivent être codés en dur dans une structure simple de requête-réponse. Cette approche convient aux logiciels conventionnels, mais elle n’est pas adaptée aux workflows complexes alimentés par l’IA, principalement en raison du problème MxN évoqué plus haut. 

Au lieu de créer des endpoints codés en dur permettant aux systèmes d’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 élaborer ses propres requêtes sophistiquées et développer une compréhension contextuelle adaptée.

Principaux avantages de MCP pour les intégrations d’IA

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

Il apporte plusieurs avantages concrets :

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

Examinons-les plus en détail.

Standardisation

Avant MCP, connecter des LLM à des systèmes externes était possible, mais 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 tout système connectable. Le développement de nouvelles connexions devient ainsi bien plus simple et rapide. Les configurations client et serveur sont également beaucoup plus homogènes d’un modèle à l’autre. Il n’est plus nécessaire de recréer une connexion MCP de zéro à chaque mise à jour d’un modèle.

Flexibilité dans la découverte des outils et les requêtes

Auparavant, il fallait coder en dur les endpoints d’API pour chaque connexion externe dont un agent IA avait besoin. Si un développeur ajoutait un champ à une base de données, il fallait 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 déterminer ce qui est disponible. Ajoutez un outil à un serveur MCP, et les agents IA connectés le découvriront lors de la prochaine exécution. Aucun code n’est nécessaire pour mettre à jour la connexion.

Une meilleure automatisation IA

Par défaut, les LLM ne connaissent que leurs données d’entraînement et ne peuvent pas interagir avec le monde extérieur. MCP leur permet d’ingérer des informations actualisées et d’appeler des outils depuis 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. Grâce à sa nature standardisée, universelle 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 actualisées, vérifier les créneaux disponibles dans le calendrier, puis envoyer un e-mail au client pour proposer un créneau d’appel de suivi.

Des réponses plus précises

Par nature, les grands modèles de langage peuvent parfois générer des réponses erronées. Ce sont des moteurs de prédiction qui produisent la réponse la plus probable à partir des informations contextuelles reçues. Si vous posez à un LLM une question dont la réponse dépend d’informations en temps réel, le risque d’obtenir une réponse erronée augmente si des garde-fous adaptés ne sont pas en place.

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

Applications de MCP et cas d’usage concrets

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 via le chat

Tester et optimiser des bots conversationnels exige généralement de passer d’un Dashboard et d’une console à l’autre. Le serveur MCP d’ElevenLabs hébergé dans Claude vous permet de gérer directement votre infrastructure vocale via une interface de chat en langage naturel.

Assistants de programmation conscients du contexte

Les assistants de programmation sont plus efficaces lorsqu’ils comprennent en profondeur et dans leur contexte les architectures propriétaires et l’historique des incidents. Les approches conventionnelles permettent difficilement de leur fournir ces informations.

Les environnements de développement connectés à MCP peuvent s’appuyer sur des référentiels pertinents afin que vos assistants de programmation comprennent le contexte réel dans lequel ils créent des applications. Vos développeurs peuvent résoudre les problèmes plus rapidement, car l’assistant a déjà pu cartographier 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 une interaction plus naturelle, les bots vocaux conventionnels devaient suivre des scripts rigides sous forme d’organigrammes pour échanger avec les clients. Ils ne pouvaient pas non plus utiliser des données en temps réel pour interagir avec eux.

Les bots conversationnels peuvent désormais utiliser MCP pour appeler des systèmes backend et obtenir les informations de compte nécessaires au traitement des demandes clients. Ils peuvent le faire en temps réel, au cours d’une conversation avec un client, lorsque cela est nécessaire. 

Découvrez 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. Lancez-vous dès aujourd’hui avec les agents ElevenLabs alimentés par MCP ou découvrez ElevenAgents.

Questions fréquentes sur le Model Context Protocol