Derrière le terme interopérabilité se cache la capacité d’un système à rendre informatiquement accessible ses données et ses fonctionnalités. A l’ère du web, les webservices constituent la clef de voûte des échanges entre plateformes. Dans le cadre d’un site ecommerce par exemple, les partenaires “paiement” (ex. Stripe), “logistique” (ex. Byrd) et “envoi de mail” (ex. Sendgrid) pourront être mis en œuvre au travers des web services qu’ils mettent à disposition.

API / Protocoles / Format : Le catalogue des services mis à disposition par une plateforme est appelé une API (Application Programming Interface). Le protocole le plus commun pour faire appel à un web service est le REST (REpresentational State Transfer) et le format de données le plus répandu est le JSON.

Des webservices au RAG : la première étape pour connecter les connaissances

Dans un monde où nous attendons chaque jour d’avantage de l’intelligence artificielle, il est vite devenu évident qu’il conviendrait de permettre aux IAs d’accéder à davantage de données qu’un simple fichier associé à prompt (cf. le cas d’usage classique consistant à envoyer un PDF à ChatGPT pour obtenir un résumé).

Quid cependant d’une question qui porterait sur toutes les données de l’entreprise : mails, CRM, ERP, Web, Tickets, GED, etc. ?

La première réponse proposée par l’industrie fut le RAG (Retrieval-Augmented Generation). Il s’agissait de centraliser dans un même entrepôt toutes les données utiles à un besoin spécifique. Dans une optique d’Assistant IA dédié aux équipes commerciales par exemple, l’entrepôt de données aurait pu contenir la base clients, un historique des réalisations, les fichiers “argumentaires” et tout autre document potentiellement utile à la prospection. Cette approche connut un réel succès dans la mesure où de nombreuses sociétés étaient conscientes de ne pas exploiter à sa juste mesure le potentiel des connaissances stockées dans leurs archives. La principale faiblesse du RAG réside cependant dans le manque d’évolutivité des sources de données indexées.

Avec le MCP, l’IA peut accéder aux outils et agir

Pour répondre à cette limite, la société Anthropic (éditrice de Claude) contribua à l’avènement de l’approche “agentique” de l’IA. Dans un tel paradigme, il est possible d’ ”étendre” une IA avec des connaissances et des compétences complémentaires.

Pour enrichir mon support client, j’active la capacité de l’IA à accéder au gestionnaire de tickets et aux mails
Pour disposer de KPI sur la performance de mon site, j’active la capacité de l’IA à accéder aux données de trafic et aux commandes.

Ce mécanisme est rendu possible grâce à une invention d’Anthropic : le MCP (Model Context Protocol). A la manière des webservices, le protocole MCP est une interface normée entre un agent IA et une plateforme.
Le MCP donne accès aux données, permet de réaliser des actions et met à disposition des connaissances pour faciliter le raisonnement. Tout comme une plateforme mettait à disposition une API pour donner accès à ses données/fonctionnalités, cette même plateforme peut proposer un MCP pour les mettre à disposition dans le cadre d’une IA.

Remarque : tout comme les APIs, les MCP nécessitent souvent d’être authentifiés. Un MCP ne constitue donc pas une porte d’entrée ouverte à vos données critiques.

Mais concrètement comment ça marche ? Les outils les plus représentatifs de cette approche agentique sont Claude Cowork (assistant IA d’Anthropic), Gemini App et OpenClaw. Une fois installé sur votre poste, votre assistant IA vous permet de réaliser des tâches (gestion de documents ou analyse sur le web) en s’appuyant sur des modèles qui auront la double responsabilité de raisonner et d’orchestrer des traitements. La magie réside cependant dans la possibilité d’activer des nouvelles compétences (skills / tools) via un simple fichier de configuration.

Une multitude d’annuaires référencent désormais les serveurs MCP disponibles (ex. mcpservers.org). Quid cependant d’un service qui me serait propre et lié à mes propres données ? Rien de plus simple, la solution consiste à développer la couche MCP spécifique à ce service et à l’activer dans le même fichier de configuration.

Gouverner les usages pour éviter les dérives de consommation

Attention : les solutions SaaS ont très vite pris la vague des MCP.
Il s’agissait certes pour elles de pouvoir rebondir sur la hype de l’IA mais aussi de profiter d’une réelle opportunité de développer leur chiffre d’affaires.
Imaginons par exemple une solution d’intelligence économique donnant accès à des données sur les entreprises. Une telle solution aura tendance à vendre des jetons qui seront consommés à la consultation d’une fiche entreprise ou d’un contact. Un utilisateur consciencieux aura tendance à gérer la consommation de ses jetons avec parcimonie.
Qu’en est-il cependant de cette consommation lorsque les appels sont réalisés par un Agent. Il s’agit là sans nul doute d’une réelle opportunité business pour ces éditeurs. Il en est d’ailleurs de même pour les fournisseurs de Cloud ou d’IA qui sont rémunérés en fonction de la “consommation” de leurs services.

Chez Kernix, nous sommes au cœur de la révolution agentique en pilotant à la fois la dimension IA (agents, modèles) et le volet digital, avec une forte expertise sur les aspects liés au développement de la couche MCP. Nous sommes ainsi en mesure d’accompagner nos clients dans le déploiement d’une vision agentique de leur système d’information.

Un projet ? Contactez-nous !