La révolution MCP et la quête de cas d'usage durables pour l'IA en entreprise

Lorsqu'Anthropic a présenté fin 2024 le Model Context Protocol — un standard ouvert pour connecter les modèles de langage à des outils externes, des bases de données et des API —, peu de gens imaginaient à quelle vitesse cette initiative allait redessiner le paysage de l'IA en entreprise. Un peu plus d'un an après, MCP est passé du statut de protocole de niche à celui de standard de fait, pris en charge par des dizaines de plateformes. Mais derrière cette croissance fulgurante se cache une vérité dérangeante : l'industrie n'a toujours pas répondu à une question fondamentale — quels cas d'usage de l'IA en entreprise sont réellement durables ?

C'est le sujet abordé par le chercheur en IA Sebastian Valkötter dans un long entretien accordé à KDnuggets. Sa position est à la fois optimiste et d'une honnêteté qui fait redescendre sur terre. D'un côté, MCP résout un vrai problème d'ingénierie.

Avant le protocole, chaque intégration d'un modèle d'IA avec un système d'entreprise — CRM, base de connaissances ou outil interne — nécessitait un développement sur mesure. On se retrouvait dans la situation d'avant l'USB, quand chaque appareil exigeait son propre connecteur. MCP a proposé une « prise » unifiée : une manière standardisée de décrire les outils disponibles, de transmettre le contexte et de recevoir les résultats.

Pour les développeurs, un serveur MCP écrit une seule fois pour Salesforce ou PostgreSQL fonctionne avec n'importe quel modèle compatible — Claude, GPT, Gemini ou des alternatives ouvertes.

Valkötter attire toutefois l'attention sur un sujet que l'industrie préfère aborder à voix basse : la sécurité de l'écosystème MCP reste un problème sérieux. Par nature, le protocole élargit la surface d'attaque. Quand un modèle de langage accède aux systèmes d'entreprise via des serveurs MCP, tout un éventail de menaces apparaît — des injections de prompt qui poussent le modèle à effectuer des actions non prévues jusqu'à la compromission des serveurs MCP eux-mêmes, qui peuvent être remplacés par des versions malveillantes.

Le problème s'aggrave parce que l'écosystème grandit plus vite que les pratiques d'audit et de vérification. La communauté a déjà relevé des cas où des serveurs MCP tiers contenaient des failles permettant d'accéder à des données que le modèle n'aurait jamais dû toucher.

Mais la thèse la plus provocante du chercheur concerne la logique économique plutôt que la technologie. Valkötter pose la question sans détour : quels cas d'usage de l'IA en entreprise peut-on considérer comme stables ? Par stabilité, il entend non pas la simple fiabilité technique, mais une valeur économique durable — une situation où la solution d'IA rapporte de façon prévisible plus qu'elle ne coûte à déployer et à maintenir.

Et là, le tableau est moins rose que celui des éditeurs. De nombreuses entreprises ayant déployé des agents d'IA pour automatiser leurs processus ont constaté que les modèles se comportent de manière imprévisible dans les cas limites, exigent une supervision humaine constante et coûtent plus cher que prévu. L'écart entre les démonstrations impressionnantes et le travail productif au quotidien reste considérable.

Cet écart est particulièrement visible avec les agents d'IA, ces systèmes autonomes capables d'enchaîner des actions sans intervention humaine constante. MCP leur fournit en somme une base d'infrastructure, en leur donnant un accès standardisé aux outils. Mais plus un agent gagne en autonomie, plus les enjeux montent.

Une erreur de génération de texte est un désagrément. L'erreur d'un agent qui envoie des e-mails aux clients au nom de l'entreprise, modifie des enregistrements dans une base de données ou lance des opérations financières est une catastrophe potentielle. Valkötter souligne que l'industrie a besoin non seulement de standards techniques comme MCP, mais aussi de standards de confiance : des méthodes formalisées pour déterminer quel niveau d'autonomie est acceptable pour un scénario donné et quelles garanties le système doit offrir.

Le paradoxe du moment est que la standardisation accélère les choses tout en mettant les problèmes à nu. MCP abaisse la barrière d'entrée pour créer des intégrations d'IA, ce qui attire inévitablement plus d'expérimentateurs et fait croître le nombre de déploiements. Mais chaque nouveau déploiement est un test de résistance supplémentaire, qui révèle les limites des modèles, du protocole et de la préparation des entreprises. En un sens, MCP joue pour l'industrie de l'IA le rôle que HTTP a joué pour le web des débuts : il crée un langage commun, mais ne garantit pas la qualité de ce qui s'y dit.

Pour le marché russe, ces conclusions sont particulièrement pertinentes. Les entreprises du pays qui développent leurs propres modèles de langage et plateformes d'IA doivent choisir : suivre MCP comme standard mondial ou développer des approches d'intégration alternatives. Comme le protocole est ouvert et n'est lié à aucun éditeur, le prendre en charge semble la décision pragmatique — mais en investissant dans des mécanismes propres de sécurité et d'audit.

La principale leçon des observations de Valkötter est simple, mais importante : standardiser l'infrastructure est une condition nécessaire, mais insuffisante, à la maturité de l'industrie de l'IA. Tant que les questions de prévisibilité, de sécurité et de viabilité économique ne seront pas réglées, la révolution MCP restera une révolution de plomberie — un travail d'ingénierie impressionnant, dont la valeur dépend de ce qui finira par couler dans ces tuyaux.