Outils & Modèles Par

Sécurité d'un serveur MCP : injection de prompt et droits

Pour sécuriser un serveur MCP, on suppose que le modèle finira par suivre une instruction cachée dans un contenu qu'il lit, et on limite ce qu'il peut faire. L'injection de prompt ne se supprime pas entièrement ; les défenses fiables sont les droits de l'utilisateur, les scopes minimaux, la confirmation humaine des écritures, la séparation des données sensibles et la journalisation de chaque appel.

Cet article décrit les six risques réels d'un serveur MCP, la parade de chacun, et une liste de contrôle avant la mise en production.

Points clés à retenir

  • L'injection de prompt par le contenu ne se supprime pas entièrement, d'après l'OWASP ; la défense se joue sur ce que l'agent a le droit de faire
  • Le serveur appelle l'API avec le jeton de l'utilisateur, vérifie l'audience du jeton, n'en relaie aucun autre et demande des scopes minimaux
  • Les écritures se font en deux temps avec confirmation, sur des opérations réversibles, sans dépendre de la confirmation du client
  • Données privées, contenu non fiable et sortie vers l'extérieur ne se combinent pas dans une même session
  • Un serveur tiers se relit avant installation et après chaque mise à jour
  • Journaux de chaque appel et tests avec contenus piégés, rejoués à chaque changement

Les risques d'un serveur MCP et la parade qui les regroupe

Un serveur MCP donne à un modèle de langage la possibilité d'agir dans vos outils, et ce modèle lit des contenus que vous ne maîtrisez pas. La sécurité repose donc moins sur ce que le modèle « comprend » que sur ce qu'il a le droit de faire. Cela passe par les droits de l'utilisateur, des scopes minimaux, des écritures confirmées par un humain, des opérations réversibles et des traces de chaque appel.

Cet article approfondit la section risques du guide du serveur MCP, pour les responsables informatiques, sécurité et dirigeants qui branchent ou publient un serveur, et pour les développeurs qui le construisent. Six risques reviennent.

Risque Ce qui se passe Ce qu'on fait
Injection de prompt par le contenu Un document, un email ou une fiche contient des instructions que le modèle suit Limiter ce que l'agent peut faire, jamais compter sur un filtre
Droits trop larges Un compte à tout faire contourne les permissions de l'utilisateur Jeton de l'utilisateur, scopes minimaux, contrôle par l'API
Passage de jeton Un jeton reçu est relayé tel quel vers une autre API Vérifier l'audience, n'accepter que les jetons émis pour le serveur
Écriture non validée Un argument erroné ou détourné produit une modification réelle Préparer, faire confirmer, exécuter ; opérations réversibles
Combinaison dangereuse Données privées, contenu non fiable et sortie vers l'extérieur dans une même session Retirer l'un des trois éléments
Serveur tiers Un serveur installé sans être connu, dont les outils peuvent changer Relire les descriptions, limiter les données, revérifier après mise à jour

Sources utilisées, les pages Security Best Practices et Authorization de la spécification MCP, la documentation MCP d'OpenAI et l'OWASP Top 10 pour les LLM. Pour construire le serveur, voyez FastMCP en production.

L'injection de prompt par le contenu, et pourquoi aucun filtre ne suffit

L'injection de prompt est le cas où un contenu lu par le modèle modifie son comportement de façon non voulue. L'OWASP la place au premier rang de son classement des risques LLM et distingue l'injection directe (l'utilisateur saisit l'instruction) de l'injection indirecte (le modèle lit un site web ou un fichier qui contient l'instruction). Avec MCP, c'est l'indirecte qui compte.

Situation imaginée, sans lien avec un incident réel. Un assistant résume les emails d'un service client. L'un d'eux contient, en texte blanc sur fond blanc, une phrase demandant d'envoyer l'historique d'un autre client à une adresse extérieure. Si un outil permet l'envoi, le modèle peut s'exécuter.

Ce que disent l'OWASP et OpenAI

L'OWASP indique que le RAG et le fine-tuning n'éliminent pas complètement le risque, et que la nature stochastique des modèles empêche de savoir s'il existe une prévention infaillible. Ses mesures vont du moindre privilège à l'approbation humaine des actions à haut risque, avec des tests adversariaux qui traitent le modèle comme un utilisateur non fiable.

OpenAI écrit dans sa documentation MCP de ne pas utiliser un serveur qui pourrait contenir des entrées malveillantes ou non fiables d'utilisateurs, même si l'on fait confiance à son développeur (traduction libre). Un serveur de confiance ne protège pas contre un contenu piégé qu'il transmet.

Ce que cela change pour la conception

Un filtre ou une consigne système réduit le nombre de cas, pas leur possibilité. La question utile devient « que se passe-t-il si le modèle obéit à une instruction hostile ? ». Si la réponse est « il fait ce que l'utilisateur est déjà autorisé à faire, après confirmation, de façon réversible », le risque est borné. Pour un RAG, l'article d'Anas sur la sécurisation d'un RAG va plus loin.

Droits de l'utilisateur, jetons et scopes minimaux

Le serveur agit avec les droits de l'utilisateur connecté, jamais avec un compte qui voit tout. Il reçoit un jeton émis pour lui, appelle l'API avec un jeton au nom de cet utilisateur, et l'API contrôle les droits à chaque appel. Ainsi, une injection ne peut pas obtenir plus que ce que la personne pouvait déjà faire.

from fastmcp.server.dependencies import get_access_token

@mcp.tool(annotations={"readOnlyHint": True})
async def dossier_client(client_id: str) -> dict:
    """Résumé d'un dossier client, dans la limite des droits de l'utilisateur."""
    jeton = get_access_token()
    # Aucun compte de service. L'API refuse tout ce que cet utilisateur
    # ne pourrait pas ouvrir dans l'interface du logiciel.
    return await api.get(f"/clients/{client_id}/resume", bearer=jeton.token)
  • Audience du jeton. Un serveur MCP doit vérifier que le jeton lui était destiné, selon la RFC 8707, et ne doit accepter ni transmettre aucun autre jeton.
  • Pas de passage de jeton. Relayer vers une API en aval un jeton reçu du client est explicitement interdit. La page de sécurité cite le contournement des contrôles de l'API aval et des journaux d'audit faussés.
  • Scopes minimaux. La page de sécurité recommande un petit ensemble initial limité à la lecture, puis une élévation ciblée quand une opération privilégiée est demandée. Elle déconseille les scopes génériques de type « tout » ou « *».
  • Identifiants d'état. Posséder un identifiant (panier, workflow) ne vaut pas authentification. Le serveur le lie à l'utilisateur déduit du jeton vérifié.

Un point d'organisation complète ces règles. Le compte client (tenant) se lit dans le jeton, jamais dans un paramètre que le modèle remplit, car un texte piégé peut l'inciter à en essayer un autre. Sur l'agent développé pour ModelRH, les 23 outils sont typés et chargés selon les droits de l'utilisateur, avec des résultats bornés et un cloisonnement des données. Le détail côté éditeur se trouve dans l'article sur le serveur MCP d'un éditeur de logiciel.

Lecture, écriture et confirmation humaine

Un serveur sûr sépare les outils de lecture des outils d'écriture, et fait précéder toute écriture d'une préparation que l'humain confirme. La lecture seule se publie en premier. Les écritures s'ajoutent une par une, après une période d'observation.

Le schéma tient en deux outils. Le premier vérifie droits et règles, n'écrit rien, et renvoie un aperçu avec un identifiant d'opération créé par le serveur. Le second exécute l'opération préparée, telle quelle, après accord explicite. Le modèle ne transmet que l'identifiant, donc il ne peut pas changer le montant entre les deux.

  • Ne pas dépendre du client. ChatGPT exige actuellement une confirmation manuelle avant les écritures, d'après la documentation d'OpenAI, mais ce comportement relève du client et peut changer. Le serveur applique sa propre confirmation.
  • Réversibilité. On préfère une suppression logique, un brouillon, un avoir ou un statut annulable à une action définitive.
  • Hors du périmètre. Suppressions, opérations en masse, paiements et envois à des tiers sans relecture restent dans l'interface du logiciel.

La combinaison dangereuse et les serveurs tiers

Le risque devient sérieux quand trois éléments se retrouvent dans la même session, et il l'est aussi quand on installe un serveur sans le connaître. Dans les deux cas, on réduit la surface avant de chercher à détecter l'attaque.

Données privées, contenu non fiable, sortie vers l'extérieur

Un agent qui lit des données privées, lit aussi du contenu qu'un tiers peut écrire (emails entrants, tickets, pages web) et dispose d'un moyen d'envoyer vers l'extérieur (email, requête HTTP, publication) cumule les conditions d'une fuite par injection. Il suffit de retirer l'un des trois.

  • Retirer la sortie. L'agent qui lit tout n'envoie rien, ou seulement vers une liste fermée de destinataires.
  • Retirer le contenu non fiable. L'agent qui envoie des messages ne lit que des sources internes.
  • Retirer les données privées. L'agent qui parcourt le web n'a accès qu'à des données publiques.

OpenAI rappelle qu'un serveur peut recevoir des données sensibles lors d'une requête, et conseille de ne pas en placer dans les paramètres des outils. Cette séparation se décide à la conception de l'agent, et un audit des outils et des droits la rend visible, ce que couvre notre audit RAG et agents IA.

Serveurs MCP tiers

OpenAI précise que ses serveurs MCP personnalisés ne sont ni développés ni vérifiés par elle, et recommande de ne s'y connecter que si l'on connaît l'application sous-jacente. Côté poste de travail, la spécification MCP rappelle qu'un serveur local s'exécute avec les privilèges du client, d'où l'intérêt d'un bac à sable.

Avant d'installer un serveur tiers, nous recommandons trois contrôles.

  • Savoir qui le publie, et lire la liste d'outils avec leurs descriptions, qui sont du texte lu par le modèle.
  • Lui donner le périmètre de données le plus étroit possible, avec un compte dédié plutôt que celui d'un administrateur.
  • Figer la version et revérifier les descriptions d'outils à chaque mise à jour, car une description modifiée change ce que le modèle fait.

Journalisation et tests avec des contenus piégés

La journalisation garde pour chaque appel l'utilisateur, le client MCP, l'outil, les arguments, la durée et le résultat, et pour une écriture l'aperçu et la confirmation. Les arguments sensibles se masquent avant stockage. Pour un éditeur de plateforme IA, de juillet à novembre 2025, nous avons développé des serveurs MCP avec FastMCP et des agents Pydantic AI, suivis avec Logfire.

Le jeu de tests intègre des cas hostiles.

  • Documents piégés. Un fichier, un email ou une fiche contient une instruction (envoyer, supprimer, changer de compte). On vérifie qu'aucun outil hors tâche n'est appelé.
  • Droits. Un utilisateur sans droit demande une action. L'API doit refuser, quel que soit le comportement du modèle.
  • Identifiants. On présente l'identifiant d'un autre compte ou d'une opération d'un autre utilisateur. Le serveur le rejette.
  • Écritures. Aucune ne s'exécute sans confirmation.

Pour un RAG législatif développé pour une institution publique, nous avons mis en place une détection de requêtes malveillantes en amont de la génération. Le principe est le même pour un serveur MCP, avec une réserve. Cette détection réduit les cas, elle ne remplace pas le contrôle des droits. L'OWASP recommande des tests adversariaux réguliers, rejoués à chaque changement de description ou de modèle.

Liste de contrôle avant la mise en production

Avant d'ouvrir le serveur aux utilisateurs

  • Authentification sur chaque requête HTTP, jeton vérifié pour son audience
  • Appel de l'API avec le jeton de l'utilisateur, aucun compte à tout faire, aucun jeton relayé tel quel
  • Scopes minimaux, lecture seule au départ, élévation ciblée
  • Compte client lu dans le jeton, jamais dans un paramètre rempli par le modèle
  • Outils de lecture et d'écriture séparés, écritures en deux temps avec confirmation côté serveur
  • Pas de session qui réunit données privées, contenu non fiable et sortie vers l'extérieur
  • Journal de chaque appel, avec masquage des données sensibles
  • Jeu de tests avec contenus piégés, rejoué à chaque changement de description ou de modèle

Si vous publiez un serveur pour votre logiciel, c'est ce que nous prenons en charge dans l'offre pour ajouter l'IA à un logiciel, avec le code livré dans votre dépôt. Une fois le serveur publié, il s'utilise avec un connecteur MCP personnalisé dans Claude et avec les apps dans ChatGPT, deux clients dont les confirmations d'actions diffèrent.

Vous préparez ou publiez un serveur MCP ?

Montrez-nous la liste des outils et les droits prévus. Nous relisons les risques décrits ici sur votre cas, sur devis.

Prendre un rendez-vous

Questions fréquentes sur la sécurité d'un serveur MCP

C'est le cas où un contenu lu par le modèle (email, document, fiche, page web, résultat d'un outil) contient des instructions que le modèle suit comme si elles venaient de l'utilisateur. Avec un serveur MCP, le modèle peut ensuite appeler des outils qui agissent dans vos systèmes.
Non. L'OWASP indique que le RAG et le fine-tuning n'éliminent pas complètement le risque, et qu'on ne sait pas s'il existe une méthode de prévention infaillible. La défense solide limite ce que l'agent a le droit de faire, avec les droits de l'utilisateur, des scopes minimaux, une confirmation humaine et des opérations réversibles.
C'est à éviter pour un serveur qui agit au nom d'utilisateurs. Un compte à tout faire contourne les permissions de chacun, et une injection de prompt hérite alors de ses droits. Le serveur appelle l'API avec le jeton de l'utilisateur connecté, et l'API contrôle les droits à chaque appel.
C'est l'anti-modèle où un serveur MCP accepte un jeton reçu du client sans vérifier qu'il lui était destiné, puis le transmet tel quel à une autre API. La spécification MCP l'interdit. Le serveur doit vérifier que le jeton a été émis pour lui comme destinataire (audience) et ne doit accepter ni relayer d'autres jetons.
Pas sans les connaître. OpenAI précise qu'elle ne développe ni ne vérifie les serveurs MCP personnalisés. On relit les descriptions d'outils avant installation, on limite les données accessibles, et on revérifie la liste d'outils quand le serveur est mis à jour.
Pour chaque appel, l'utilisateur, le client MCP utilisé, l'outil, les arguments, la durée, le résultat ou l'erreur, et pour une écriture l'aperçu montré et la confirmation reçue. Les données sensibles des arguments se masquent avant stockage.
On ajoute au jeu de tests des contenus piégés (document, fiche ou email qui contient des instructions) et on vérifie que le modèle n'appelle aucun outil hors de la tâche demandée, que les droits refusent ce qui doit l'être et que les écritures exigent une confirmation. Ces tests se rejouent à chaque changement de description ou de modèle.

Formation

Pour que vos équipes appliquent ces usages sur leurs propres documents, voir notre formation agents IA, construite sur vos cas.

IA dans votre logiciel

Vous voulez brancher l'IA sur votre logiciel ou vos API ?

On conçoit l'intégration avec vos développeurs : serveur MCP, appels API aux modèles, agents qui agissent dans votre produit, avec droits d'accès, journalisation et tests sur vos vrais cas avant la mise en production.

Articles liés

Anas Rabhi, ingénieur IA et data scientist, fondateur de Tensoria
Anas R. Ingénieur IA, fondateur de Tensoria ianas.fr

Je suis ingénieur IA et data scientist, fondateur de Tensoria. Depuis plus de 6 ans, je conçois et développe des systèmes IA pour les entreprises : assistants internes basés sur RAG, agents IA en production, automatisations sur mesure, traitement intelligent de documents. Je prends le projet en charge du cadrage à la mise en production, sur les modèles du marché (Mistral, Claude, GPT) ou sur des modèles ouverts hébergés chez le client quand la confidentialité l'exige.