Guide pilier Serveur MCP 2026

Serveur MCP : à quoi ça sert, lesquels utiliser et quand créer le sien

Dernière mise à jour : 17 novembre 2026

Un serveur MCP permet à un assistant comme Claude ou ChatGPT d'utiliser les outils et les données d'une entreprise avec les droits de l'utilisateur connecté. Ce guide distingue trois situations, utiliser un serveur existant, en brancher un sur vos outils, en créer un pour votre logiciel, et dit ce que chacune demande.

Par Anas Rabhi, Tensoria | Publié le | Mis à jour le

Un serveur MCP est un programme qui expose à un assistant IA une liste d'actions et de données d'un logiciel, dans un format standard, le Model Context Protocol. L'assistant les découvre, choisit celles dont il a besoin pour répondre à la demande de l'utilisateur, et les appelle. L'utilisateur pilote alors son outil depuis Claude ou ChatGPT, sans changer d'écran.

Pour une entreprise, la question utile n'est pas « qu'est-ce que MCP » mais « lequel de mes trois cas est le mien ». Activer le serveur d'un éditeur dans Claude se fait en quelques réglages. Brancher vos outils internes ou ouvrir votre propre logiciel aux assistants est un chantier d'ingénierie, avec des droits à penser et des écritures à valider.

Ce guide s'adresse aux dirigeants et responsables techniques de PME, d'ETI et d'éditeurs de logiciels. Il dit ce que MCP change, ce que ça demande, ce que ça risque et quand ce n'est pas la bonne réponse. Tensoria développe des serveurs MCP et des agents IA connectés à des logiciels existants. Nous parlons donc aussi de ce qui se passe après la démonstration.

Définition

MCP : à quoi ça sert concrètement

MCP sert à brancher un assistant IA sur vos outils sans écrire une intégration différente pour chaque assistant. Un serveur MCP décrit ce que votre logiciel sait faire (chercher un client, lire une facture, créer un ticket). L'assistant, qui joue le rôle de client MCP, découvre cette liste et appelle les actions quand la demande de l'utilisateur le justifie.

La documentation officielle compare MCP à une prise USB-C pour les applications d'IA : un standard ouvert, que modelcontextprotocol.io décrit comme supporté par Claude et ChatGPT, mais aussi par des outils de développement comme Visual Studio Code ou Cursor. Anthropic l'a publié en novembre 2024.

Ce que ça change pour une entreprise tient en trois points.

  • L'utilisateur reste dans son assistant. Il demande « quelles factures sont en retard sur ce dossier » à Claude ou à ChatGPT au lieu d'ouvrir trois écrans.
  • La connexion s'écrit une fois. Le même serveur sert plusieurs assistants, là où une intégration maison ne sert qu'une application.
  • Les droits restent ceux de la personne. Bien conçu, le serveur agit au nom de l'utilisateur connecté et jamais au-delà de ce que son compte permet.

Un serveur MCP expose trois types d'éléments. Les outils sont des actions avec des paramètres typés et une description, que le modèle choisit d'appeler. Les ressources sont des données à lire. Les prompts sont des modèles de requêtes préparés. Dans un projet d'entreprise, l'essentiel du travail porte sur les outils.

Précision utile, MCP ne rend pas le modèle plus intelligent ni vos données plus propres. C'est un tuyau standardisé. Ce qui passe dedans reste votre responsabilité, et c'est le sujet des sections suivantes. Pour la mécanique du protocole (messages, transports, négociation), l'approfondissement technique est sur ianas.fr.

Trois situations

Utiliser, brancher ou créer : de quoi parle-t-on ?

Quand on dit « serveur MCP », on peut parler de trois chantiers très différents, qui n'ont ni le même coût ni les mêmes équipes. Commencez par identifier le vôtre.

01

Utiliser un serveur existant

Vous activez dans Claude ou dans ChatGPT un serveur publié par l'éditeur d'un outil que vous payez déjà (comptabilité, CRM, stockage de documents). Aucun développement. Le travail est de choisir les droits, de former les équipes et de décider qui a le droit d'activer quoi.

Connecteurs Claude, pas à pas →

02

Brancher un serveur sur vos outils internes

Vos outils maison ou votre ERP n'ont pas de serveur MCP. On en développe un qui appelle vos API internes, pour qu'un assistant ou un agent interne les utilise avec les droits de chaque employé. Le travail est d'ingénierie : outils, authentification, tests, hébergement.

Connecter un agent à votre logiciel →

03

Créer un serveur pour son propre logiciel

Vous êtes éditeur et vous voulez que vos clients pilotent votre produit depuis leur assistant. Le serveur devient une surface du produit, avec ses versions, sa documentation, son authentification multi-clients et ses garanties de sécurité.

Serveur MCP pour éditeur de logiciel →

Comment se repérer

Si un éditeur propose déjà un serveur pour votre outil, vous êtes en situation 1. S'il n'en propose pas et que c'est votre outil interne, situation 2. Si le logiciel est le vôtre et que vos clients l'utilisent, situation 3. Les situations 2 et 3 relèvent de l'offre ajouter l'IA à votre logiciel.

Situation 1

Quels serveurs MCP utiliser dans Claude ou ChatGPT

Les serveurs à utiliser en premier sont ceux que l'éditeur de l'outil publie lui-même, avec un accès en lecture seule. Ce sont les plus faciles à auditer, et un serveur qui ne sait pas écrire ne peut rien abîmer.

Pour Claude, les connecteurs du répertoire sont des serveurs MCP préparés, avec leur authentification. Un connecteur personnalisé est un serveur distant que vous ajoutez par son URL. Selon la documentation d'Anthropic, résumée dans notre article sur les connecteurs Claude, le serveur doit être joignable depuis internet : un serveur interne derrière un pare-feu ne se connecte pas tel quel. Pour ChatGPT, la documentation d'OpenAI sur MCP décrit l'ajout d'un serveur MCP personnalisé.

Un exemple concret : le serveur MCP de Pennylane. D'après la documentation de l'éditeur, il est en lecture seule, donc Claude peut interroger balance, factures ou transactions sans rien créer. Le pas à pas est dans Pennylane MCP avec Claude.

Critère Ce qu'on vérifie avant d'activer
Qui le maintientL'éditeur de l'outil, ou un tiers identifiable avec un historique de mises à jour.
Lecture ou écritureLecture seule pour démarrer. Toute écriture se teste d'abord sur un dossier de test.
Droits demandésLe serveur agit-il avec le compte de l'utilisateur, ou avec un accès global ?
Où passent les donnéesHébergement du serveur, journalisation, contrat avec l'éditeur, conformité RGPD.
Qui l'activeSur Team et Enterprise, un propriétaire de l'organisation autorise le connecteur avant les utilisateurs.

ChatGPT précise de son côté qu'il ne recommande pas de connecter un serveur personnalisé sans connaître et faire confiance à l'application qui le sous-tend. Un serveur trouvé sur un dépôt public est un logiciel tiers non audité, et se traite comme tel.

Situations 2 et 3

Le travail qu'un serveur MCP demande

Écrire un serveur qui répond « bonjour » prend une heure avec un SDK. Le livrer en production prend plus longtemps, parce que le travail porte sur cinq points qui n'ont rien à voir avec le protocole.

01

Les outils à exposer

Un outil par route d'API donne vite des dizaines d'outils proches, et le modèle choisit moins bien. On part des tâches réelles des utilisateurs, on regroupe, et on rédige des descriptions précises. Une dizaine d'outils bien décrits couvre souvent mieux le besoin qu'une copie de l'API.

02

Authentification et droits

Pour un serveur distant, la spécification s'appuie sur OAuth 2.1 : le serveur MCP est un serveur de ressources, l'utilisateur s'authentifie auprès d'un serveur d'autorisation, et le serveur appelle l'API avec un jeton à son nom. Une clé API partagée par tous les utilisateurs est à éviter, parce qu'elle fait disparaître les droits individuels.

03

Validation des écritures

Lire est peu risqué, écrire ne l'est pas. Tout ce qui crée, modifie, envoie ou supprime passe par une confirmation humaine, ou par un brouillon que l'utilisateur valide. ChatGPT impose déjà une confirmation manuelle avant les actions d'écriture. Le serveur doit la prévoir aussi.

04

Tests du tool calling

Il faut vérifier que le modèle choisit le bon outil avec les bons arguments. Cela se mesure sur un jeu de demandes réelles, avec des cas ambigus, et se refait quand on change de modèle ou qu'on renomme un outil. Sans ce jeu de tests, on découvre les erreurs chez l'utilisateur.

05

Hébergement et suivi

Un serveur distant est un service en production. Il faut un transport adapté (la spécification définit stdio pour les serveurs locaux et Streamable HTTP pour les serveurs distants), de la journalisation de chaque appel, des limites de débit et un plan de mise à jour. Le protocole évolue, les SDK aussi.

Notre retour de terrain

Pour un éditeur de plateforme IA, nous avons développé en 2025 des agents avec Pydantic AI et des serveurs MCP avec FastMCP, mesuré le tool calling avec un benchmark et suivi les appels avec Logfire. Le détail technique est dans notre article sur le serveur MCP d'éditeur.

Limites et risques

Injection, droits trop larges : ce qui peut mal tourner

Un serveur MCP donne à un modèle de langage la possibilité d'agir sur un système réel. Les risques viennent de là, pas du protocole.

  • L'injection de consignes. Un email, un document ou une page web lus par le modèle peuvent contenir des instructions cachées. OpenAI le dit dans sa documentation : il déconseille d'utiliser un serveur MCP qui pourrait manipuler du contenu non fiable, même si on fait confiance à son développeur. La parade est de limiter ce que les outils peuvent faire, pas d'espérer que le modèle résiste.
  • Les droits trop larges. Un serveur qui utilise un compte de service avec accès à tout contourne les permissions de l'utilisateur. La documentation de sécurité de MCP recommande des scopes minimaux et une élévation progressive.
  • Le passage de jeton. La spécification interdit qu'un serveur MCP accepte un jeton qui n'a pas été émis pour lui, ou le transmette tel quel à l'API en aval. C'est une faille classique des premiers serveurs.
  • Les écritures non validées. Un modèle qui se trompe d'argument sur un outil d'écriture produit une erreur réelle, parfois irréversible.
  • Les serveurs tiers non audités. Ni Anthropic ni OpenAI ne vérifient les serveurs personnalisés que vous branchez.

Ce que ça implique

Plus un serveur peut écrire, plus il faut de garde-fous. Lecture seule, droits de l'utilisateur, confirmation humaine sur ce qui part ou ne se rattrape pas, journal de chaque appel. Ce sont les mêmes conditions que pour un agent, détaillées dans notre guide des agents IA en entreprise.

Limites

Quand MCP n'est pas la bonne réponse

MCP n'est pas la bonne réponse quand une intégration directe plus simple répond au besoin. Un standard apporte de la valeur à ceux qui ont plusieurs clients et plusieurs outils, pas à tout le monde.

  • Un seul agent interne, un seul logiciel. Un appel d'API direct, écrit pour cet agent, est plus rapide à faire et à sécuriser. Notre article sur connecter un agent IA à un logiciel par API ou MCP détaille ce choix.
  • Un processus au chemin fixe. Si les étapes sont toujours les mêmes, un workflow d'automatisation suffit et coûte moins cher qu'un assistant qui choisit ses outils.
  • Un besoin de réponses sur des documents. Rechercher dans une base documentaire relève d'un RAG, pas d'un serveur d'actions. Voir le guide RAG en entreprise.
  • Un logiciel sans API. MCP ne crée pas d'accès qui n'existe pas. Il faut d'abord une API propre, ou un contournement qui a son propre coût.
  • Aucune demande utilisateur. Si vos clients ne vous demandent pas de piloter le produit depuis un assistant, le serveur sera peu utilisé.

Le test en une question

Qui appellera ce serveur, et avec quel assistant ? Si la réponse est « une seule de nos applications », une API suffit. Si c'est « les assistants que choisissent nos clients », MCP est justifié.

Créer son serveur

Créer un serveur MCP : le faire soi-même ou le faire développer

Un serveur MCP simple se crée en interne si votre équipe maîtrise déjà son API et son authentification. Les SDK officiels (Python, TypeScript) et des bibliothèques comme FastMCP rendent le code court. La difficulté est dans les décisions autour du code.

Le plus souvent, un développement externe est pertinent dans trois cas : l'équipe n'a pas d'expérience du tool calling, l'authentification multi-clients demande un vrai travail (éditeur avec des centaines de comptes), ou le serveur écrit dans un logiciel métier et exige des tests sérieux avant la mise en production.

Ce que nous livrons sur ce type de projet est défini avant le démarrage.

  • La liste des outils exposés, avec leurs descriptions et leurs droits.
  • Le serveur, son authentification et sa documentation d'installation dans Claude et dans ChatGPT.
  • Un jeu de tests du tool calling, rejouable à chaque changement de modèle.
  • L'hébergement et le suivi des appels en production.

Le code, les prompts et les jeux de tests sont à vous. Le chiffrage se fait sur devis, après un cadrage qui fixe le nombre d'outils, les droits et les tests. Pour aller plus loin côté technique, voir FastMCP en production avec Python et le connecteur MCP personnalisé pour Claude. Si votre but est d'apparaître dans ChatGPT, lisez aussi rendre son logiciel utilisable dans ChatGPT.

Pour un agent plus large

Si le sujet dépasse un serveur et touche un agent qui orchestre plusieurs outils, voir notre offre agents IA sur mesure.

Questions fréquentes sur les serveurs MCP

Les questions que posent les dirigeants, DSI et éditeurs avant de se lancer.

MCP (Model Context Protocol) est un standard ouvert qui décrit comment une application d'IA, comme Claude ou ChatGPT, se connecte à des outils et à des données externes. Anthropic l'a publié en novembre 2024. Un serveur MCP expose des actions et des données, un client MCP (l'assistant) les découvre et les appelle. L'intérêt est d'écrire la connexion une fois et de la réutiliser dans plusieurs assistants, plutôt que de refaire une intégration par outil.
Un serveur MCP est un programme qui expose à un assistant IA une liste d'outils (des actions avec des paramètres typés et une description), parfois des ressources (des données à lire) et des modèles de requêtes. Il appelle en général l'API d'un logiciel existant et applique les droits de l'utilisateur connecté. Il ne remplace pas l'API, il la rend utilisable par un modèle de langage.
Commencez par ceux que l'éditeur de vos outils publie lui-même, ou par les connecteurs du répertoire de Claude, qui sont des serveurs MCP préparés avec leur authentification. Privilégiez les serveurs en lecture seule pour démarrer, vérifiez qui les maintient et quels droits ils demandent. Un serveur trouvé sur un dépôt public sans mainteneur identifiable est à traiter comme un logiciel tiers non audité. Le détail est dans notre article sur les connecteurs Claude.
Dans Claude, un serveur distant s'ajoute comme connecteur personnalisé à partir de son URL, dans les paramètres des connecteurs. Sur les offres Team et Enterprise, c'est le propriétaire de l'organisation qui l'ajoute. Dans ChatGPT, la documentation d'OpenAI décrit l'ajout d'un serveur MCP personnalisé depuis la page Plugins de ChatGPT. Les interfaces et les plans concernés évoluent : vérifiez la documentation officielle au moment de l'activation.
Seulement si vos utilisateurs ont des raisons de piloter votre produit depuis un assistant IA : consulter des données, déclencher des actions courantes, enchaîner plusieurs écrans en une demande. Si votre logiciel n'a pas d'API propre, c'est un travail préalable. Si personne ne vous le demande et que le produit se suffit à lui-même, commencez par un assistant intégré à l'interface ou par rien du tout. Le cas des éditeurs est détaillé dans serveur MCP pour éditeur de logiciel.
Une API directe suffit quand une seule application interne doit appeler vos outils : l'intégration est plus simple à écrire et à sécuriser. MCP est utile quand plusieurs assistants ou agents différents doivent réutiliser la même connexion, ou quand vous voulez que vos clients branchent votre produit sur l'assistant de leur choix. Dans les deux cas, le travail de fond reste le même : choisir les actions exposées, gérer les droits, valider les écritures.
Le protocole ne garantit rien à lui seul. La sécurité dépend de ce que le serveur expose et de la façon dont il vérifie les droits. Les risques les plus courants sont les outils d'écriture sans validation, les jetons d'accès trop larges, les jetons transmis tels quels à l'API en aval, et l'injection de consignes cachées dans les contenus que le modèle lit. La spécification MCP et la documentation d'OpenAI détaillent ces risques et les parades.
Le coût dépend du nombre d'outils à exposer, de l'état de l'API existante, du mode d'authentification et du niveau de validation exigé sur les écritures, puis de l'hébergement et du suivi en production. Un serveur en lecture seule sur une API documentée demande bien moins de travail qu'un serveur qui écrit dans un logiciel métier. Le chiffrage se fait sur devis, après un cadrage qui fixe les outils, les droits et les tests à livrer. La page ajouter l'IA à votre logiciel décrit ce que nous livrons.

Un serveur MCP pour votre logiciel ou vos outils ?

Un premier échange de 30 minutes, gratuit, pour fixer les outils à exposer, les droits et ce qu'il faudrait tester avant la mise en production.

Le détail de ce que nous développons est sur la page ajouter l'IA à votre logiciel.