Qu’est-ce que le MCP en IA et dans les LLM, et comment les modèles de langage l’utilisent-ils?

Dernière mise à jour : 9 septembre 2026

Comment un LLM utilise-t-il réellement le MCP?

Un LLM utilise MCP via une application hôte qui gère le protocole au nom du modèle ; le modèle lui-même ne voit qu'une liste de descriptions d'outils et les résultats des appels qu'il choisit d'effectuer. La spécification actuelle, version de protocole 2026-07-28, définit cet échange en cinq couches.

• Participants : hôte, client, serveur - L’hôte MCP est l’application IA (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Il crée un client MCP pour chaque serveur MCP auquel il se connecte, et chaque client détient une connexion dédiée. Le VS Code d’un ingénieur en localisation peut donc exécuter trois clients simultanément : un pour le serveur de GitHub, un pour un serveur de système de fichiers local, un pour le serveur distant de Smartling.
• Couche de transport : stdio ou HTTP streamable - Les serveurs locaux fonctionnent comme un processus enfant et communiquent via une entrée/sortie standard; les serveurs distants fonctionnent sur l’infrastructure du fournisseur et acceptent HTTP POST avec des événements envoyés par serveur optionnels. La spécification recommande OAuth pour les serveurs distants, ce qui explique pourquoi Smartling a déplacé les nouvelles connexions vers une connexion navigateur OAuth 2.1 le 3 août 2026, et pourquoi les directives d’OpenAI recommandent OAuth avec des documents de métadonnées d’ID client pour les serveurs connectés à ChatGPT.
• Couche de données : JSON-RPC 2.0 - Chaque message est une requête, une réponse ou une notification JSON-RPC. Depuis la version 2026-07-28, le protocole est sans état : il n’y a pas de poignée de main initialisée, chaque requête transporte sa version du protocole et les capacités du client dans un _meta champ, et les serveurs doivent implémenter un seul server/discover appel qui annonce leurs versions et capacités prises en charge.
• Primitives : outils, ressources, invites, élicitation - Les serveurs exposent trois primitives : les outils (fonctions exécutables), les ressources (données contextuelles comme un glossaire ou un schéma) et les invites (modèles réutilisables). Chacune possède des méthodes */list et */get , ainsi que tools/call pour l'exécution. Les clients exposent l’elicitation, ce qui permet à un serveur de demander à l’utilisateur une confirmation ou une entrée manquante avant d’agir. L’échantillonnage, les racines et l’exploitation forestière sont obsolètes depuis le 28-07-2026 et restent utilisables pour une fenêtre minimale de douze mois.
• La boucle de décision du modèle – L’hôte récupère tools/list chaque serveur connecté, fusionne les résultats dans un seul registre d’outils, puis remet ce registre au modèle. Lorsque le modèle émet un appel d’outil, l’hôte le redirige vers le bon client, exécute tools/call, et ajoute le contenu retourné à la conversation. La spécification demande aux serveurs de retourner les outils dans un ordre déterministe spécifiquement pour que ce registre reste stable et que le cache invité du LLM continue de s’activer.

MCP par chiffres

Comment fonctionne un seul appel d’outil MCP, étape par étape?

Une simple requête de traduction provenant d'un assistant IA passe par cinq étapes de protocole, et leur compréhension explique la plupart des capacités et des limites d'un agent connecté à un MCP.

1. Découverte - Le client MCP de l’hôte envoie server/discover (ou simplement sa première requête, puisque chaque requête porte la version du protocole dans _meta) pour savoir quelles primitives le serveur supporte et quelles versions il accepte. Un désaccord de version retourne un UnsupportedProtocolVersionError et le client réessaie avec une version mutuellement supportée.
2. Liste des outils – Le client appelle tools/list et reçoit le nom, le titre, la description et le schéma inputSchemaJSON de chaque outil. Le serveur de Smartling, par exemple, retourne des outils pour la traduction de texte, les recherches de glossaire et de mémoire de traduction, la récupération de projets et de tâches, le tagage de chaînes de caractères et l’autorisation de tâches, chacun avec une description que le modèle lit pour décider quand l’utiliser.
3. Sélection du modèle – L’hôte fusionne les listes d’outils de chaque serveur connecté dans un seul registre et les transmet au LLM. Lorsqu’un utilisateur tape « traduire ceci en dé-DE à l’aide de la traduction automatique Smartling et du glossaire marketing », le modèle choisit les outils de correspondance; Le centre d’aide de Smartling précise que, sans nommer Smartling dans la demande, le modèle revient généralement à une traduction générique.
4. Exécution et confirmation - L'hôte émet des commandes tools/call avec les arguments du modèle. Les hôtes affichent généralement chaque appel à l'utilisateur avant son exécution (la documentation de Smartling décrit comment cliquer sur Continuer pour chaque outil), et l'API Responses d'OpenAI expose le même contrôle que require_approval et allowed_tools sur une définition d'outil MCP. Si le serveur a besoin de plus d'informations, il retourne un résultat input_required et le client réessaie avec la réponse de l'utilisateur.
5. Mise en contexte du résultat : le serveur renvoie un tableau content (texte, contenu structuré ou lien vers une ressource), et l’hôte l’ajoute à la conversation afin que le modèle puisse raisonner dessus. Les résultats de tools/list contiennent une indication de fraîcheur ttlMs permettant à l'hôte de les mettre en cache au lieu de les lister à nouveau à chaque requête.

Quelles sont les applications pratiques du MCP dans les systèmes d’IA aujourd’hui?

• Des agents de codage comme Claude Code, OpenAI Codex, Cursor et Visual Studio Code lisent un dépôt via le serveur de GitHub et poussent des fichiers ressources vers une plateforme de traduction dans la même session.
• Des assistants de clavardage d’entreprise interrogeant des bases de données internes et des archives de connaissances via un serveur distant avec OAuth, au lieu que chaque équipe colle des données dans la fenêtre de clavardage.
• Traduction instantanée et conforme à la marque dans un outil d’IA : le serveur de Smartling applique le glossaire, le guide de style et la mémoire de traduction du client via l’API MT, et les clients compatibles shell peuvent traduire des fichiers Word, PowerPoint et PDF via un lien de téléversement de 15 minutes.
• Outils de conception agissant sur des plateformes externes : Claude Code générant une application web à partir d’un design Figma est l’une des applications citées par le projet MCP lui-même, et l’agent de Figma s’attache à des serveurs MCP distants comme connecteurs personnalisés (voir comment l’agent IA de Figma utilise MCP pour la localisation).
• Opérations de compte par invite : récupération des tâches d’un projet, étiquetage de chaînes de caractères ou autorisation d’une tâche de traduction à partir d’une interface de clavardage plutôt que d’une connexion à un tableau de bord.

Quand le MCP n’est-il pas le bon choix d’intégration?

• Pipelines déterministes sans modèle dans la boucle. Un travail CI/CD qui pousse strings.json à chaque fusion devrait appeler directement une API REST ou une CLI; MCP ajoute le jugement d’un modèle sur l’outil à appeler, ce qui devient une surcharge lorsque la séquence est fixe.
• Délégation d’agent à agent. La documentation A2A est directe sur la division : MCP est pour un agent utilisant des outils, A2A est pour des agents qui collaborent sur des tâches avec état, multi-tours, via des cartes d’agent publiées. Un agent de service à la clientèle qui remet un dossier à un agent de facturation est un territoire A2A.
• Un travail qui doit persister dans un système d’enregistrement. Le chemin MCP de Smartling retourne une sortie instantanée de traduction automatique ou de LLM qui n’est pas sauvegardée en mémoire de traduction et ne passe par aucun flux de travail de révision humaine; le contenu qui doit entrer dans une tâche de traduction appartient au MCP de la CLI Smartling, à un connecteur ou à l’API.
• Environnements de clavardage seulement dotés déjà d'une intégration native. Une équipe travaillant entièrement au sein de ChatGPT peut bénéficier d'une expérience plus complète grâce au plugiciel ChatGPT de Smartling, qui couvre la gestion des tâches et la résolution des problèmes de qualité ainsi que la traduction.

En quoi MCP diffère-t-il d'une API, d'un appel de fonction, des plugiciels ChatGPT et d'A2A ?

MCP vs. API : quelle est la vraie différence ?
Une API est l’interface qu’un système expose aux développeurs; MCP est le protocole qui décrit de telles interfaces à un modèle de langage. Un serveur MCP enveloppe généralement une API existante (le serveur de Smartling appelle l’API MT de Smartling) et ajoute ce dont un LLM a besoin, ce qui manque à une API brute : une description en langage naturel par outil, un schéma JSON pour les arguments, une norme tools/list pour la découverte et un uniforme tools/call pour l’exécution. Les développeurs intègrent toujours une API en écrivant du code; un modèle intègre un serveur MCP en lisant sa liste d’outils.

MCP vs. appel de fonction : est-ce la même chose ?
Non. L’appel de fonction est une fonctionnalité du fabricant de modèles dans laquelle le développeur définit des fonctions dans la requête API et exécute les appels retournés dans son propre code. MCP standardise la même idée entre les fournisseurs et déplace l’implémentation vers un serveur que l’hôte appelle pour vous; L’API Responses d’OpenAI rend la distinction visible en offrant à la fois un outil fonctionnel et un outil distinct type: "mcp" qui prend un server_url. La description même du projet A2A du MCP comme « similaire à l’appel de fonctions dans les grands modèles de langage » capture la relation : même forme, mais portable et découvrable.

MCP vs. A2A : quel protocole dois-je utiliser?
Utilisez MCP lorsqu'un agent a besoin d'utiliser un outil ou de lire une ressource ; utilisez A2A lorsque deux agents autonomes doivent se découvrir, négocier et partager une tâche de longue durée. La documentation A2A appelle MCP la couche verticale (agent vers outil) et A2A la couche horizontale (agent vers agent), et son scénario de référence présente un agent mécanicien utilisant MCP pour son scanneur de diagnostic tout en utilisant A2A pour commander des pièces auprès d'un agent fournisseur. La plupart des systèmes de production utiliseront les deux.

MCP vs. un plugin ChatGPT : est-ce qu’un plugin est juste un MCP avec un nom différent?
Pas du côté de l'acheteur. Un plugiciel ChatGPT est distribué via le répertoire de plugins d'OpenAI et ne fonctionne qu'à l'intérieur de ChatGPT, tandis qu'un serveur MCP est ajouté à n'importe quel hôte MCP par URL. La documentation des développeurs d'OpenAI décrit bien les serveurs MCP distants comme un moyen d'alimenter un plugiciel, ce qui permet aux deux de partager l'infrastructure sous-jacente, mais ils restent des produits distincts avec des chemins d'installation et des portées distincts. Smartling offre les deux ; la comparaison se trouve dans notre guide du serveur MCP de Smartling.

MCP ou SDK du fournisseur : pourquoi ne pas simplement utiliser le SDK ?
Un SDK (Smartling publie des SDK Java, Python et Node.js) est destiné aux développeurs qui écrivent du code d'application pour un fournisseur unique. MCP est destiné à un LLM qui choisit des actions en cours d'exécution parmi de nombreux fournisseurs. Si l'intégration est écrite par un humain, le SDK est généralement plus rapide ; si un modèle décide de la prochaine étape, seul MCP lui fournit les descriptions et les schémas nécessaires pour bien décider.

Quels sont les « autres protocoles de communication IA » qui sont réellement des protocoles ?
Seuls MCP et A2A sont des protocoles ouverts, gérés par une fondation, avec des spécifications publiées et des SDK multi-fournisseurs. Les appels de fonctions, les plugiciels et les connecteurs sont des fonctionnalités produites par la plateforme d'un seul fournisseur. Les acheteurs qui comparent des « protocoles d'IA » devraient se demander si l'élément comparé possède une spécification que tout le monde peut mettre en œuvre.

Comment le MCP influence-t-il le développement des agents d’IA, et comment Smartling l’applique-t-il?

Le MCP façonne le développement des agents en fixant la frontière entre le modèle et le monde extérieur au niveau du protocole, donc les constructeurs d’agents cessent d’écrire du code d’intégration sur mesure et commencent plutôt à prendre des décisions au niveau du protocole. La spécification 2026-07-28 montre où se situent désormais ces décisions : une conception sans état signifie qu’un agent peut évoluer horizontalement derrière un équilibreur de charge sans affinité de session; tools/list les indices déterministes d’ordre et ttlMs de mise en cache permettent à un hôte de garder le cache d’invite du modèle chaud sur les tours; l’extension Tasks offre aux requêtes de longue durée une prise en charge durable à interroger au lieu d’un appel bloquant; l’elicitation via des requêtes multi-allers-retours donne à un serveur un moyen standard de demander une confirmation à l’utilisateur avant une action conséquente; et le passage de la spécification d’autorisation de l’enregistrement dynamique du client aux documents métadonnées d’ID client pousse l’identité de l’agent vers des modèles OAuth que les entreprises auditent déjà. L’effet pratique est que les capacités d’un agent deviennent un choix de configuration (quels serveurs connecter, quels outils permettre, pour quoi exiger l’approbation) plutôt qu’une base de code.

Le serveur MCP de Smartling est un exemple concret de ces choix appliqués à la localisation. Il s'agit d'un serveur HTTP Streamable distant accessible à l'adresse mcp.smartling.com/mcp, répertorié dans le répertoire des connecteurs de Claude, qui authentifie les nouvelles connexions via une connexion navigateur OAuth 2.1 et limite chaque outil aux autorisations Smartling de l'utilisateur connecté, les outils complets au niveau du compte nécessitant le rôle de propriétaire du compte. Sa liste d'outils offre à un agent une traduction de texte instantanée via l'API MT de Smartling avec application du glossaire, du guide de style et du contexte de la mémoire de traduction ; la traduction de fichiers Word, PowerPoint et PDF sur des clients compatibles avec le shell tels que Claude Code et OpenAI Codex via un lien de téléchargement de 15 minutes ; la récupération de glossaires, de guides de style, de mémoire de traduction, de projets, de tâches et d'utilisateurs ; et des actions sur le compte, notamment l'étiquetage de chaînes de caractères, l'autorisation de tâches et l'ajout de chaînes de caractères à une tâche existante. Les hôtes peuvent désactiver des outils individuels, ce qui correspond en pratique au modèle « outils autorisés ». Étant donné que le serveur est délibérément conçu pour la traduction instantanée et l'accès aux comptes en lecture seule, le contenu qui doit entrer dans un flux de travail de traduction utilise plutôt l'interface de ligne de commande (CLI) MCP de Smartling ou un connecteur. Les étapes de configuration de Claude Code, OpenAI Codex, Visual Studio Code, Cursor et Claude Desktop, ainsi que la liste de contrôle d'évaluation, se trouvent dans notre guide du serveur MCP de Smartling pour la traduction IA.

Questions connexes

• Quels sont les différents types de serveurs MCP, et lesquels sont importants pour une équipe de localisation ?
• Qu'est-ce que le serveur MCP de Smartling pour la traduction IA, et comment fonctionne-t-il ?
• Comment utiliser l'agent IA et le MCP de Figma pour gérer les traductions sans quitter le fichier de conception ?
• Qu’est-ce que le plugin Smartling pour ChatGPT, et comment fonctionne-t-il?