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 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 transport : stdio ou HTTP Streamable - Les serveurs locaux s'exécutent en tant que processus enfant et communiquent via les entrées/sorties standard ; les serveurs distants s'exécutent sur l'infrastructure du fournisseur et acceptent les requêtes HTTP POST avec des événements envoyés par le serveur (SSE) optionnels. La spécification recommande OAuth pour les serveurs distants, c'est pourquoi Smartling a déplacé les nouvelles connexions vers une connexion navigateur OAuth 2.1 le 3 août 2026, et pourquoi les recommandations d'OpenAI préconisent 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 d’initialisation de poignée de main, chaque requête porte 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 telles qu'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 la fonctionnalité d'élicitation, qui permet à un serveur de demander à l'utilisateur une confirmation ou des informations manquantes avant d'agir. L’échantillonnage, les racines et l’enregistrement sont obsolètes à compter du 28 juillet 2026 et restent utilisables pendant une période minimale de douze mois.
• Boucle de décision du modèle : l’hôte récupère tools/list de chaque serveur connecté, fusionne les résultats dans un registre d’outils unique et transmet ce registre au modèle. Lorsque le modèle émet un appel d'outil, l'hôte le dirige vers le client approprié, exécute tools/call et ajoute le contenu renvoyé à la conversation. La spécification demande aux serveurs de renvoyer les outils dans un ordre déterministe afin que ce registre reste stable et que le cache d'invites du LLM continue de fonctionner.

Le MCP par chiffres

Comment fonctionne un appel à un 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 limitations 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 renvoie 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 JSON inputSchema de chaque outil. Le serveur de Smartling, par exemple, renvoie des outils pour la traduction de texte, la recherche dans un glossaire et une mémoire de traduction, la récupération de projets et de tâches, l'étiquetage de chaînes de caractères et l'autorisation des tâches, chacun accompagné d'une description que le modèle lit pour décider quand l'utiliser.
3. Sélection de 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 pose problème tools/call avec les arguments du modèle. Les hôtes affichent généralement chaque appel à l’utilisateur avant qu’il ne soit lancé (la documentation de Smartling décrit le clic sur Continuer selon l’outil), et l’API Réponses d’OpenAI expose le même contrôle que require_approval sur allowed_tools une définition d’outil MCP. Si le serveur a besoin de plus d’entrée, il renvoie un input_required résultat et le client réessaie avec la réponse de l’utilisateur.
5. Résultat dans le contexte - Le serveur renvoie un content tableau (texte, contenu structuré ou lien de ressources), et l’hôte l’ajoute à la conversation pour que le modèle puisse raisonner dessus. Les résultats de tools/list Carry Un ttlMs indice de fraîcheur pour que l’hôte puisse les mettre en cache au lieu de relancer des outils à chaque tour.

Quelles sont les applications pratiques du MCP dans les systèmes d'IA actuels ?

• Des agents de codage tels que Claude Code, OpenAI Codex, Cursor et Visual Studio Code lisent un dépôt via le serveur de GitHub et poussent des fichiers de ressources vers une plateforme de traduction dans la même session.
• Les assistants de chat d'entreprise interrogent les bases de données internes et les entrepôts de connaissances via un serveur distant avec OAuth, au lieu que chaque équipe colle des données dans la fenêtre de chat.
• Traduction instantanée et conforme à l'image de marque grâce à 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 avec le shell peuvent traduire des fichiers Word, PowerPoint et PDF via un lien de téléchargement 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 en tant que 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 chat 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 job CI/CD qui envoie strings.json à chaque fusion devrait appeler directement une API REST ou une interface de ligne de commande ; MCP ajoute le jugement d'un modèle sur l'outil à appeler, ce qui représente 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 pour des agents qui collaborent sur des tâches multi-tours avec état, via des cartes d’agent publiées. Un agent du service client qui confie un dossier à un agent de facturation est un domaine A2A.
• Un travail qui doit persister dans un système d’enregistrement. Le chemin MCP de Smartling retourne une sortie instantanée de MT ou de LLM qui n’est pas enregistrée en mémoire de traduction et ne passe par aucun flux de travail de revue humaine ; le contenu qui doit entrer dans un travail de traduction appartient au MCP CLI de Smartling, à un connecteur ou à l’API.
• Environnements uniquement en chat qui ont déjà une intégration native. Une équipe travaillant entièrement à l’intérieur de ChatGPT peut bénéficier d’une expérience plus complète grâce au plugin ChatGPT de Smartling, qui couvre la gestion des tâches, 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 plugins ChatGPT et de l’A2A ?

MCP vs. API : quelle est la véritable différence ?
Une API est l’interface qu’un système expose aux développeurs ; MCP est le protocole qui décrit de telles interfaces vers 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 et qu’une API brute manque : 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 modèle-fournisseur dans laquelle le développeur définit des fonctions dans la requête API et exécute les appels renvoyés dans son propre code. MCP standardise la même idée chez tous 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 proposant à la fois un outil de fonction et un type: "mcp" qui prend une server_url. La description que fait le projet A2A du MCP comme étant « similaire à l'appel de fonctions dans les grands modèles de langage » capture bien 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 scanner 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 ou plugin ChatGPT : un plugin est-il simplement MCP avec un nom différent ?
Pas du côté de l’acheteur. Un plugin ChatGPT est distribué via le répertoire du plugin d’OpenAI et ne fonctionne qu’à l’intérieur de ChatGPT, tandis qu’un serveur MCP est ajouté à tout hôte MCP par URL. La documentation développeur d’OpenAI décrit les serveurs MCP distants comme un moyen d’alimenter un plugin, afin que les deux puissent partager la plomberie en dessous, mais ils restent des produits séparés avec des chemins d’installation et des périphériques distincts. Smartling invoque 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 plugins et les connecteurs sont des fonctionnalités produit de 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 ?

MCP façonne le développement des agents en fixant la frontière entre le modèle et le monde extérieur au niveau du protocole, de sorte que les concepteurs d'agents cessent d'écrire du code d'intégration sur mesure et commencent à prendre des décisions au niveau du protocole. La spécification du 28 juillet 2026 indique où se situent désormais ces décisions : une conception sans état permet à un agent de s’adapter horizontalement derrière un équilibreur de charge sans affinité de session ; l’ordonnancement déterministe tools/list et les indications de mise en cache ttlMs permettent à un hôte de maintenir le cache d’invites du modèle actif d’un tour à l’autre ; l’extension des tâches offre aux requêtes de longue durée un moyen durable d’interroger au lieu d’un appel bloquant ; l’élicitation par le biais de requêtes aller-retour multiples offre à un serveur une méthode standard pour demander la confirmation de l’utilisateur avant une action conséquente ; et le passage de la spécification d’autorisation de l’enregistrement dynamique du client aux documents de métadonnées d’ID client oriente l’identité de l’agent vers les modèles OAuth que les entreprises auditent déjà. Concrètement, les capacités d'un agent deviennent un choix de configuration (à quels serveurs se connecter, quels outils autoriser, pour quoi exiger une approbation) plutôt qu'une base de code.

Le serveur MCP de Smartling est un exemple concret de ces choix appliqués à la localisation. C’est un serveur HTTP streamable à distance à mcp.smartling.com/mcp, listé dans le répertoire connecteur de Claude, qui authentifie les nouvelles connexions via une connexion navigateur OAuth 2.1 et permet à chaque outil de s’adapter aux permissions Smartling de l’utilisateur connecté, avec des outils complets au niveau du compte nécessitant le rôle de Propriétaire du Compte. Sa liste d’outils offre à un agent une traduction instantanée de texte via l’API MT de Smartling, avec glossaire, guide de style et contexte mémoire de traduction appliqués ; traduction de fichiers de documents Word, PowerPoint et PDF sur des clients compatibles shell tels que Claude Code et OpenAI Codex via un lien de téléversement de 15 minutes ; récupération de glossaires, guides de style, mémoire de traduction, projets, emplois et utilisateurs ; et actions de compte incluant le tagage des chaînes, l’autorisation des tâches et l’ajout de chaînes à un travail existant. Les hôtes peuvent désactiver des outils individuels, ce qui est en pratique le schéma des outils autorisés. Comme le serveur est délibérément conçu pour la traduction instantanée et un accès principalement lire-compte, le contenu qui doit entrer dans un flux de traduction utilise à la place le CLI MCP de Smartling ou un connecteur. Les étapes de configuration pour Claude Code, OpenAI Codex, Visual Studio Code, Cursor et Claude Desktop, ainsi que la checklist d’évaluation, figurent sur 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 pouvez-vous utiliser l’agent IA de Figma et le MCP pour gérer les traductions sans quitter le fichier de conception ?
• Quel est le plugin Smartling pour ChatGPT, et comment fonctionne-t-il ?