Qu’est-ce que MCP ? Le Model Context Protocol pour les systèmes de planification d’entreprise

Les assistants IA font leur entrée dans les métiers de la finance et de la planification. Pourtant, la plupart d’entre eux n’ont pas accès aux données sur lesquelles vos équipes s’appuient pour établir leurs plans.
Le Model Context Protocol, ou MCP, est la norme qui vient combler ce fossé. Ce guide explique ce qu’est MCP, comment les serveurs et les clients interagissent, et ce que ce protocole change pour vos workflows de planification et de finance. Il s’adresse aux responsables Finance, FP&A, RevOps et systèmes d’entreprise, quel que soit leur niveau de connaissances techniques. Il s’agit du premier volet de notre série de trois articles consacrée à l’interconnectivité de l’IA.

Qu’est-ce que le Model Context Protocol (MCP) ?

MCP est une norme ouverte qui permet aux applications d’IA de se connecter à des systèmes externes, tels que vos données et vos outils, au moyen d’un protocole commun, plutôt que de nécessiter une intégration sur mesure pour chacun d’entre eux. On peut le comparer à l’USB-C : un seul port permet de connecter de nombreux appareils, sans avoir besoin d’un câble différent pour chaque écran, disque dur ou chargeur.
MCP a été créé par Anthropic, puis mis à la disposition de tous. Le 25 novembre 2024, Anthropic a publié MCP en open source, le présentant comme « une nouvelle norme permettant de connecter les assistants IA aux systèmes dans lesquels résident les données, notamment les référentiels de contenu, les outils métiers et les environnements de développement ».
Pour les professionnels de la planification, une expression est particulièrement importante : « les systèmes dans lesquels résident les données ». Cela inclut vos systèmes de planification, de prévision et de finance. Un assistant IA peut ainsi accéder à vos budgets, à vos prévisions et à vos modèles comme il le ferait avec n’importe quelle autre source connectée.

Pourquoi MCP est important pour la planification d’entreprise

Avant MCP, chaque outil d’IA avait besoin de son propre connecteur sur mesure pour chaque source de données. Avec dix outils et dix systèmes, il peut donc être nécessaire de développer et de maintenir une centaine d’intégrations distinctes. Ce phénomène, souvent appelé le problème « N×M », maintient les données de planification cloisonnées et prive l’IA des informations dont elle a besoin.
Cette charge est bien réelle, et les chiffres le confirment. Selon le rapport 2026 de MuleSoft sur la connectivité, fondé sur une enquête menée auprès de 1 050 responsables IT issus de différentes organisations, « une entreprise gère désormais 957 applications en moyenne », alors que « seules 27 % de ces applications sont actuellement connectées ». Ce décalage entre le nombre d’applications et le nombre de connexions illustre précisément le type de silos que MCP vise à réduire.
L’enjeu devient d’autant plus important que les agents IA s’intègrent rapidement aux logiciels d’entreprise. Gartner prévoit que « 40 % des applications d’entreprise intégreront des agents IA spécialisés dans certaines tâches d’ici fin 2026, contre moins de 5 % aujourd’hui ».
Dans le domaine de la finance, une IA qui ne s’appuie pas sur des données fiables représente bien plus qu’un simple désagrément. Un chiffre erroné dans une présentation destinée au conseil d’administration ou dans une prévision peut avoir des conséquences importantes. Si vous découvrez encore la façon dont tous ces éléments s’articulent, notre guide de l’IA appliquée à la planification d’entreprise constitue un excellent point de départ.

Comment fonctionne MCP : serveurs, clients et composants intermédiaires

MCP repose sur un modèle client-serveur simple. Une application d’IA, le client, formule une demande, et un système, le serveur, lui répond. Tous deux utilisent le même protocole commun.
C’est précisément l’intérêt de ce langage partagé. Dès lors qu’un système et une application d’IA prennent tous deux en charge MCP, ils peuvent fonctionner ensemble sans connecteur sur mesure. Les trois sections suivantes présentent chacun des composants.

Les serveurs MCP

Un serveur MCP est un logiciel qui met les données et les actions d’un système à la disposition de l’IA de manière standardisée. Il se place devant une source et définit ce qu’une application d’IA est autorisée à consulter et à faire.
Dans le domaine de la planification, imaginons par exemple un serveur qui donne à un assistant IA accès à des données gouvernées concernant les prévisions, les budgets et les effectifs. L’assistant ne reçoit pas des fichiers bruts qui n’ont pas été vérifiés, mais des chiffres rapprochés auxquels vos équipes font déjà confiance.
C’est là qu’intervient Pigment. Le serveur MCP de Pigment permet de mettre des données de planification gouvernées et tenant compte des droits d’accès à la disposition d’outils d’IA externes. L’assistant travaille ainsi à partir de la réalité de votre entreprise, plutôt que d’un export obsolète.

Les clients et les hôtes MCP

Le client est l’application d’IA qui se connecte aux serveurs et utilise ce qu’ils mettent à sa disposition. Il fonctionne au sein d’un hôte, c’est-à-dire l’application que vous ouvrez réellement, comme un assistant conversationnel ou un espace de travail dédié aux agents.
La relation est de type « un-à-plusieurs ». Un même hôte peut exécuter un client qui communique simultanément avec plusieurs serveurs. Un seul assistant IA peut ainsi extraire des informations de votre système de prévision, de votre CRM et de votre data warehouse par l’intermédiaire de différents serveurs MCP, le tout au même moment.
Par exemple, un responsable RevOps peut poser à un assistant une question au sujet du pipeline. En arrière-plan, le client consulte à la fois un serveur contenant les données commerciales et un serveur de planification, puis fournit une réponse unique construite à partir de ces deux sources.

Outils, ressources et prompts : ce qu’un serveur met à disposition

Un serveur MCP met à disposition trois types d’éléments, appelés « primitives ». MCP les définit comme des outils — des actions contrôlées par le modèle —, des ressources — du contexte en lecture seule contrôlé par l’application — et des prompts — des modèles de workflow contrôlés par l’utilisateur.
Voici ce que chacun d’entre eux signifie pour une équipe de planification.

En résumé, les outils permettent à l’assistant d’effectuer une action, les ressources de consulter des informations et les prompts à un utilisateur de lancer une tâche récurrente en un clic.

Ce que MCP change pour les équipes de planification et de finance

Le protocole est technique, mais les changements qu’il apporte à vos équipes sont très concrets. Voici les trois évolutions les plus importantes.
Des données actuelles comme source de référence : l’IA travaille à partir de chiffres de planification actualisés et rapprochés, plutôt que d’exports obsolètes copiés dans une conversation plusieurs semaines auparavant. Lorsque le plan est mis à jour, l’assistant accède à la version la plus récente.
Un accès tenant compte des autorisations : les droits d’accès appliqués sont ceux de l’utilisateur, en fonction des autorisations déjà définies dans le système source. L’IA ne voit que ce que cette personne est autorisée à consulter. Un responsable régional ne peut donc pas accéder indirectement aux données salariales de toute l’entreprise.
Gouvernance et audit : les données financières restent gouvernées, avec des pistes d’audit qui indiquent quelles informations ont été consultées et à quel moment. C’est essentiel lorsque les auditeurs ou le contrôleur financier cherchent à savoir qui a accédé à quoi.
C’est dans cette direction que Pigment développe son approche de l’IA agentique pour la planification, fondée sur une source unique et gouvernée de données de planification, plutôt que sur des feuilles de calcul dispersées. Pour approfondir le sujet sous l’angle de la finance, notre guide sur l’IA en FP&A présente ces workflows plus en détail.

Cas d’usage de MCP dans la planification d’entreprise

Dès lors que l’IA peut accéder à des données de planification gouvernées par l’intermédiaire de MCP, plusieurs workflows financiers gagnent en rapidité. Voici quatre cas d’usage courants.
Planification par scénarios et prévisions : un assistant peut récupérer les inducteurs actuels, exécuter un scénario et en expliquer les résultats en langage clair. Cette approche se prête particulièrement bien à la planification par scénarios pilotée par l’IA, qui permet de tester rapidement de nombreux résultats possibles.
Analyse des écarts et commentaires de clôture : l’IA compare les données réelles au plan, repère les écarts les plus importants et rédige une première version des commentaires destinés à la clôture mensuelle.
Consolidation des données et maintenance des modèles : l’assistant aide à mettre en correspondance les données provenant de différents systèmes, signale les incohérences, puis indique les parties du modèle qui nécessitent une attention particulière.
Requêtes en langage naturel : un utilisateur formule une question en langage courant, par exemple « Qu’est-ce qui explique la baisse de la marge brute en EMEA au dernier trimestre ? », et reçoit une réponse construite à partir de données actualisées.
Imaginons une responsable FP&A plongée depuis trois jours dans un exercice de reforecasting particulièrement urgent. Elle demande à son assistant de comparer deux scénarios de demande au plan approuvé. En moins d’une minute, celui-ci lui fournit une synthèse des écarts accompagnée d’un court commentaire, directement à partir du modèle gouverné.

Limites et points de vigilance pour les équipes finance

MCP est une norme de connexion, pas une solution miracle. Avant de l’intégrer à un processus de clôture en cours, il est important de comprendre ce qu’il ne fait pas.
Il connecte les systèmes, mais ne rapproche pas les données : MCP transmet les demandes et les réponses entre une application d’IA et un système. Il ne synchronise ni ne rapproche vos données. La fiabilité des chiffres dépend donc toujours de la qualité de la source.
Il peut augmenter la latence : chaque échange entre le client et le serveur prend du temps. Une requête complexe faisant intervenir plusieurs serveurs peut sembler plus lente que la consultation directe d’un rapport.
Ce n’est pas un moteur de sécurité : MCP relaie les droits d’accès, mais les véritables mécanismes de contrôle, comme les autorisations et l’audit, doivent être fournis par les systèmes auxquels il se connecte. Si la gouvernance de la source est insuffisante, MCP ne la corrigera pas.
Pour les équipes finance, le principe à retenir est simple : ne connectez pas l’IA à un processus de clôture en cours tant que les autorisations, le rapprochement des données et les pistes d’audit du système de planification sous-jacent ne sont pas parfaitement maîtrisés.

Quel avenir pour MCP ?

MCP est en train de passer du statut de concept émergent à celui de norme partagée. Le 9 décembre 2025, Anthropic indiquait que l’on comptait désormais plus de 10 000 serveurs MCP actifs, « couvrant aussi bien les outils destinés aux développeurs que les déploiements au sein d’entreprises du Fortune 500 ». Anthropic a également fait don de MCP à l’Agentic AI Foundation de la Linux Foundation, cofondée avec OpenAI et Block, afin d’en confier la gouvernance à une organisation neutre.
L’adoption est large, mais n’en est encore qu’à ses débuts. Dans l’enquête 2025 de McKinsey, menée auprès de 1 993 répondants, « 62 % des personnes interrogées déclarent que leur organisation expérimente au moins les agents IA », même si le passage à l’échelle au-delà de ces expérimentations reste encore limité.
Cet article a présenté MCP, ainsi que le rôle des serveurs et des clients. Les deux prochains volets de la série vont plus loin : « MCP vs API » compare MCP aux interfaces que vous utilisez déjà, tandis que « MCP vs A2A » s’intéresse à la façon dont les agents communiquent entre eux.

Conclusion

MCP est une norme de connexion commune. Les serveurs mettent à disposition des données et des actions, les clients les utilisent, et tous deux communiquent au moyen du même protocole, ce qui évite d’avoir à multiplier les connecteurs sur mesure.
Pour les équipes de planification, le véritable changement réside dans la possibilité d’utiliser une IA fiable, qui s’appuie sur des données actualisées, gouvernées et accessibles selon les autorisations de chacun, plutôt que sur des exports obsolètes. C’est toute la différence entre un assistant qui se contente de deviner et un assistant sur lequel votre contrôleur financier peut réellement compter.
Cette dynamique est confirmée par les chiffres. Dans son enquête 2025 auprès de dirigeants, PwC indique que « 88 % des répondants prévoient d’augmenter les budgets consacrés à l’IA au sein de leur équipe ou de leur fonction au cours des douze prochains mois, en raison de l’essor de l’IA agentique ». Pour découvrir concrètement une IA fondée sur des données de planification gouvernées, demandez une démonstration.