Le protocole Model Context Protocol (MCP) s’impose rapidement comme l’un des piliers de l’écosystème de l’IA agentique. Conçu comme un moyen standard permettant aux agents d’IA d’interagir avec des outils, des API et des systèmes externes, MCP promet une interopérabilité sûre et évolutive.
Il est donc facile de comprendre pourquoi les principaux concepteurs de modèles et certaines des plus grandes entreprises mondiales soutiennent MCP en tant que norme d’interaction pour les agents. Mais malgré tous ses avantages, MCP cherche peut-être à résoudre le mauvais problème au mauvais niveau d’abstraction.
En encadrant strictement le comportement des agents au moyen de parcours et d’interfaces rigides, MCP privilégie la sécurité, mais au détriment de la flexibilité, de l’adaptabilité et, paradoxalement, d’une supervision efficace. En d’autres termes, il pousse trop loin les exigences de sécurité, au risque de limiter l’utilité des agents d’IA sans pour autant contribuer réellement à réduire les risques dans des environnements dynamiques.
Ce que MCP fait bien
MCP représente une avancée en matière de sécurité de l’IA. Il offre aux agents d’IA un moyen structuré et transparent d’appeler des outils via des API, en définissant clairement les interfaces et les autorisations. C’est essentiel dans un monde où l’on attend de plus en plus des agents qu’ils effectuent des actions telles que déclencher des workflows, transférer de l’argent ou écrire du code.
Considérez-le comme l’équivalent, au niveau du protocole, du principe du moindre privilège : les agents ne peuvent effectuer que les opérations qui leur ont été explicitement autorisées.
Du point de vue de la conception, c’est propre. Du point de vue des risques pour l’entreprise, c’est rassurant. Mais du point de vue de la sécurité dans le monde réel ? C’est incomplet.
Le compromis : des protocoles statiques, des agents dynamiques
MCP fonctionne bien pour les tâches simples et déterministes. Mais à mesure que les agents gagnent en capacités et en autonomie, leurs décisions dépendent davantage du contexte. Ils doivent pouvoir s’adapter à la volée, enchaîner des outils de manière inédite et gérer les situations imprévues sans supervision humaine.
Dans cet environnement, les schémas d’interface statiques et les structures d’autorisation rigides commencent à montrer leurs limites. Ils réduisent la surface d’attaque, mais aussi la capacité de l’agent à raisonner dans le cadre de workflows complexes. En privilégiant la sécurité, MCP peut involontairement réduire les capacités opérationnelles des agents, ainsi que la capacité d’une entreprise à innover.
Plus important encore, cette rigidité masque de véritables failles de sécurité. Ce n’est pas parce qu’un agent est conforme au MCP qu’il se comporte de manière sûre. Par exemple :
- Un agent disposant d’autorisations en lecture seule pourrait tout de même exfiltrer des données par des canaux indirects
- Un appel d’outil à la portée étroitement définie pourrait néanmoins être enchaîné à d’autres pour former une action émergente de plus grande ampleur, avec des conséquences imprévues
- Une requête correctement formulée ne signifie pas que l’agent qui l’effectue dispose du contexte ou du discernement nécessaires pour agir en toute sécurité
La sécurité agentique ne se limite pas à ce que l’agent est autorisé à faire : elle concerne aussi ce qu’il a l’intention de faire et la manière dont il se comporte en contexte.
Le véritable risque ne réside pas seulement dans le protocole, mais dans ce qu’il permet.
MCP introduit un cadre standardisé fondé sur des autorisations pour permettre aux agents d’IA d’agir, mais cela ne garantit pas pour autant que leurs actions soient intrinsèquement sûres. Le protocole peut imposer des limites strictes, mais il ne tient pas compte de la manière dont les agents interprètent le contexte, enchaînent les outils ou se comportent sous pression.
Autrement dit, MCP sécurise la connexion, mais pas ses conséquences. Et c’est cette lacune que les entreprises doivent combler.
Dans la pratique, le risque lié à l’IA ne dépend pas de la capacité d’un agent à appeler une API spécifique. Il dépend de ce qu’il choisit de faire au fil de milliers d’interactions, et de la capacité de vos systèmes à détecter toute dérive de ce comportement et à y réagir.
Voyez au-delà d’un cadre
MCP représente une avancée significative dans la sécurisation des interactions entre agents et outils. Mais il met également en lumière une réalité plus générale : à mesure que les agents gagnent en puissance, les approches traditionnelles de la sécurité au niveau des protocoles risquent de ne plus suffire.
Les dirigeants d’entreprise doivent aller au-delà des cadres de gestion des autorisations. Le comportement des agents, la dérive du contexte, l’utilisation émergente des outils et l’enchaînement des actions exigent de nouvelles approches en matière de supervision et de contrôle. Car le véritable risque ne réside pas dans la poignée de main, mais dans ce qui vient après.
À propos de l’auteur
James White est un ingénieur accompli et un dirigeant d’entreprise qui possède près de vingt ans d’expérience dans le secteur des logiciels d’entreprise.
Autres articles de James WhiteArticles de blog associés
F5 rejoint le projet PQC du NIST pour contribuer à l’élaboration de normes résistantes aux attaques quantiques
En rejoignant le consortium du projet « Migration to PQC » du NIST, F5 contribue à élaborer des recommandations pratiques pour un monde résistant aux menaces quantiques.
La dernière version de F5 Distributed Cloud Bot Defense offre des fonctionnalités et des améliorations de nouvelle génération
Les mises à jour de la console de F5 Distributed Cloud Bot Defense améliorent la gestion des menaces automatisées et l’intégration dans des cadres de sécurité plus larges.
La nouvelle surface de risque liée à l’IA : invisible, autonome et déjà à l’intérieur
James White, vice-président de l’ingénierie chez F5 À mi-parcours de l’année 2025, le moment est bien choisi pour dresser un état des lieux de l’adoption de l’IA en entreprise et de la sécurité de l’IA. L’utilisation de l’IA générative est désormais la norme dans les entreprises De manière générale, les entreprises possèdent au moins une compréhension élémentaire de l’IA générative. Elles savent ce qu’elle est et où elle peut […]
Évaluation des LLM : renforcer la confiance grâce à la notation de sécurité
À mesure que l’adoption de l’IA s’accélère dans les entreprises, l’évaluation des LLM ne porte plus uniquement sur leurs performances, mais aussi sur la confiance qu’ils inspirent. Les équipes de sécurité doivent évaluer non seulement les performances d’un modèle, mais aussi la sûreté de son comportement. Pourtant, la plupart des cadres d’évaluation se concentrent sur des critères de précision, laissant les facteurs de sécurité et de risque dans le flou ou sans mesure.
Évaluer le niveau de préparation de votre organisation à la sécurité de l’IA
Dans un paysage de l’intelligence artificielle (IA) en constante évolution, il est non seulement important, mais impératif de savoir si votre organisation est prête à instaurer et à soutenir une culture de la sécurité de l’IA. À mesure que les technologies d’IA progressent, elles font émerger une multitude de nouveaux défis de sécurité qui, pour être gérés efficacement, exigent une approche réfléchie, globale et proactive […]
Déployer des LLM en entreprise : via une API dans un cloud privé
Pris isolément, sans mesures de protection spécialisées ni protocoles de sécurité en place, le déploiement de modèles d’IA générative (GenAI), en particulier de grands modèles de langage (LLM), à l’échelle de l’entreprise représente pour toute organisation une opportunité à haut risque, mais potentiellement très rentable. La manière précise dont votre organisation doit franchir ce grand pas dans l’univers de la GenAI nécessite une planification mûrement réfléchie. Peut-être serait-il […]