Introduction
Un chatbot répond. Un workflow agit. Entre les deux, il manque une chose essentielle : la connexion contrôlée aux outils, données et systèmes métier.
C’est là que MCP et les connecteurs deviennent importants. MCP, pour Model Context Protocol, est documenté comme un standard open source permettant de connecter des applications IA à des systèmes externes : fichiers locaux, bases de données, moteurs de recherche, outils, workflows ou prompts spécialisés.
Mais connecter une IA à des outils ne suffit pas. Sans permissions, validations, logs et preuves, l’automatisation peut devenir un risque. Le bon objectif n’est pas de tout automatiser le plus vite possible. Le bon objectif est de construire un workflow où chaque action utile est possible, contrôlée et réversible quand elle doit l’être.
Chatbot, agent, workflow : la différence
Un chatbot fonctionne surtout en conversation. Il lit votre demande et répond. Un agent peut choisir des outils, lire du contexte, appeler une API ou exécuter une tâche. Un workflow métier va plus loin : il définit une séquence utile pour atteindre un résultat business.
Exemple :
| Niveau | Exemple | Risque principal |
|---|---|---|
| Chatbot | Résumer une page | Réponse fausse ou incomplète |
| Agent | Lire une page, appeler un outil, proposer une action | Mauvais outil ou mauvaise donnée |
| Workflow | Générer, vérifier, faire valider, planifier, mesurer | Effet de bord si les permissions sont mal gérées |
Un workflow métier doit donc inclure une logique de preuve. L’IA ne doit pas seulement dire qu’elle a fait. Elle doit montrer ce qui est vu, ce qui est prouvé, ce qui manque et quelle action reste bloquée.
Ce que MCP apporte
La documentation MCP présente le protocole comme un standard pour connecter des applications IA à des systèmes externes. L’analogie officielle utilise l’image d’un port USB-C pour applications IA : une façon standardisée de brancher des outils et données.
Concrètement, MCP peut servir à exposer :
- Des fichiers ou dossiers.
- Une base de données.
- Un outil de tickets.
- Un CRM.
- Un moteur de recherche interne.
- Un outil de design.
- Un workflow spécialisé.
Ce que MCP ne résout pas seul :
- La gouvernance des permissions.
- La qualité des données.
- La validation humaine.
- Les risques de prompt injection.
- La preuve qu’une action live est autorisée.
Connecteurs et remote MCP servers
OpenAI documente les connecteurs et remote MCP servers dans le contexte de la Responses API. Les connecteurs sont présentés comme des wrappers maintenus pour des services populaires. Les remote MCP servers peuvent être des serveurs publics qui implémentent MCP.
Point critique : la documentation insiste sur le fait qu’un remote MCP server doit être digne de confiance, car un serveur malveillant peut exfiltrer des informations présentes dans le contexte du modèle. Les approvals servent à garder le contrôle sur ce qui est partagé avec un outil.
Ce point est central pour WG : aucune automatisation externe ne doit être lancée sans preuve des permissions, du contexte, de l’écran ou de l’API, et sans GO explicite si l’action modifie, publie, supprime ou déploie.
Schéma d’un workflow contrôlé
Utilisateur
-> Objectif clair
-> Agent IA
-> Liste des outils autorisés
-> Approval si action sensible
-> Appel outil / MCP / API
-> Résultat brut
-> Vérification preuve
-> Action ou blocage documentéVersion dashboard :
| Étape | Question de contrôle | Statut attendu |
|---|---|---|
| Objectif | Quel résultat business ? | Clair |
| Données | Quelle source ? | Prouvée ou non prouvée |
| Outil | Quel connecteur/API ? | Autorisé |
| Permission | Lecture ou modification ? | Réversible ou GO |
| Exécution | Que fait l’agent ? | Loggable |
| Preuve | Quelle sortie vérifiée ? | Stockée |
| Mesure | Quel event ou résultat ? | À instrumenter |
Les bons cas d’usage
MCP et les connecteurs deviennent utiles quand l’IA doit travailler avec des données ou outils existants :
- Lire un brief et ouvrir une tâche interne.
- Auditer un contenu et produire une checklist.
- Connecter un dashboard à des sources prouvées.
- Récupérer des données GSC/GA4 en lecture seule.
- Préparer une publication mais attendre validation humaine.
- Analyser un upload ou un fichier sans le modifier.
Le mauvais cas d’usage : connecter directement l’agent à des outils de publication ou de paiement sans validation, sans logs et sans rollback.
Méthode WG pour un workflow contrôlé
Avant de brancher un outil, WG doit répondre à sept questions :
- Quelle action exacte l’agent peut-il faire ?
- Est-ce lecture seule ou modification ?
- Quelle permission prouve cette capacité ?
- Quelle donnée sensible peut entrer dans le contexte ?
- Quelle preuve sera stockée après action ?
- Quel rollback existe si l’action échoue ?
- Quel event permettra de mesurer le résultat ?
Sans ces réponses, on reste au stade prototype.
Aller plus loin
Sources officielles vérifiées
Sources revérifiées le 2026-05-20 avant publication.
- https://modelcontextprotocol.io/docs/getting-started/intro
- https://developers.openai.com/api/docs/guides/tools-connectors-mcp
- https://code.claude.com/docs/en/overview
Note : les prix, noms de modèles et fonctions IA peuvent évoluer. Les sources officielles doivent être revérifiées avant toute décision budgétaire ou technique.