La prochaine bataille du SaaS se joue au-dessus de MCP

Le Model Context Protocol offre à l’IA un moyen commun de se connecter aux logiciels d’entreprise. Vrushali Paunikar, directrice des produits chez Carta, estime que le véritable défi consiste à décider de ce qui se passe une fois la connexion établie et de la part du travail qu’il convient de confier au modèle de langage.

Au cours de l’année écoulée, le Model Context Protocol est passé du statut de norme technique relativement méconnue à celui de l’une des idées les plus prometteuses de l’IA d’entreprise.

MCP offre aux applications d’IA un moyen standard de se connecter à des logiciels externes, d’accéder à des données et d’effectuer des actions. Au lieu que chaque éditeur de logiciels crée une interface sur mesure pour chaque modèle d’IA, MCP fournit un langage commun.

Voyez MCP comme la prise électrique dans un mur. C’est une norme commune qui permet à n’importe quel appareil de se brancher et d’être alimenté. C’est formidable parce qu’elle est ouverte et fonctionne partout, mais une prise ne fait rien à elle seule. Il vous faut toujours un appareil.

Je pense qu’avec le recul, nous considérerons l’enthousiasme actuel pour MCP un peu comme nous voyons aujourd’hui l’essor des API. Elles ont posé des bases essentielles et transformé la manière de concevoir les logiciels. Mais, avec le temps, la connectivité est devenue une infrastructure attendue plutôt que le produit lui-même.

Une grande partie du secteur du SaaS traite actuellement la connectivité de l’IA comme s’il s’agissait d’un produit achevé. Il suffirait de créer un serveur MCP, de rendre accessibles les bons outils et les bonnes données, puis de laisser le modèle s’occuper du reste.

Pour certains cas d’usage, cela suffit. Pour de nombreux processus de travail en entreprise, notamment dans la finance, ce n’est pas le cas.

MCP s’impose au niveau de la connexion

La standardisation transforme déjà la manière dont les applications d’IA interagissent avec les logiciels. MCP est pris en charge par un nombre croissant de grandes plateformes d’IA. Il devient donc de plus en plus réaliste pour les utilisateurs de travailler avec les mêmes systèmes sous-jacents, quelle que soit l’interface d’IA qu’ils préfèrent.

Mais si l’interopérabilité résout le problème de l’accès, elle n’indique pas au modèle comment effectuer le travail.

Je consacre une grande partie de mon temps à réfléchir aux logiciels utilisés par les investisseurs des marchés privés et les équipes financières, un domaine où cette distinction apparaît particulièrement clairement.

Donnez, par exemple, à un système d’IA accès aux données de performance et de portefeuille d’un fonds privé : plusieurs méthodes pourront alors permettre de répondre à ce qui semble être une question simple.

Une méthode pourrait faire appel au calcul approprié. Une autre pourrait prendre un raccourci. Une troisième pourrait mal comprendre la demande de l’utilisateur.

L’utilisateur se retrouve alors à devoir être à la fois analyste, spécialiste de la rédaction de requêtes et responsable du contrôle qualité. Ce n’est pas l’expérience sans friction qui avait été promise.

Le produit doit aussi avoir un avis

C’est là que le niveau suivant de la pile devient intéressant. Si MCP constitue la couche de connexion, les extensions et les compétences se situent au-dessus : elles indiquent à l’agent comment utiliser cette connexion pour accomplir une tâche précise.

Au lieu de simplement exposer des données et des fonctions à un modèle, elles peuvent y associer des instructions, des processus de travail, des calculs déterministes et des interfaces.

Parfois, cela peut consister à suivre une séquence d’actions définie. Parfois, il peut s’agir d’exécuter un calcul déterministe ou un script plutôt que de demander à un grand modèle de langage de trouver la réponse. Dans d’autres cas, le résultat final peut être un tableur, un rapport ou une petite application conçus spécialement pour ce processus de travail.

L’expertise réside dans le produit, au lieu d’être entièrement laissée au modèle.

Les faits montrent que cette combinaison fonctionne. Google a récemment testé un agent de programmation fondé sur l’IA, capable d’accéder à sa documentation technique par MCP, puis lui a fourni des instructions supplémentaires adaptées à la tâche, expliquant comment exploiter au mieux ces informations. En associant la connexion à ces instructions, l’agent a obtenu un taux de réussite de 96,3 % lors de l’évaluation de Google, tout en utilisant 63 % de jetons en moins par réponse correcte qu’avec des requêtes standard.

Pour les entreprises du SaaS, cela déplace le lieu où se situe la différenciation. Si chaque application peut exposer ses données au moyen de la même norme ouverte, l’accès lui-même devient moins distinctif. Savoir transformer cet accès en un résultat fiable prend davantage de valeur.

Toutes les tâches ne doivent pas être confiées au modèle

Les grands modèles de langage sont des systèmes probabilistes. La souplesse qui les rend utiles pour la rédaction, l’exploration et le raisonnement est moins appréciable dans les processus de travail où la précision et la reproductibilité comptent. La finance en est un bon exemple : si quelqu’un s’attend à obtenir chaque fois le même résultat à partir du même calcul, les variations deviennent rapidement problématiques.

Depuis des décennies, les logiciels financiers évoluent dans la direction opposée. Les pistes d’audit, les autorisations, les calculs normalisés et les processus reproductibles existent parce que la cohérence a de la valeur.

L’IA ne devrait pas écarter ces enseignements. Les meilleurs produits d’IA d’entreprise sauront quand laisser un modèle raisonner et quand lui imposer des contraintes. Les systèmes probabilistes sont adaptés lorsque le jugement et l’interprétation sont utiles. Les outils déterministes sont plus indiqués lorsque la précision et la reproductibilité sont nécessaires.

Le même principe s’applique partout où le coût d’une réponse erronée est élevé.

Où se jouera ensuite la différenciation des logiciels SaaS

La couche qui se construit au-dessus de MCP est encore bien moins stabilisée que MCP lui-même.

Différentes approches des plug-ins et des compétences ont vu le jour, mais des efforts sont déjà en cours pour les rendre plus facilement portables d’une plateforme d’IA à l’autre, plutôt que de les enfermer dans un seul écosystème.

Les entreprises SaaS devront tout de même faire des choix avant que toutes les normes soient établies. Elles l’ont toujours fait.

L’autre possibilité consiste à exposer une interface et à laisser les clients assembler eux-mêmes l’expérience.

L’IA pourrait suivre la même voie. Connecter un agent à un logiciel d’entreprise devient de plus en plus facile, mois après mois. L’avantage résidera de plus en plus dans ce qui vient ensuite : les flux de travail, les contrôles et l’expertise du domaine qui indiquent à l’agent comment transformer cet accès en un résultat fiable.