MCP, c'est compatible avec quels modèles ?

En 2026 : Claude (natif), GPT-4o et GPT-5 (depuis fin 2025), Mistral Large (début 2026), Gemini 2 (limité). Modèles open-source via Ollama partiellement. Pour PME, principalement pertinent avec Claude et GPT.

Comment sécuriser les outils qui modifient mes données ?

Trois niveaux : (1) Permissions par outil, ne donner que le strict nécessaire. (2) Validation humaine (HITL) sur actions critiques. (3) Logs et audit pour tracer chaque appel. Ces 3 couches éliminent 99% des risques.

L'agent peut-il créer ses propres outils dynamiquement ?

Oui, tool creation ou code execution. Avec un outil execute_code, l'agent peut écrire et exécuter du Python. Comme Code Interpreter ChatGPT ou computer use Anthropic. Très puissant mais risqué, à réserver aux cas avancés avec sandbox.

Quel est le coût d'un appel d'outil ?

L'appel lui-même : pas de coût LLM direct. Coût vient du LLM qui lit les descriptions et résultats (tokens), et du service externe appelé. Optimiser descriptions et tronquer gros résultats est crucial.

Si n8n n'a pas le nœud dont j'ai besoin ?

Trois options : (1) HTTP Request universel pour n'importe quelle API, suffit pour 90% des cas. (2) Code node JavaScript custom. (3) Nœud custom TypeScript pour besoins récurrents. 95% : HTTP Request ou Code suffisent.

Chapitre 4 : Outils (tools) pour agents IA

1. Qu'est-ce qu'un "outil" pour un agent ?

Un outil (ou tool, ou function) est une fonction que l'agent peut appeler pour effectuer une action concrète. Le LLM ne fait pas l'action lui-même : il décide qu'il faut appeler tel outil avec tels paramètres, le système exécute, et le résultat revient au LLM.

Pour qu'un outil soit utilisable par un agent, il doit avoir trois éléments :

Un nom court et explicite (ex : send_email, search_crm)
Une description claire de ce qu'il fait, en langage naturel (le LLM lit cette description pour décider quand l'utiliser)
Des paramètres typés (ex : destinataire = string, sujet = string, contenu = string)

Quand l'agent veut utiliser cet outil, il produit un appel structuré (souvent en JSON) :

EXEMPLE D'APPEL

{
  "tool": "send_email",
  "parameters": {
    "destinataire": "client@exemple.fr",
    "sujet": "Suivi de votre commande",
    "contenu": "Bonjour, votre commande #1234..."
  }
}

Le système exécute, récupère le résultat (ex : {"status": "sent", "message_id": "abc123"}) et le renvoie au LLM, qui peut alors continuer son raisonnement.

2. Mécanisme 1 : Function calling natif

Le function calling natif est le mécanisme standard intégré dans les API des grands modèles : OpenAI (depuis juin 2023), Anthropic (depuis mai 2024), Google (Gemini), Mistral.

Comment ça marche

Lors de l'appel API au modèle, vous passez la liste des outils disponibles dans un format JSON Schema. Le modèle "voit" ces outils et peut les appeler dans sa réponse.

DÉCLARATION D'UN OUTIL (anthropic)

{
  "name": "send_email",
  "description": "Envoie un email via Gmail.
    Utiliser pour communications client/prospect.",
  "input_schema": {
    "type": "object",
    "properties": {
      "to": {"type": "string", "description": "Email destinataire"},
      "subject": {"type": "string", "description": "Sujet"},
      "body": {"type": "string", "description": "Corps HTML"}
    },
    "required": ["to", "subject", "body"]
  }
}

Avantages

Standard : tous les grands modèles le supportent
Performant : optimisé par les fournisseurs, le modèle "comprend" bien quand utiliser quoi
Bien documenté : tutos, exemples, frameworks (LangChain, LlamaIndex, etc.)

Limites

Vous devez coder vous-même l'exécution de chaque outil (du Python ou JavaScript)
Pas adapté aux PME sans équipe technique
Réinvention de la roue : vous recodez à chaque fois la connexion à Gmail, Slack, etc.

3. Mécanisme 2 : MCP (Model Context Protocol)

MCP est un protocole ouvert lancé par Anthropic en novembre 2024, devenu standard de facto en 2026. Adopté par OpenAI, Google, Microsoft, et la majorité des éditeurs SaaS.

L'idée : standardiser la façon dont les agents IA se connectent à des sources de données et des outils. Au lieu de recoder l'intégration à Gmail, Slack, GitHub, Notion à chaque fois, vous installez un "serveur MCP" qui expose ces outils de façon standardisée.

L'écosystème MCP en 2026

En avril 2026, on compte plus de 500 serveurs MCP officiels ou communautaires :

Productivité : Gmail, Outlook, Google Calendar, Notion, Linear, Asana, Trello
Communication : Slack, Discord, Microsoft Teams, WhatsApp Business
Développement : GitHub, GitLab, Sentry, Datadog
Bases de données : Postgres, MySQL, MongoDB, Supabase, Airtable
CRM/ERP : HubSpot, Salesforce, Pipedrive, Pennylane, Sage
Outils marketing : Brevo, Mailchimp, ActiveCampaign
Cloud : AWS, GCP, Azure (lecture/action)

Comment utiliser MCP

Pour la majorité des PME, le plus simple est d'utiliser Claude Code ou Claude Desktop qui ont une intégration MCP native :

Vous installez un serveur MCP (souvent une seule commande)
Vous configurez vos identifiants (token GitHub, clé Stripe, etc.)
L'agent voit automatiquement tous les outils disponibles
Il peut les utiliser sans configuration supplémentaire

Pour n8n, il existe un nœud "MCP Client" depuis fin 2025 qui permet à un agent n8n d'utiliser n'importe quel serveur MCP.

Pourquoi MCP change tout

Avant MCP : intégrer un nouvel outil à un agent = 1 à 5 jours de développement + maintenance continue.

Avec MCP : intégrer un nouvel outil = 5 à 30 minutes de configuration. Et la maintenance est gérée par le serveur MCP open-source ou officiel.

Pour les TPE et PME, c'est l'évolution la plus importante de 2025-2026 dans l'écosystème agents IA.

4. Mécanisme 3 : Webhooks

Un webhook est simplement une URL qui reçoit des requêtes HTTP. C'est le mécanisme le plus simple et le plus universel pour qu'un agent déclenche une action externe.

Comment ça marche

Vous donnez à l'agent un outil call_webhook(url, data). Quand il l'utilise, votre système (typiquement n8n, Make, Zapier, ou un endpoint custom) reçoit la requête et exécute ce que vous avez défini.

Cas d'usage typiques

Déclencher un workflow n8n qui fait des actions complexes (multiple appels API enchaînés)
Notifier un système externe (Slack, Discord, Telegram)
Mettre à jour une base de données via une API custom
Déclencher un déploiement ou tout autre action métier propriétaire

Avantages

Universel : tous les systèmes acceptent des webhooks HTTP
Découplage : l'agent ne sait pas ce que fait le webhook, il sait juste qu'il a réussi ou échoué
Flexible : vous pouvez changer ce que fait le webhook sans modifier l'agent

Limites

Vous devez héberger les webhooks quelque part (n8n, un VPS, etc.)
Pas standardisé comme MCP : chaque webhook a son propre contrat
Sécurité à gérer (auth, rate limiting, validation des payloads)

5. Mécanisme 4 : Nœuds n8n comme outils

Pour les TPE et PME qui travaillent en no-code, l'approche la plus pragmatique est d'utiliser n8n. Chaque nœud n8n peut devenir un outil pour votre agent, sans coder.

Comment ça marche dans n8n

n8n a un nœud "AI Agent" qui implémente nativement le pattern ReAct. Vous lui connectez :

Un modèle (OpenAI, Anthropic, Mistral via leur API)
Une mémoire (optionnelle : Postgres, Redis, in-memory)
Des outils : ce sont d'autres nœuds n8n taggés comme "tools"

Chaque outil-nœud a :

Un nom (ex : get_invoice)
Une description qui sera lue par le LLM
Des paramètres que le LLM remplit dynamiquement

Le LLM décide d'appeler l'outil-nœud. n8n exécute le nœud. Le résultat retourne au LLM. C'est aussi simple que ça.

Exemples de nœuds-outils n8n

Catégorie	Nœuds disponibles comme outils
Email	Gmail, Outlook, IMAP, SMTP, Brevo
Messagerie	Slack, Discord, Teams, WhatsApp, Telegram
CRM	HubSpot, Salesforce, Pipedrive, Zoho
Notion/Docs	Notion, Google Docs, Microsoft Word, Confluence
Bases de données	Postgres, MySQL, MongoDB, Supabase, Airtable
Calendrier	Google Calendar, Outlook Calendar, Cal.com
HTTP générique	HTTP Request (n'importe quelle API)
Custom	Code (JavaScript ou Python pour logique métier spécifique)

Avec ces nœuds, vous pouvez construire la majorité des agents pour PME sans une seule ligne de code.

6. L'art de bien décrire un outil

La description de l'outil est la pièce la plus critique. Le LLM ne voit que ça pour décider quand l'utiliser. Une description floue = un outil mal utilisé. Une description précise = un agent fiable.

Anti-modèle : description vague

❌ MAUVAIS

name: get_data
description: "Récupère des données"

L'agent va appeler ça à tort et à travers, ne saura pas quels paramètres passer, et obtiendra des erreurs.

Bon modèle : description précise et orientée usage

✅ BON

name: get_invoice_details
description: "Récupère le détail d'une facture client
  par son numéro. Utiliser quand l'utilisateur
  demande des informations spécifiques sur une
  facture (montant, statut, échéance, articles).
  NE PAS utiliser pour rechercher plusieurs
  factures (utiliser search_invoices à la place).
  Retourne : numéro, client, montant TTC, statut
  (paid/pending/overdue), date émission, échéance,
  liste des articles."
parameters:
  invoice_number: "Numéro exact de la facture
    (format : INV-YYYY-NNNN, ex: INV-2026-0042)"

Les 5 règles d'une bonne description

Verbe d'action clair en première position : "Envoie", "Récupère", "Crée", "Met à jour", "Supprime"
Quand l'utiliser (cas typiques d'usage)
Quand NE PAS l'utiliser (cas piège, alternative à privilégier)
Ce que ça retourne (format précis du résultat)
Format précis des paramètres (avec exemples concrets si format spécifique)

Comptez 3 à 8 lignes par outil. Si vous écrivez 1 phrase, vous laissez le LLM improviser. Si vous écrivez 30 lignes, vous saturez son contexte. Le sweet spot est entre les deux.

7. Cinq erreurs classiques avec les outils

Erreur 1 : Trop d'outils

Donner 30 outils à un agent = il en utilise mal la moitié. Maximum 5 à 10 outils par agent. Sinon, multi-agents.

Erreur 2 : Outils redondants

Avoir get_user, fetch_user et retrieve_user qui font tous la même chose : l'agent hésite, choisit aléatoirement. Un seul outil par fonction.

Erreur 3 : Pas de gestion d'erreur

Si l'outil échoue (API down, paramètres invalides), il faut renvoyer un message d'erreur clair au LLM, pas juste un crash. Sinon, l'agent ne sait pas que ça a échoué et continue comme si de rien n'était.

BON FORMAT D'ERREUR

{
  "success": false,
  "error_code": "INVOICE_NOT_FOUND",
  "message": "Aucune facture trouvée avec le numéro
    INV-2026-9999. Vérifier le numéro et réessayer."
}

Erreur 4 : Outils non-déterministes

Si send_email retourne des choses différentes à chaque appel sans raison, le LLM ne peut pas raisonner correctement. Les outils doivent être prédictibles : mêmes paramètres → même résultat (sauf bien sûr quand c'est une recherche temporelle).

Erreur 5 : Paramètres mal typés

Demander une "date" sans préciser le format ("2026-04-30" ou "30/04/2026" ou "30 avril 2026" ?) crée des erreurs aléatoires. Précisez TOUJOURS le format attendu dans la description du paramètre, idéalement avec un exemple.

8. Combinaisons recommandées par stack

Selon votre situation technique, voici les recommandations d'AzenFlow :

Stack	Mécanisme recommandé	Pourquoi
PME no-code, démarrage	n8n nœuds-outils	Le plus simple, pas de code, déploiement rapide
PME tech avec Claude Code	MCP servers	Intégrations massives sans coder
Agent custom Python/JS	Function calling natif	Standard, performant, plein contrôle
Multi-systèmes legacy	Webhooks + n8n orchestrateur	Découple agent et systèmes anciens

Pour 80 % des TPE et PME françaises qu'on accompagne, on recommande la combinaison n8n auto-hébergé sur Hostinger France + nœuds-outils + serveurs MCP via le nœud MCP Client. Ça donne le meilleur ratio simplicité / puissance / souveraineté.

9. À retenir avant le chapitre suivant

Un outil = nom + description + paramètres typés. Le LLM décide quand l'appeler.
4 mécanismes : function calling natif, MCP, webhooks, nœuds n8n
MCP est devenu standard en 2026 : 500+ serveurs, intégration sans coder
Pour les PME no-code : n8n + nœuds-outils + MCP Client = combo gagnant
La description fait tout : 3 à 8 lignes par outil, avec quand utiliser, quand NE PAS, ce que ça retourne
5 erreurs classiques : trop d'outils, redondance, pas d'erreurs claires, non-déterminisme, paramètres mal typés

Au chapitre 5, on plonge dans la mémoire : court terme, long terme, vectorielle (RAG). Comment faire en sorte que votre agent se souvienne et apprenne au fil du temps.

Outils.
Connecter l'agent au
monde réel.

1. Qu'est-ce qu'un "outil" pour un agent ?

2. Mécanisme 1 : Function calling natif

Comment ça marche

Avantages

Limites

3. Mécanisme 2 : MCP (Model Context Protocol)

L'écosystème MCP en 2026

Comment utiliser MCP

Pourquoi MCP change tout

4. Mécanisme 3 : Webhooks

Comment ça marche

Cas d'usage typiques

Avantages

Limites

5. Mécanisme 4 : Nœuds n8n comme outils

Comment ça marche dans n8n

Exemples de nœuds-outils n8n

6. L'art de bien décrire un outil

Anti-modèle : description vague

Bon modèle : description précise et orientée usage

Les 5 règles d'une bonne description

7. Cinq erreurs classiques avec les outils

Erreur 1 : Trop d'outils

Erreur 2 : Outils redondants

Erreur 3 : Pas de gestion d'erreur

Erreur 4 : Outils non-déterministes

Erreur 5 : Paramètres mal typés

8. Combinaisons recommandées par stack

9. À retenir avant le chapitre suivant

Sur les outils.

Audit stack et outils en 45 min.

Outils. Connecter l'agent au monde réel.

1. Qu'est-ce qu'un "outil" pour un agent ?

2. Mécanisme 1 : Function calling natif

Comment ça marche

Avantages

Limites

3. Mécanisme 2 : MCP (Model Context Protocol)

L'écosystème MCP en 2026

Comment utiliser MCP

Pourquoi MCP change tout

4. Mécanisme 3 : Webhooks

Comment ça marche

Cas d'usage typiques

Avantages

Limites

5. Mécanisme 4 : Nœuds n8n comme outils

Comment ça marche dans n8n

Exemples de nœuds-outils n8n

6. L'art de bien décrire un outil

Anti-modèle : description vague

Bon modèle : description précise et orientée usage

Les 5 règles d'une bonne description

7. Cinq erreurs classiques avec les outils

Erreur 1 : Trop d'outils

Erreur 2 : Outils redondants

Erreur 3 : Pas de gestion d'erreur

Erreur 4 : Outils non-déterministes

Erreur 5 : Paramètres mal typés

8. Combinaisons recommandées par stack

9. À retenir avant le chapitre suivant

Sur les outils.

Audit stack et outils en 45 min.

Outils.
Connecter l'agent au
monde réel.