Moment de timidité : analyse des sept contradictions structurelles du protocole MCP dans la collaboration en IA

J’ai appris que cette analyse des difficultés concernant le MCP est très pertinente, touchant directement au cœur du problème, révélant que la mise en œuvre du MCP est longue et difficile. Je vais donc développer un peu plus :

1. Le problème de l’explosion des outils est réel : la norme du protocole MCP a conduit à une prolifération d’outils connectables. Les LLM ont du mal à sélectionner et à utiliser efficacement autant d’outils, et aucun AI ne peut maîtriser simultanément tous les domaines spécialisés, ce n’est pas un problème que le nombre de paramètres peut résoudre.

2. Description du fossé documentaire : il existe encore un grand écart entre la documentation technique et la compréhension de l’IA. La plupart des documents API sont rédigés pour les humains, pas pour l’IA, et manquent de descriptions sémantisées.

3. La faiblesse de l’architecture à double interface : MCP, en tant que middleware entre LLM et les sources de données, doit à la fois traiter les demandes en amont et transformer les données en aval, ce qui rend cette conception d’architecture intrinsèquement insuffisante. Lorsque les sources de données explosent, il est presque impossible d’avoir une logique de traitement unifiée.

4. Les structures de retour varient énormément : l’absence de normes uniformes entraîne une confusion dans les formats de données, ce qui n’est pas un simple problème d’ingénierie, mais le résultat d’un manque de collaboration au sein de l’industrie, nécessitant du temps.

5. Fenêtre contextuelle limitée : peu importe à quelle vitesse la limite de tokens augmente, le problème de surcharge d’informations demeure. MCP génère une multitude de données JSON qui occupe beaucoup d’espace contextuel, compressant ainsi la capacité de raisonnement.

6. Aplatir les structures imbriquées : les structures d’objets complexes perdent leur hiérarchie dans la description textuelle, ce qui rend difficile pour l’IA de reconstruire les relations entre les données.

7. La difficulté de la connexion de plusieurs serveurs MCP : “Le plus grand défi est qu’il est complexe de chaîner les MCP ensemble.” Cette difficulté n’est pas sans fondement. Bien que le MCP soit un protocole standard unifié, les implémentations concrètes des serveurs varient d’une entreprise à l’autre, l’un gérant des fichiers, l’autre se connectant à des API, et un autre encore manipulant des bases de données… Lorsque l’IA doit collaborer entre serveurs pour accomplir des tâches complexes, c’est aussi difficile que d’essayer de forcer des LEGO, des blocs et des plaques magnétiques à s’emboîter ensemble.

8. L’émergence de l’A2A n’est que le début : le MCP n’est qu’une étape primaire de la communication AI-à-AI. Un véritable réseau d’agents AI nécessite des protocoles de collaboration et des mécanismes de consensus de niveau supérieur, l’A2A n’est peut-être qu’une excellente itération.

C’est tout.

Ces problèmes reflètent en fait la douleur liée à la transition de l’IA d’une “bibliothèque d’outils” à un “écosystème IA”. L’industrie en est encore à la phase primaire de simplement donner des outils à l’IA, plutôt que de construire une véritable infrastructure de collaboration en IA.

Il est donc nécessaire de désenchanter MCP, mais il ne faut pas non plus sous-estimer sa valeur en tant que technologie de transition.

Bienvenue dans le nouveau monde.