Le Model Context Protocol (MCP) est un protocole ouvert permettant de connecter des modèles d’intelligence artificielle à des outils, des services et des sources de données externes.

Traditionnellement, un grand modèle de langage (LLM) comme ceux utilisés dans les assistants IA possède une excellente capacité à comprendre et générer du texte, mais il ne connaît pas directement les données métiers d’une organisation. Il faut donc lui fournir un contexte, des outils ou des services capables d’enrichir ses réponses.

MCP joue le rôle d’une interface standardisée entre :

Dans cette architecture, l’IA ne se contente plus de générer une réponse : elle peut identifier qu’une action nécessite un service externe, appeler ce service, exploiter son résultat et poursuivre son raisonnement.

Les modèles d’IA générative sont très performants pour analyser du texte, mais le monde réel est profondément spatial.

"Trouve-moi les meilleurs emplacements pour implanter une nouvelle agence bancaire."

Cette demande nécessite potentiellement :

Ou encore :

"Quels sont les bâtiments situés dans une zone inondable à moins de 500 mètres d’une école ?"

Cette question implique :

Sans accès aux capacités SIG, l’agent IA reste limité à une connaissance générale. Avec des services géospatiaux connectés, il devient capable de raisonner sur le lieu.

C’est ce qu’on pourra appeller l'apport du contexte géospatial aux workflows d’IA agentique.

Avec ArcGIS Location Platform, Esri introduit un support MCP permettant aux clients compatibles MCP de découvrir et d’utiliser des services de localisation ArcGIS.

L’objectif est de permettre à un agent IA d’accéder directement à des capacités comme :

La différence majeure est que l’agent n’a pas besoin de connaître en détail les API ArcGIS sous-jacentes.

Il découvre automatiquement les outils disponibles via MCP, comprend leurs capacités et peut les utiliser dans le cadre d’une conversation.

Imaginons un agent connecté à ArcGIS via MCP. Un utilisateur demande : "Je souhaite organiser une intervention terrain demain matin. Quels techniciens sont les plus proches du site et quel est le meilleur itinéraire ?"

L’agent peut :

La valeur ne vient pas uniquement du modèle d’IA. Elle vient de la combinaison  les capacités de compréhension de l'IA générative, l'utilisation de services géospatiaux et le raisonnement spatial sur des données SIG fiables.

Depuis plusieurs années, les systèmes d’information géographique évoluent vers des architectures plus ouvertes :

MCP s’inscrit dans cette évolution mais ajoute une nouvelle dimension : rendre les capacités SIG compréhensibles par les agents IA.

Examinons de plus près la préparation de vos données pour une expérience optimale avec l'application. Commencez par les couches d'entités, actuellement le seul type de couche pris en charge par les agents ArcGIS. Ces couches doivent comporter des métadonnées complètes et des noms explicites pour aider les agents à comprendre leur fonction. Les champs doivent également être dotés d'alias et de descriptions descriptifs afin de fournir un contexte supplémentaire sur les données.

Ces deux exigences peuvent être satisfaites à l'aide de l' assistant Détails de l'élément (bêta), qui génère automatiquement les descriptions des champs et des calques, vous faisant ainsi gagner du temps. Sur la page Détails de l'élément, cliquez sur "Suggérer" pour utiliser l'assistant IA Détails de l'élément (en beta).

Le modèle "Data Explorer" suit les mêmes règles de configuration que les autres modèles Instant Apps. Vous pouvez activer une page de couverture et un panneau d'introduction, organiser les widgets avec le gestionnaire de positions et appliquer un thème pour l'harmoniser avec vos autres applications.

La particularité de la configuration d'une application "Data Explorer" réside dans l'onglet "Data Explorer". Un message vous demandera si les Embeddings ont été générés pour votre carte. Les Embeddings de cartes web sont des représentations vectorielles multidimensionnelles (directement exploitable par le LLM sous-jacent) qui contiennent les titres des couches et les métadonnées des champs de toutes les couches d'entités de la carte web. Ils permettent au modèle d'IA de comprendre le contenu de la carte. Les Eembeddings sont essentiels au fonctionnement de l'application. Si vous devez générer ou régénérer des Embeddings, vous pouvez le faire facilement dans la configuration. Pour plus d'informations sur la génération d'embeddings, consultez la section "Configurer votre carte web pour les applications multi-agents"  de la documentation Esri Developer.

Dans l'onglet "Explorateur de données", vous pouvez également personnaliser l'expérience de la zone de conversation en ajoutant une en-tête, une description, un message de bienvenue et des exemples de questions pour aider les utilisateurs à démarrer.

De plus, au lancement de l'application (une fois publiée), un panneau d'aide s'affiche pour guider les utilisateurs dans l'utilisation du chat. Bien que ce texte ne soit pas configurable pour le moment, l'auteur de l'application peut le désactiver dans les paramètres.

Lorsque vous publiez l'application, un message s'affiche pour confirmer que vous disposez de métadonnées complètes et que vous avez généré les Embeddings :

À l'heure actuelle, les applications Data Explorer (en beta) ne peuvent pas être partagées publiquement, cette option n'est pas disponible ".

Les actions sont des tâches précises que vous pouvez demander à l'assistant d'effectuer, comme « zoomer sur la couche des séismes », « appliquer une requête de définition à la couche des parcelles » ou « ouvrir l'outil de zone tampon ». Dans la version 3.7, l'ensemble des actions disponibles s'est enrichi dans plusieurs domaines d'ArcGIS Pro :

Plus concrètement, quand un utilisateur écrit : “Montre-moi les zones les plus peuplées”, le système ne fait pas une simple recherche textuelle. Il va :

Cette approche introduit également de nouveaux défis :

Au-delà d’une simple évolution technologique, avec l'arrivée de cet assistant et des agents IA sous-jacents dans le SDK ArcGIS Maps for JavaScript et de son équivalent dans ArcGIS Pro, Esri pose les bases d’un SIG agentique :

Cette vision s’inscrit dans une stratégie plus large où les assistants IA se généralisent dans toute la plateforme ArcGIS (Pro, Online, Notebooks, StoryMaps…). Avec l’introduction des Agents IA dans le SDK ArcGIS for JavaScript et dans ArcGIS Pro, la carte devient bien plus qu’une interface visuelle, elle devient conversationnelle, contextuelle et intelligente. Ces changements ouvrent des perspectives intéressantes pour la démocratisation des usages SIG, l'accélération des analyses et l'intégration plus naturelles des cartes dans les workflows métiers.

Un niveau de sophistication au-delà de l'agent IA personnalisé réside dans l'extension de ses capacités avec la génération augmentée de récupération (RAG) et le Protocole de Contexte de Modèle (MCP). Ces méthodes permettent aux agents d'élargir leurs sources d'information et de communiquer avec d'autres agents IA. Cela conduit à des agents plus intelligents et plus adaptatifs.

Le RAG consiste, sans avoir à ré-entrainer le un modèle de langage (fine-tuning), à connecter le LLM à une base de connaissances externe pour qu’il réponde de manière plus précise et contextualisée.

Dans un SIG comme ArcGIS, cela signifie que l’agent IA peut :