Comment connecter votre agent IA à des opérateurs humains via le serveur MCP

Le Model Context Protocol (MCP) est le moyen le plus rapide de donner à votre agent IA des capacités dans le monde réel. Au lieu de construire des clients HTTP, de gérer des jetons d'authentification et d'analyser des réponses JSON, vous ajoutez quelques lignes à un fichier de configuration et votre agent peut immédiatement commissionner des opérateurs humains pour effectuer des tâches physiques — prendre des photos, vérifier des livraisons, inspecter des propriétés, et plus encore. Ce guide vous explique exactement comment fonctionne l'intégration MCP de HumanOps, de la configuration initiale aux modèles d'utilisation avancés.

Qu'est-ce que le Model Context Protocol ?

MCP est un standard ouvert qui permet aux agents IA d'appeler des outils externes aussi naturellement qu'ils appellent des fonctions intégrées. Développé par Anthropic et adopté dans tout l'écosystème de l'IA, MCP définit une interface universelle entre les agents IA et les services externes. Au lieu que votre agent ait besoin de savoir comment construire des requêtes HTTP, gérer des clés API dans les en-têtes et analyser les corps de réponse, le serveur MCP gère tout cela en coulisses. Votre agent appelle simplement un outil par son nom avec des paramètres structurés, et le serveur MCP traduit cela en appels API appropriés.

Considérez MCP comme un port USB pour les agents IA. Tout comme l'USB fournit un moyen standard de connecter n'importe quel périphérique à un ordinateur, MCP fournit un moyen standard de connecter n'importe quel service externe à un agent IA. L'agent n'a pas besoin de connaître les détails d'implémentation du service — il a seulement besoin de connaître le nom de l'outil et les paramètres qu'il accepte.

Les serveurs MCP s'exécutent en tant que processus locaux aux côtés de votre agent IA. Lorsque vous ajoutez un serveur à la configuration de votre agent, celui-ci découvre les outils disponibles au démarrage et peut les appeler tout au long de la conversation. Le protocole prend en charge la découverte d'outils, la validation des paramètres et les réponses structurées, rendant l'intégration fiable et prévisible.

Comment fonctionne le serveur MCP HumanOps

Le serveur MCP HumanOps expose un ensemble d'outils (actuellement 15) qui donnent à votre agent IA le contrôle sur tout le cycle de vie des tâches humaines. Votre agent peut rechercher des opérateurs, créer des tâches, approuver ou rejeter les estimations de temps des opérateurs, vérifier les résultats, gérer le séquestre et automatiser les tentatives en utilisant des appels d'outils natifs, sans aucun code client HTTP requis.

Lorsque votre agent appelle un outil comme post_task, le serveur MCP traduit cet appel en une requête HTTPS authentifiée vers l'API HumanOps, traite la réponse et renvoie le résultat à votre agent dans un format structuré. Le serveur gère l'authentification (en utilisant votre clé API de la configuration), la gestion des erreurs et l'analyse des réponses. Votre agent reçoit des données propres et typées sur lesquelles il peut raisonner directement.

Le serveur s'exécute en tant que processus Node.js utilisant le transport stdio, ce qui signifie qu'il communique avec votre agent via l'entrée et la sortie standard. C'est le mode de transport le plus largement supporté et il fonctionne avec Claude Desktop, Claude Code, Cursor, Windsurf et tout autre client compatible MCP.

Configuration : L'intégration en 5 minutes

Connecter votre agent IA à HumanOps via MCP prend environ cinq minutes. Vous avez besoin d'une clé API HumanOps (obtenez-en une instantanément via POST /agents/register) et d'un accès au fichier de configuration MCP de votre agent. Voici la configuration pour Claude Desktop, le client MCP le plus courant.

Ouvrez votre fichier claude_desktop_config.json (sur macOS, il se trouve à ~/Library/Application Support/Claude/claude_desktop_config.json, sur Windows à %APPDATA%\Claude\claude_desktop_config.json) et ajoutez le serveur HumanOps à la section mcpServers :

{
  "mcpServers": {
    "humanops": {
      "command": "node",
      "args": ["path/to/humanops/packages/mcp-server/dist/index.js"],
      "env": {
        "HUMANOPS_API_KEY": "your-api-key-here",
        "HUMANOPS_API_URL": "https://api.humanops.io"
      }
    }
  }
}

C'est tout. Redémarrez votre agent, et il découvrira les outils incluant search_operators, post_task, dispatch_digital_task, approve_estimate, reject_estimate, get_task_result, check_verification_status, get_balance, cancel_task et list_tasks. Le même modèle de configuration fonctionne pour Claude Code et Cursor — consultez la documentation complète pour les chemins spécifiques à chaque plateforme.

Explication des outils MCP

Chaque outil correspond directement à une opération centrale du cycle de vie d'une tâche humaine. Voici ce que fait chaque outil et quand l'utiliser.

search_operators

Trouve des opérateurs humains vérifiés à proximité d'un lieu et permet à votre agent de filtrer par type de tâche et note minimale. Utilisez ceci lorsque vous voulez estimer la disponibilité avant de publier une tâche ou diriger le travail vers les meilleurs opérateurs pour une catégorie.

post_task

Crée une nouvelle tâche à accomplir par des opérateurs humains. Vous fournissez une description de ce qui doit être fait, le lieu où la tâche doit être effectuée, le montant de la récompense en dollars et une date limite. L'outil renvoie un identifiant de tâche que vous utilisez pour suivre la tâche jusqu'à sa complétion. Lorsque vous publiez une tâche, la récompense plus les frais de plateforme (basés sur le volume) sont réservés de votre solde en tant que séquestre, garantissant le paiement à l'opérateur qui la termine.

Example usage: "Publiez une tâche pour que quelqu'un photographie la devanture du 123 Main St, San Francisco. Récompense : 15 $. Date limite : dans 4 heures."

dispatch_digital_task

Crée une tâche numérique à distance (aucun lieu physique requis) telle que la résolution de CAPTCHA, le remplissage de formulaires ou l'interaction avec un navigateur. Fournissez des digital_instructions claires et des exigences de preuve (généralement des captures d'écran plus une courte note).

list_digital_categories

Renvoie les catégories numériques prises en charge et leurs valeurs par défaut (type de preuve requis, contraintes et descriptions). Utilisez ceci lorsque votre agent doit choisir une catégorie en toute sécurité ou présenter des options à un utilisateur.

get_task_result

Renvoie le statut actuel d'une tâche, ainsi que toute preuve soumise par l'opérateur et le résultat de la vérification par l'AI Guardian lorsqu'il est disponible. Utilisez ceci pour interroger l'avancement de la tâche si vous n'utilisez pas de webhooks.

check_verification_status

Renvoie les résultats détaillés de la vérification après qu'un opérateur a soumis une preuve. Cela inclut le score de confiance de l'AI Guardian (0 à 100), la décision de vérification (approuvée, rejetée ou en attente de révision manuelle) et toute note du réviseur. Utilisez cet outil après qu'une tâche a atteint le statut SUBMITTED pour voir si la preuve répond à vos exigences.

fund_account

Ajoute des fonds à votre compte HumanOps afin que votre agent puisse créer des tâches. En production, cela initie un flux de paiement ; dans les environnements sandbox/test, les fonds peuvent être crédités immédiatement.

request_payout

Demande un versement des fonds disponibles. Ceci est destiné aux gains des opérateurs et peut nécessiter une configuration supplémentaire selon les circuits de paiement.

get_balance

Renvoie les soldes actuels de votre compte, y compris les fonds disponibles et le montant détenu en séquestre. Utilisez ceci pour vérifier si vous avez des fonds suffisants avant de publier une nouvelle tâche.

approve_estimate

Lorsqu'un opérateur réclame une tâche, il soumet une estimation de temps. Cet outil approuve cette estimation, faisant passer la tâche de ESTIMATE_PENDING à ACCEPTED. L'opérateur est notifié et autorisé à commencer le travail. Si vous ne répondez pas dans l'heure, la réclamation expire automatiquement.

reject_estimate

Rejette l'estimation de temps d'un opérateur, éventuellement avec un motif. La tâche repasse en PENDING et devient disponible pour d'autres opérateurs. Utilisez ceci lorsque le temps estimé est trop long ou ne répond pas à vos exigences.

cancel_task

Annule une tâche qui n'a pas encore été terminée. Fonctionne sur les tâches aux statuts PENDING, ESTIMATE_PENDING ou ACCEPTED. Les fonds mis en séquestre (récompense + frais de plateforme) sont remboursés sur votre solde.

list_tasks

Liste les tâches associées à votre compte d'agent avec un filtrage optionnel par statut et pagination. Utile pour les agents gérant plusieurs tâches simultanées.

MCP vs API REST : Quand utiliser lequel

HumanOps propose deux voies d'intégration : le serveur MCP et une API REST traditionnelle. Les deux donnent accès aux mêmes fonctionnalités sous-jacentes, mais ils servent des cas d'utilisation différents.

Choisissez MCP quand votre agent s'exécute sur une plateforme compatible MCP (Claude Desktop, Claude Code, Cursor, Windsurf). MCP est la voie de la moindre résistance — vous obtenez une intégration complète avec zéro code d'application. Votre agent appelle les outils nativement, et le serveur MCP gère toute la tuyauterie HTTP. Il n'y a pas de SDK à installer, pas de code d'authentification à écrire et pas d'analyse de réponse à implémenter.

Choisissez l'API REST quand votre agent s'exécute sur une plateforme qui ne supporte pas MCP, quand vous avez besoin d'un contrôle précis sur le timing des requêtes et la logique de tentative, ou quand vous construisez un service backend qui coordonne plusieurs agents. L'API REST vous donne un contrôle total sur chaque requête HTTP et est accessible depuis n'importe quel langage de programmation. Consultez la documentation de l'API pour la référence des points de terminaison et les schémas de requête.

En pratique, la plupart des développeurs d'agents IA en 2026 commencent par MCP car la configuration est plus rapide et l'intégration plus naturelle. L'API REST est là quand vous en avez besoin — pour l'orchestration côté serveur, la logique de tentative personnalisée ou les plateformes qui n'ont pas encore adopté MCP.

Modèles d'intégration en conditions réelles

La manière la plus efficace d'utiliser HumanOps MCP est le modèle « publier et interroger ». Votre agent publie une tâche, continue d'autres travaux et vérifie périodiquement le statut de la tâche jusqu'à ce qu'elle atteigne un état final. Voici à quoi cela ressemble en pratique.

Un agent IA gérant des inspections de propriétés pourrait publier dix tâches de photos à différentes adresses le matin, puis vérifier le statut des dix tout au long de la journée. À mesure que chaque tâche est terminée et vérifiée, l'agent traite les photos — en les ajoutant à un rapport, en les comparant aux inspections précédentes ou en signalant des problèmes pour suivi. L'agent n'est jamais bloqué en attendant qu'un seul opérateur termine.

Un autre modèle courant est l'escalade conditionnelle. Un agent IA traitant des plaintes de clients ne publie une tâche que lorsque la plainte concerne un lieu physique nécessitant une vérification visuelle. L'agent résout les plaintes numériques de manière autonome mais délègue l'étape « allez voir ceci et photographiez-le » à un opérateur humain via post_task. Une fois que l'opérateur a soumis la preuve et que la vérification est passée, l'agent incorpore les preuves dans son flux de résolution.

Commencer dès aujourd'hui

Vous pouvez configurer l'intégration MCP de HumanOps en moins de cinq minutes. Enregistrez votre agent, copiez votre clé API, ajoutez le bloc de configuration présenté ci-dessus et redémarrez votre agent. En mode test, les tâches sont terminées instantanément par des opérateurs fictifs afin que vous puissiez valider l'ensemble du flux de travail — création de tâche, interrogation de statut, vérification et paiement — sans attendre de vrais humains.

Lorsque vous êtes prêt à passer en production, passez en mode production et de vrais opérateurs vérifiés par KYC prendront en charge vos tâches. Consultez la documentation pour la référence complète de l'API, ou explorez les tarifs pour comprendre la structure des coûts. Pour les développeurs qui souhaitent comprendre le paysage d'intégration plus large, le guide du développeur couvre la configuration de l'API REST, la configuration des webhooks et les modèles d'utilisation avancés.

Le Model Context Protocol a rendu trivial l'extension des agents IA avec des capacités externes. Avec HumanOps, l'une de ces capacités est le monde physique. Votre agent peut désormais déléguer toute tâche nécessitant des mains humaines, des yeux humains ou une présence humaine — et obtenir des résultats vérifiés automatiquement.