Prenons le dirigeant d’une entreprise de rénovation énergétique installée à Paris. Il souhaite savoir dans quels arrondissements se concentrent les logements les plus énergivores, combien d’entreprises qualifiées interviennent déjà sur son créneau, et comment se structure le parc de logements anciens de la capitale. Toutes ces informations existent dans des bases publiques : les diagnostics de performance énergétique (DPE) sont publiés par l’ADEME, la liste des entreprises titulaires de la mention RGE (« Reconnu garant de l’environnement ») également, et l’Agence nationale de l’habitat tient un registre des copropriétés.
Le problème tient à leur dispersion. Chaque base a son portail, son format et son vocabulaire, et certaines comptent plusieurs centaines de milliers de lignes. Pour une petite entreprise, les croiser suppose soit plusieurs jours de travail d’un collaborateur à l’aise avec les tableurs, soit le recours à un cabinet d’études. Dans les deux cas, la question reste souvent sans réponse chiffrée.
C’est ce type de besoin que vise le serveur MCP de data.gouv.fr, mis en expérimentation par l’équipe de la plateforme en février 2026. Nous l’avons testé sur ce cas précis, avec Claude comme assistant.
Qu’est-ce que le serveur MCP de data.gouv.fr ?
Le point de départ est un assistant d’IA que beaucoup utilisent déjà, ici Claude. Utilisé seul, il répond à partir de ce qu’il a appris lors de son entraînement : il peut citer l’existence des DPE, mais il ne peut pas consulter la base elle-même, ni savoir combien de logements parisiens sont classés G à la date du jour.
Pour qu’il accède à des données à jour, il faut le relier à une source extérieure. Le protocole MCP (Model Context Protocol) est le standard qui organise cette connexion ; notre article dédié en détaille le fonctionnement. Dans ce cadre, un serveur MCP est un programme qui met des fonctions à la disposition de l’assistant. Celui de data.gouv.fr en fournit quelques-unes, toutes en lecture seule : rechercher des jeux de données par mots-clés, décrire un jeu de données et les fichiers qu’il contient, lire les lignes d’un fichier en appliquant un filtre, rechercher les API référencées sur la plateforme.
Une API, enfin, est un point d’accès qui permet à un programme d’interroger une base de données directement, sans passer par une page web. Ce terme a son importance pour la suite, car une partie des données utiles à notre cas n’est accessible que par ce moyen.
Concrètement, une fois le serveur connecté dans les paramètres de Claude, notre dirigeant pose sa question en français. L’assistant décide seul quelles fonctions du serveur appeler, avec quels mots-clés, puis synthétise ce qu’il a trouvé.
Connecteurs dans Claude, avec le serveur data.gouv.fr activé
Première étape : identifier les données publiques utiles
La première question posée était la suivante : « Je dirige une entreprise de rénovation énergétique à Paris. Quelles données publiques peuvent m’aider à repérer des clients potentiels et à évaluer la concurrence ? »
L’assistant a lancé plusieurs recherches successives (« DPE logements », « RGE », « MaPrimeRénov’ », « copropriétés registre », « base Sirene »), puis proposé une sélection argumentée. Côté clientèle potentielle, il a retenu la base des DPE des logements existants publiée par l’ADEME, le registre national d’immatriculation des copropriétés tenu par l’Anah, et la base de données nationale des bâtiments du CSTB. Côté concurrence, la liste des entreprises RGE de l’ADEME, son historique depuis 2014, et le répertoire Sirene de l’Insee pour les entreprises du bâtiment non qualifiées.
Cette étape, qui aurait demandé une bonne heure de navigation sur le portail, a pris quelques minutes. Elle a aussi fait apparaître un point que l’on néglige facilement : data.gouv.fr est une plateforme ouverte, sur laquelle des acteurs privés publient également des données. La recherche a ainsi fait remonter des jeux produits par des entreprises du secteur (statistiques de recherches en ligne, indices de coût de rénovation). Ils peuvent fournir des signaux intéressants, mais leur méthodologie relève de leur seul producteur. Vérifier qui publie un jeu de données fait partie du travail.
Deuxième étape : interroger les données
Nous avons ensuite demandé à l’assistant de passer aux chiffres : compter les entreprises RGE parisiennes par domaine de travaux, puis les logements classés F ou G par arrondissement. Les résultats ci-dessous correspondent aux données consultées le 8 octobre 2026.
La concurrence
Paris compte 1 227 entreprises RGE distinctes, sur 59 324 en France. Le chiffre demande toutefois à être décomposé : 594 d’entre elles sont des architectes, référencés au titre de la rénovation globale. Les entreprises qui réalisent elles-mêmes des travaux d’efficacité énergétique (isolation, chauffage, menuiseries) sont 312, auxquelles s’ajoutent 193 installateurs d’énergies renouvelables. Les qualifications les plus fréquentes concernent les chauffe-eau thermodynamiques (148 entreprises) et les pompes à chaleur (147).
Leur répartition géographique est très inégale. Les 17e, 11e, 20e et 8e arrondissements accueillent chacun entre 33 et 36 entreprises de travaux, alors que chacun des sept premiers arrondissements n’en compte qu’entre 2 et 6.
Le gisement de logements énergivores
Depuis juillet 2021, 853 860 DPE ont été réalisés sur des logements parisiens. 155 323 d’entre eux aboutissent à une étiquette F ou G, soit 18,2 %. Ces logements se trouvent pour 85 % dans des immeubles construits avant 1948.
Le croisement des deux bases par arrondissement fait apparaître un décalage :
| Arrondissement | Part de DPE F ou G | Nombre de DPE F ou G | Entreprises RGE de travaux domiciliées |
|---|---|---|---|
| 6e | 26,3 % | 4 395 | 2 |
| 7e | 24,6 % | 5 146 | 5 |
| 5e | 24,2 % | 5 533 | 6 |
| 16e | 24,0 % | 13 752 | 17 |
| 17e | 22,5 % | 15 584 | 36 |
| 11e | 18,8 % | 10 726 | 35 |
| 20e | 12,6 % | 9 542 | 35 |
| 13e | 11,0 % | 8 525 | 10 |
Les arrondissements du centre et de l’ouest combinent la plus forte proportion de passoires thermiques et le plus faible nombre d’entreprises de travaux implantées. Cette lecture appelle une réserve importante : l’adresse d’une entreprise est celle de son siège, et une entreprise du 11e intervient évidemment dans le 6e. Le tableau indique où sont installés les concurrents, il ne mesure pas leur présence réelle sur chaque marché local.
Les copropriétés et leurs syndics
À Paris, l’essentiel des logements anciens se trouve en copropriété. Le registre en recense 45 805, dont environ 29 300 construites avant 1949 (64 %). Parmi ces copropriétés anciennes, 19 720 disposent d’un syndic identifié et d’un mandat en cours. Elles sont gérées par 780 syndics différents, dont 119 administrent chacun au moins 50 copropriétés anciennes.
Pour une entreprise de rénovation, cette donnée éclaire la nature du marché : dans le parc ancien parisien, les travaux d’ampleur relèvent le plus souvent d’une décision collective votée en assemblée générale de copropriété, préparée par un syndic, plutôt que d’une décision individuelle de propriétaire.
Quelles sont les limites du serveur MCP de data.gouv.fr ?
L’exercice a surtout montré que le serveur MCP fonctionne d’abord comme un catalogue. Il trouve les jeux de données, décrit leurs champs et documente les API qui y donnent accès. Sa capacité à lire les données elles-mêmes est plus restreinte, pour trois raisons observées au cours du test.
En premier lieu, le serveur ne lit que les fichiers hébergés sur data.gouv.fr. Le registre des copropriétés en fait partie, et l’assistant a pu le consulter directement. Les DPE et la liste RGE, en revanche, sont seulement référencés sur la plateforme et hébergés par l’ADEME. Le serveur a fourni la documentation de l’API de l’ADEME, sans pouvoir l’interroger. Claude a pu poursuivre parce qu’il disposait d’un environnement d’exécution de code lui permettant d’appeler cette API lui-même ; un assistant limité à la conversation se serait arrêté à la description des données.
Ensuite, la fonction de lecture du serveur filtre et affiche des lignes, mais ne calcule pas de totaux. Pour compter les 45 805 copropriétés parisiennes par période de construction ou par syndic, il a fallu recourir aux fonctions de regroupement de l’API qui se trouve derrière le serveur. Sans elles, l’assistant aurait dû parcourir le fichier page par page.
Enfin, la qualité des données elles-mêmes demande de la vigilance. Dans le registre des copropriétés, la période de construction est codée de deux manières différentes dans le même fichier (« Avant 1949 » et « AVANT_1949 »), et le code de commune n’est pas homogène d’une ligne à l’autre. Dans la liste RGE, une entreprise apparaît autant de fois qu’elle détient de qualifications, si bien qu’un comptage de lignes surestime fortement le nombre d’entreprises. Un comptage automatique qui ignorerait ces particularités produirait des résultats faux, présentés avec la même assurance que des résultats justes.
S’y ajoutent des aléas plus prosaïques : plusieurs appels ont échoué en cours de route et ont dû être relancés. L’équipe de data.gouv.fr rappelle d’ailleurs elle-même, en présentant le serveur, que les réponses produites par un modèle de langage peuvent être incomplètes ou erronées et ne constituent pas une source officielle. Les chiffres obtenus doivent donc être vérifiés, au moins par sondage, avant d’appuyer une décision.
Le serveur MCP de data.gouv.fr facilite l’accès aux données publiques, sans dispenser de leur analyse
Pour une petite entreprise, le serveur MCP de data.gouv.fr réduit nettement le coût d’accès à l’information publique. En une session de travail, il a été possible d’identifier les bonnes sources, d’en extraire des chiffres par arrondissement et de les croiser, ce qui relevait auparavant d’une étude commandée à l’extérieur. Le gain le plus net se situe dans la première étape : savoir quelles données existent et où les trouver.
L’outil ne dispense pas pour autant du travail d’analyse. Les chiffres doivent être contrôlés, les particularités de chaque base comprises, et les résultats interprétés avec les réserves qui s’imposent, comme l’écart entre le siège d’une entreprise et sa zone d’intervention. Le test montre aussi que la valeur obtenue dépend autant de l’assistant que du serveur : c’est parce que Claude pouvait exécuter du code qu’il a pu dépasser le stade de la description des données pour aller jusqu’au calcul. Le serveur étant encore expérimental, ses fonctions évolueront probablement, et certaines des limites relevées ici pourraient disparaître.
Plus largement, ce cas illustre ce que le protocole MCP rend possible pour toute organisation : le même mécanisme peut servir à mettre ses propres données, ou celles d’un outil métier, à la disposition d’un assistant d’IA, à condition de développer le serveur correspondant. Pour les équipes techniques qui souhaitent s’engager dans cette voie, LBKE propose une formation consacrée à la création de serveurs MCP avec la bibliothèque mcp-use, en JavaScript et en Python.
Sources
- data.gouv.fr, « Expérimentation autour d’un serveur MCP pour datagouv », 25 février 2026 : https://www.data.gouv.fr/posts/experimentation-autour-dun-serveur-mcp-pour-datagouv
- Code source du serveur MCP de data.gouv.fr : https://github.com/datagouv/datagouv-mcp
- ADEME, DPE Logements existants (depuis juillet 2021) : https://www.data.gouv.fr/datasets/dpe-logements-existants-depuis-juillet-2021
- ADEME, Liste des entreprises RGE : https://www.data.gouv.fr/datasets/liste-des-entreprises-rge
- Anah, Registre national d’immatriculation des copropriétés : https://www.data.gouv.fr/datasets/registre-national-dimmatriculation-des-coproprietes
- CSTB, Base de données nationale des bâtiments : https://www.data.gouv.fr/datasets/base-de-donnees-nationale-des-batiments
