Connecter ChatGPT à vos bases de données : guide pratique (MCP, n8n, RAG)
Connecter ChatGPT à vos bases SQL en sécurité : MCP, connecteurs, n8n, RAG. Quatre architectures, règles de sécurité et cas d'une ETI. Guide mis à jour 2026.

Vos équipes passent des heures à extraire des données de votre ERP ou de votre CRM pour répondre à des questions simples. ChatGPT peut interroger vos bases de données en langage naturel — à condition de bien configurer la connexion. Voici comment procéder sans exposer vos données sensibles.
Mis à jour le 27/10/2026 : ce qui a changé depuis septembre 2025 — généralisation du standard MCP (Model Context Protocol) pour connecter ChatGPT et Claude à vos outils, et nuance sur la notion de « connexion directe ».
Pourquoi connecter un LLM à ses bases de données en 2026
Pour une direction, le problème n'est pas le volume de données — c'est le temps nécessaire pour les extraire et les interpréter. Un contrôleur de gestion qui répond à une dizaine de demandes d'extraction par semaine n'a pas le temps de piloter l'activité.
Connecter ChatGPT à vos bases de données transforme cette dynamique. Un DAF peut interroger son entrepôt de données en français, sans écrire une ligne de SQL. Un responsable commercial obtient ses chiffres de pipeline en 30 secondes, sans attendre le rapport hebdomadaire du contrôleur de gestion.
Définition : La connexion LLM-base de données désigne l'architecture qui permet à un modèle de langage (ChatGPT, Claude, Gemini) de comprendre une question en langage naturel, de la traduire en requête SQL ou API, d'exécuter cette requête sur votre base, puis de restituer la réponse en langage humain.
Les quatre architectures possibles
Approche | Complexité | Sécurité | Coût estimé |
|---|---|---|---|
Connecteurs natifs / apps ChatGPT Enterprise | Faible | Bonne (OpenAI gère l'isolation) | Inclus dans ChatGPT Ent. |
Serveur MCP (Model Context Protocol) | Faible à moyenne | Élevée (permissions lecture seule par serveur) | Gratuit à 500 € de setup |
API OpenAI + middleware (n8n, Zapier, LangChain) | Moyenne | Contrôlée par vous | 200–800 € de setup |
Solution sur-mesure (RAG + vector store) | Élevée | Maximale | 5 000–20 000 € |
Pour une PME ou ETI sans équipe data dédiée, un serveur MCP ou l'approche middleware (n8n) offrent aujourd'hui le meilleur rapport simplicité/contrôle.
MCP : la connexion standard en 2026
Le Model Context Protocol (MCP) est un standard ouvert, introduit par Anthropic fin 2024 puis adopté par OpenAI en 2025, qui définit une façon unique de connecter un modèle de langage à une source de données ou à un outil externe. Plutôt que de coder une intégration sur mesure pour chaque base, chaque équipe (CRM, ERP, fichiers) publie un « serveur MCP » que ChatGPT ou Claude peuvent interroger de façon normalisée.
Pour une base de données, un serveur MCP s'installe en quelques dizaines de minutes et expose uniquement les tables et les permissions que vous lui accordez — en pratique, toujours en lecture seule pour un premier déploiement. C'est cette normalisation, plus que l'ajout d'une fonctionnalité isolée, qui change la donne : le même serveur MCP peut être réutilisé par ChatGPT, Claude ou un autre assistant, sans réécrire l'intégration à chaque fois.
Concrètement, un serveur MCP connecté en lecture seule à votre PostgreSQL permet à un DAF de poser sa question dans ChatGPT ou Claude, le modèle interroge le serveur MCP (pas directement la base), et le serveur applique vos règles de permissions avant de renvoyer un résultat. Notre article MCP expliqué sans coder détaille la mise en place pas à pas, y compris pour une équipe sans profil technique.
Comment procéder avec n8n : étape par étape
n8n est un outil d'automatisation open-source qui s'installe en quelques minutes et permet de créer le pont entre ChatGPT et votre base de données sans code complexe. C'est une alternative pertinente à un serveur MCP quand vous voulez enchaîner plusieurs étapes (enrichissement, notification, écriture dans un autre outil) autour de la réponse du modèle.
Créer un compte n8n Cloud (ou installer la version self-hosted pour plus de contrôle).
Créer un workflow avec un nœud "Chat Trigger" — il reçoit la question de l'utilisateur.
Ajouter un nœud OpenAI configuré avec votre clé API et un prompt système qui décrit le schéma de votre base (noms des tables, colonnes, exemples de valeurs).
Ajouter un nœud base de données (PostgreSQL, MySQL, SQLite selon votre stack) en lecture seule — n'accordez jamais les droits d'écriture à cette connexion.
Chaîner les nœuds : question → génération SQL par ChatGPT → exécution de la requête → reformulation de la réponse en français.
Tester avec des requêtes simples avant de déployer à votre équipe.
Cas concret : une ETI de distribution (450 salariés)
Une ETI de distribution alimentaire en région Hauts-de-France connecte son ERP (base PostgreSQL) à ChatGPT via n8n. Avant, le contrôleur de gestion recevait en moyenne 12 demandes par semaine du COMEX pour des extractions ponctuelles — chaque extraction prenait 30 à 90 minutes.
Après déploiement, les directeurs régionaux interrogent eux-mêmes la base via une interface de chat interne. Résultat : le contrôleur de gestion a récupéré 8 heures par semaine, la direction dispose de ses indicateurs en temps réel.
Coût du projet : 3 jours de prestation + abonnement n8n Cloud (50 €/mois). ROI atteint en moins de 2 mois.
Les règles de sécurité non négociables
Accès en lecture seule : créez un utilisateur SQL dédié avec uniquement les droits SELECT sur les tables autorisées — que la connexion passe par MCP ou par un middleware.
Anonymisation des données personnelles : ne faites jamais transiter des colonnes contenant des données RGPD (nom, email, numéro client) vers l'API OpenAI sans pseudonymisation préalable.
Audit trail : loggez toutes les requêtes générées par le LLM pour pouvoir les auditer en cas d'anomalie.
Schéma minimal : ne transmettez à ChatGPT que les tables et colonnes nécessaires — pas le schéma complet de votre base.
Validation des requêtes : pour les environnements sensibles, ajoutez une étape de validation humaine avant l'exécution des requêtes INSERT/UPDATE (si vous les autorisez).
Les erreurs à éviter
Donner les droits d'écriture à la connexion LLM : une injection via prompt pourrait modifier ou supprimer des données.
Transmettre le schéma complet : plus vous exposez de tables, plus la surface d'attaque est large.
Négliger la gestion des erreurs : si ChatGPT génère une requête invalide, le workflow doit retourner un message d'erreur clair, pas planter silencieusement.
Oublier la gouvernance : définissez qui a le droit d'interroger quelles données — les mêmes règles d'accès que dans votre ERP doivent s'appliquer. Notre guide sur la gouvernance de vos agents IA détaille comment poser ce cadre.
Pour structurer cette gouvernance, le guide sur la gouvernance IA et la charte d'usage pose les bases réglementaires à respecter avant tout déploiement, et notre article sur la préparation des données avant un déploiement IA détaille comment cadrer vos sources en amont.
Aller plus loin : RAG et vector stores
Pour des bases de données non structurées (documents PDF, emails, notes de réunion), l'approche SQL ne suffit pas. La technique RAG (Retrieval-Augmented Generation) consiste à indexer vos documents dans une base vectorielle (Pinecone, Weaviate, pgvector) et à laisser le LLM interroger cet index pour trouver les passages pertinents.
Cette approche est plus complexe à mettre en œuvre mais permet d'interroger n'importe quel corpus documentaire. Si vous gérez un important volume de documentation technique, de contrats ou de comptes-rendus, c'est la voie à explorer. Voir aussi notre article sur les agents IA pour PME sans data scientist, et notre page sur le déploiement d'une connexion IA-données sécurisée à grande échelle.
FAQ — Questions fréquentes
Peut-on connecter ChatGPT directement à une base SQL ?
Pas sans couche intermédiaire. Il faut soit un serveur MCP (le standard recommandé depuis son adoption par OpenAI en 2025), soit un middleware (n8n, Zapier), soit un plugin ChatGPT Enterprise. ChatGPT n'exécute jamais de requête sur votre base sans passer par l'une de ces couches, pour des raisons de sécurité.
Qu'est-ce que MCP ?
Le Model Context Protocol est un standard ouvert qui normalise la façon dont un modèle de langage se connecte à une source de données ou à un outil externe. Un même serveur MCP connecté à votre base peut être réutilisé par ChatGPT, Claude ou un autre assistant compatible, sans intégration spécifique à chacun.
ChatGPT peut-il écrire dans ma base de données ?
Seulement si vous le configurez explicitement avec des droits d'écriture — ce qui est déconseillé pour un premier déploiement. La bonne pratique, que ce soit via MCP ou via un middleware, est de limiter la connexion aux droits SELECT (lecture seule).
Quels sont les risques de sécurité principaux ?
Fuite de données sensibles, injections SQL via prompts malveillants, exposition de colonnes confidentielles. Accès lecture seule, anonymisation RGPD et journalisation sont impératifs.
ChatGPT peut-il écrire des requêtes SQL depuis des questions en français ?
Oui, c'est le cas d'usage central. Un DAF pose sa question en français, ChatGPT génère le SQL correspondant et restitue la réponse en langage humain.
Faut-il envoyer toutes les données à ChatGPT ?
Non. Seul le schéma (noms de tables/colonnes) et le résultat de la requête transitent — jamais la base entière.
Quel budget prévoir ?
De 0 à 500 € pour un serveur MCP en lecture seule, 200 à 800 € pour un setup DIY avec n8n, et jusqu'à 20 000 € pour une solution sur-mesure avec RAG. La majorité des PME aboutissent entre 500 et 2 000 €.
Vous voulez connecter vos outils métier à l'IA sans recruter un data scientist ? Réservez 30 minutes avec un expert Focus AI.

