Un consultor de growth marketing dejó de pasar tardes enteras extrayendo datos de catorce pestañas del navegador y hojas de cálculo interminables al construir un servidor Model Context Protocol (MCP). El servidor permite que un asistente de IA obtenga y actúe sobre datos de Google Ads, Meta, GA4 y Search Console. Ahora genera informes mensuales, realiza auditorías y aplica optimizaciones sin necesidad de supervisión manual, liberando al profesional de marketing para que se concentre en la estrategia en lugar de en la manipulación de datos.

Por qué este cambio fue importante

La elaboración de informes en plataformas de búsqueda de pago, redes sociales y analítica solía ser una coreografía manual: abrir cada panel de control, copiar números en una hoja de cálculo, conciliar discrepancias y luego redactar conclusiones. El esfuerzo consumía un tiempo valioso e introducía errores humanos. MCP cambia el flujo de trabajo al dar a la IA acceso directo a los lenguajes de consulta nativos y las API de las plataformas, transformando el "dime los números" en un "ve a buscar los números por mí".

La base técnica

MCP es un protocolo que permite que un asistente impulsado por un LLM llame a herramientas externas como parte de su razonamiento. En la práctica, el consultor configuró un pequeño servicio web que expone el lenguaje de consulta puro de cada plataforma (Google Ads → GAQL) y los endpoints REST estándar para Meta, GA4 y Search Console. La IA construye consultas, las envía al servidor, recibe resultados estructurados y puede ejecutar operaciones de escritura seguidas de lecturas de verificación.

Tres decisiones de diseño que dieron sus frutos

  • Exponer los lenguajes de consulta nativos en lugar de wrappers ligeros – El primer intento consistía en escribir una función separada para cada necesidad de datos (p. ej., get_campaigns). Los nuevos enfoques de informes hicieron que el código creciera rápidamente. Al exponer GAQL directamente, un único endpoint permite que la IA redacte cualquier consulta que necesite. Las composiciones de GAQL del asistente superaron a los scripts manuales del consultor, y el mismo patrón funciona para las demás plataformas.
  • Verificar cada escritura con una lectura – Las API a menudo devuelven un indicador de éxito incluso cuando el cambio no se aplicó. Ahora, el servidor realiza una lectura después de cada escritura; si falta el valor esperado, registra un fallo y alerta al usuario. Esta medida de seguridad evita errores silenciosos que podrían corromper los datos de rendimiento.
  • Mantener un registro de errores en markdown – Cada error, campo mal escrito o regla mal interpretada termina en learned-errors.md. La IA lee este archivo al inicio de cada sesión, enseñándose a sí misma qué no debe repetir.

Tres errores que costaron tiempo

  • Colisiones de nombres entre herramientas e importaciones – Una función compartía el mismo nombre que un módulo importado, lo que provocaba que el servidor fallara en tiempo de ejecución. Asignar un alias distinto a cada importación eliminó el conflicto.
  • Descuidar los hot reloads – El servidor MCP cargaba el código una sola vez al iniciarse. Los cambios en el código no surtían efecto hasta que se reiniciaba todo el proceso del cliente, lo que provocaba horas de depuración de código muerto. Añadir un flujo de trabajo de reinicio completo tras cada edición solucionó el problema.
  • Dependencias faltantes – Una importación perdida que no estaba en el entorno virtual hizo que el servidor fallara al iniciarse. Ahora, las comprobaciones previas instalan y verifican todos los paquetes necesarios antes de un reinicio, detectando el problema de forma temprana.

Conclusión

Un servidor MCP modesto puede convertir un ritual de informes laborioso en un flujo de trabajo automatizado y listo para auditorías, pero exige prácticas de programación disciplinadas y la voluntad de mantener un pequeño servicio. Los profesionales de marketing que invierten el tiempo de configuración cambian el trabajo tedioso de las hojas de cálculo por el análisis estratégico.