Seorang konsultan growth-marketing berhenti menghabiskan seluruh sore untuk menarik data dari empat belas tab browser dan spreadsheet yang tak ada habisnya dengan membangun server Model Context Protocol (MCP). Server tersebut memungkinkan asisten AI untuk mengambil dan menindaklanjuti data dari Google Ads, Meta, GA4, dan Search Console. Sekarang, server tersebut menghasilkan laporan bulanan, menjalankan audit, dan menerapkan optimasi tanpa perlu bantuan manual, sehingga membebaskan pemasar untuk fokus pada strategi alih-alih pengolahan data.

Mengapa perubahan ini penting

Pelaporan pada platform paid-search, media sosial, dan analitik dulunya merupakan sebuah koreografi manual: membuka setiap dashboard, menyalin angka ke dalam spreadsheet, merekonsiliasi ketidakcocokan, lalu menulis wawasan. Upaya tersebut memakan waktu berharga dan memicu kesalahan manusia. MCP mengubah alur kerja dengan memberikan akses langsung kepada AI ke bahasa kueri asli dan API platform tersebut, mengubah "beri tahu saya angkanya" menjadi "pergi ambilkan angkanya untuk saya."

Fondasi teknis

MCP adalah protokol yang memungkinkan asisten berbasis LLM untuk memanggil alat eksternal sebagai bagian dari penalaran (reasoning)-nya. Dalam praktiknya, konsultan tersebut menyiapkan layanan web kecil yang mengekspos bahasa kueri mentah dari setiap platform (Google Ads → GAQL) dan endpoint REST standar untuk Meta, GA4, dan Search Console. AI membangun kueri, mengirimkannya ke server, menerima hasil terstruktur, dan dapat melakukan operasi tulis (write-operations) yang diikuti dengan pembacaan verifikasi.

Tiga pilihan desain yang membuahkan hasil

  • Mengekspos bahasa kueri asli alih-alih wrapper tipis – Upaya pertama menulis fungsi terpisah untuk setiap kebutuhan data (misalnya, get_campaigns). Sudut pandang pelaporan baru dengan cepat membuat basis kode membengkak. Dengan mengekspos GAQL secara langsung, satu endpoint memungkinkan AI menyusun kueri apa pun yang dibutuhkannya. Komposisi GAQL asisten tersebut mengungguli skrip manual konsultan, dan pola yang sama berlaku untuk platform lainnya.
  • Memverifikasi setiap operasi tulis dengan pembacaan – API sering kali mengembalikan tanda sukses meskipun perubahan tidak tersimpan. Server sekarang membaca kembali setelah setiap operasi tulis; jika nilai yang diharapkan hilang, server akan mencatat kegagalan dan memberi peringatan kepada pengguna. Pagar pengaman (guardrail) ini menghentikan kesalahan senyap yang dapat merusak data performa.
  • Memelihara log kesalahan markdown – Setiap bug, kesalahan pengetikan field, atau aturan yang salah dipahami masuk ke dalam learned-errors.md. AI membaca file ini di awal setiap sesi, mengajarkan dirinya sendiri apa yang tidak boleh diulangi.

Tiga jebakan yang membuang waktu

  • Tabrakan nama antara alat dan impor – Sebuah fungsi memiliki nama yang sama dengan modul yang diimpor, menyebabkan server crash saat runtime. Memberikan alias yang berbeda pada setiap impor menghilangkan konflik tersebut.
  • Mengabaikan hot reload – Server MCP memuat kode sekali saat peluncuran. Perubahan pada basis kode tidak akan berpengaruh sampai seluruh proses klien dimulai ulang, yang menyebabkan berjam-jam debugging kode mati. Menambahkan alur kerja restart penuh setelah setiap pengeditan memperbaiki masalah tersebut.
  • Dependensi yang hilang – Impor yang tersesat dan tidak ada dalam virtual environment membuat server mati saat startup. Pemeriksaan awal (pre-flight checks) sekarang menginstal dan memverifikasi semua paket yang diperlukan sebelum restart, sehingga masalah dapat terdeteksi lebih dini.

Kesimpulan

Sebuah server MCP sederhana dapat mengubah ritual pelaporan yang padat karya menjadi alur kerja otomatis yang siap diaudit, tetapi hal ini menuntut praktik pengodean yang disiplin dan kesediaan untuk memelihara layanan kecil. Pemasar yang menginvestasikan waktu pengaturan akan menukar pekerjaan membosankan di spreadsheet dengan analisis strategis.