Un consulente di growth marketing ha smesso di passare intere mattinate a estrarre dati da quattordici schede del browser e infiniti fogli di calcolo grazie alla creazione di un server Model Context Protocol (MCP). Il server consente a un assistente AI di recuperare e agire sui dati di Google Ads, Meta, GA4 e Search Console. Ora genera report mensili, esegue audit e applica ottimizzazioni senza intervento manuale, liberando il marketer affinché possa concentrarsi sulla strategia invece che sulla gestione dei dati.

Perché questo cambiamento è stato importante

La creazione di report su piattaforme di ricerca a pagamento, social e analytics era un tempo una coreografia manuale: aprire ogni dashboard, copiare i numeri in un foglio di calcolo, riconciliare le discrepanze e poi scrivere analisi e insight. Questo sforzo consumava tempo prezioso e introduceva errori umani. L'MCP cambia il flusso di lavoro dando all'IA l'accesso diretto ai linguaggi di query nativi e alle API delle piattaforme, trasformando il comando "dimmi i numeri" in "vai a prendermi i numeri".

Le fondamenta tecniche

L'MCP è un protocollo che consente a un assistente basato su LLM di chiamare strumenti esterni come parte del proprio ragionamento. In pratica, il consulente ha configurato un piccolo servizio web che espone il linguaggio di query grezzo di ogni piattaforma (Google Ads → GAQL) e gli endpoint REST standard per Meta, GA4 e Search Console. L'IA costruisce le query, le invia al server, riceve risultati strutturati e può eseguire operazioni di scrittura seguite da letture di verifica.

Tre scelte di progettazione che hanno dato i loro frutti

  • Esporre i linguaggi di query nativi invece di semplici wrapper – Il primo tentativo prevedeva la scrittura di una funzione separata per ogni esigenza di dati (ad es. get_campaigns). Nuove prospettive di reporting hanno rapidamente fatto lievitare la base di codice. Esponendo direttamente GAQL, un singolo endpoint consente all'IA di redigere qualsiasi query necessaria. Le composizioni GAQL dell'assistente hanno superato gli script manuali del consulente, e lo stesso schema funziona per le altre piattaforme.
  • Verificare ogni scrittura con una lettura – Le API spesso restituiscono un flag di successo anche quando la modifica non è andata a buon fine. Ora il server effettua una lettura dopo ogni scrittura; se il valore atteso manca, registra un errore e avvisa l'utente. Questa protezione impedisce errori silenziosi che potrebbero corrompere i dati sulle performance.
  • Mantenere un log degli errori in markdown – Ogni bug, campo digitato male o regola fraintesa finisce in learned-errors.md. L'IA legge questo file all'inizio di ogni sessione, imparando da sola cosa non ripetere.

Tre insidie che hanno fatto perdere tempo

  • Collisioni di nomi tra strumenti e importazioni – Una funzione condivideva lo stesso nome di un modulo importato, causando il crash del server durante l'esecuzione. Assegnare a ogni importazione un alias distinto ha eliminato il conflitto.
  • Trascurare gli hot reload – Il server MCP caricava il codice una sola volta all'avvio. Le modifiche alla base di codice non avevano effetto finché l'intero processo client non veniva riavviato, portando a ore di debugging di codice morto. L'aggiunta di un flusso di lavoro di riavvio completo dopo ogni modifica ha risolto il problema.
  • Dipendenze mancanti – Un'importazione errata assente dall'ambiente virtuale ha causato il blocco del server all'avvio. I controlli pre-volo ora installano e verificano tutti i pacchetti richiesti prima di un riavvio, individuando il problema precocemente.

Conclusione

Un modesto server MCP può trasformare un rituale di reporting laborioso in un flusso di lavoro automatizzato e pronto per gli audit, ma richiede pratiche di codifica disciplinate e la volontà di mantenere un piccolo servizio. I marketer che investono il tempo necessario per la configurazione scambiano la noia dei fogli di calcolo con l'analisi strategica.