Konsultant ds. growth marketingu przestał spędzać całe popołudnia na wyciąganiu danych z czternastu kart przeglądarki i nieskończonych arkuszy kalkulacyjnych dzięki zbudowaniu serwera Model Context Protocol (MCP). Serwer ten pozwala asystentowi AI pobierać dane z Google Ads, Meta, GA4 i Search Console oraz działać na ich podstawie. Teraz generuje on miesięczne raporty, przeprowadza audyty i wdraża optymalizacje bez konieczności ręcznego nadzoru, uwalniając marketera, by mógł skupić się na strategii zamiast na żmudnym przetwarzaniu danych.

Dlaczego ta zmiana była istotna

Raportowanie z platform płatnych wyszukiwań, mediów społecznościowych i analityki było niegdyś manualną choreografią: otwórz każdy panel, skopiuj liczby do arkusza, uzgodnij rozbieżności, a następnie sformułuj wnioski. Ten wysiłek pochłaniał cenny czas i sprzyjał błędom ludzkim. MCP zmienia ten proces, dając AI bezpośredni dostęp do natywnych języków zapytań i API platform, zmieniając polecenie „podaj mi liczby” na „idź i zdobądź te liczby dla mnie”.

Fundament techniczny

MCP to protokół, który pozwala asystentowi opartemu na LLM wywoływać zewnętrzne narzędzia jako część procesu rozumowania. W praktyce konsultant skonfigurował małą usługę webową, która udostępnia surowy język zapytań każdej platformy (Google Ads → GAQL) oraz standardowe punkty końcowe REST dla Meta, GA4 i Search Console. AI buduje zapytania, wysyła je do serwera, otrzymuje ustrukturyzowane wyniki i może wykonywać operacje zapisu, a następnie weryfikować je poprzez odczyt.

Trzy decyzje projektowe, które się opłaciły

  • Udostępnianie natywnych języków zapytań zamiast cienkich wrapperów – W pierwszej próbie dla każdej potrzeby danych pisano osobną funkcję (np. get_campaigns). Nowe kąty raportowania szybko powodowały rozrost bazy kodu. Poprzez bezpośrednie udostępnienie GAQL, pojedynczy punkt końcowy pozwala AI przygotować dowolne potrzebne zapytanie. Kompozycje GAQL tworzone przez asystenta okazały się skuteczniejsze niż ręczne skrypty konsultanta, a ten sam wzorzec sprawdza się na innych platformach.
  • Weryfikacja każdego zapisu poprzez odczyt – API często zwracają flagę sukcesu, nawet jeśli zmiana nie została zapisana. Serwer odczytuje dane po każdym zapisie; jeśli oczekiwana wartość nie jest obecna, loguje błąd i powiadamia użytkownika. To zabezpieczenie zapobiega cichym błędom, które mogłyby uszkodzić dane o wydajności.
  • Prowadzenie logu błędów w formacie markdown – Każdy błąd, błędnie wpisane pole czy niezrozumiana reguła trafiają do learned-errors.md. AI czyta ten plik na początku każdej sesji, ucząc się, czego nie powtarzać.

Trzy pułapki, które kosztowały czas

  • Kolizje nazw między narzędziami a importami – Funkcja miała tę samą nazwę co importowany moduł, co powodowało awarię serwera podczas działania. Nadanie każdemu importowi unikalnego aliasu wyeliminowało konflikt.
  • Zaniedbanie hot reloadów – Serwer MCP ładował kod tylko raz przy uruchomieniu. Zmiany w kodzie nie wchodziły w życie, dopóki cały proces klienta nie został zrestartowany, co prowadziło do godzin debugowania martwego kodu. Dodanie pełnego przepływu pracy restartu po każdej edycji rozwiązało problem.
  • Brakujące zależności – Pojedynczy, nieobecny w środowisku wirtualnym import powodował awarię serwera przy starcie. Kontrole przedstartowe (pre-flight checks) instalują i weryfikują teraz wszystkie wymagane pakiety przed restartem, co pozwala wcześnie wykryć problem.

Podsumowanie

Skromny serwer MCP może zmienić pracochłonny rytuał raportowania w zautomatyzowany proces gotowy do audytu, ale wymaga to zdyscyplinowanych praktyk programistycznych i gotowości do utrzymywania małej usługi. Marketerzy, którzy zainwestują czas w konfigurację, zamieniają żmudną pracę w arkuszach na analizę strategiczną.