Um consultor de growth marketing parou de passar tardes inteiras extraindo dados de quatorze abas do navegador e planilhas intermináveis ao construir um servidor Model Context Protocol (MCP). O servidor permite que um assistente de IA busque e atue sobre dados do Google Ads, Meta, GA4 e Search Console. Agora, ele gera relatórios mensais, executa auditorias e aplica otimizações sem necessidade de supervisão manual, liberando o profissional de marketing para focar na estratégia em vez de lidar com a manipulação de dados.

Por que essa mudança foi importante

Relatar dados de plataformas de busca paga, redes sociais e analytics costumava ser uma coreografia manual: abrir cada dashboard, copiar números para uma planilha, reconciliar divergências e, então, escrever insights. O esforço consumia um tempo valioso e introduzia erros humanos. O MCP muda o fluxo de trabalho ao dar à IA acesso direto às linguagens de consulta nativas e APIs das plataformas, transformando o "me diga os números" em "vá buscar os números para mim".

A base técnica

O MCP é um protocolo que permite que um assistente baseado em LLM chame ferramentas externas como parte de seu raciocínio. Na prática, o consultor configurou um pequeno serviço web que expõe a linguagem de consulta bruta de cada plataforma (Google Ads → GAQL) e os endpoints REST padrão para Meta, GA4 e Search Console. A IA constrói consultas, envia-as para o servidor, recebe resultados estruturados e pode emitir operações de escrita seguidas de leituras de verificação.

Três escolhas de design que valeram a pena

  • Expor linguagens de consulta nativas em vez de wrappers simples – A primeira tentativa consistia em escrever uma função separada para cada necessidade de dados (ex: get_campaigns). Novos ângulos de relatório faziam a base de código crescer rapidamente. Ao expor o GAQL diretamente, um único endpoint permite que a IA elabore qualquer consulta necessária. As composições de GAQL do assistente superaram os scripts manuais do consultor, e o mesmo padrão funciona para as outras plataformas.
  • Verificar cada escrita com uma leitura – As APIs frequentemente retornam uma flag de sucesso mesmo quando a alteração não foi aplicada. O servidor agora realiza uma leitura após cada escrita; se o valor esperado estiver ausente, ele registra uma falha e alerta o usuário. Essa salvaguarda impede erros silenciosos que poderiam corromper os dados de desempenho.
  • Manter um log de erros em markdown – Cada bug, campo digitado incorretamente ou regra mal compreendida vai para o arquivo learned-errors.md. A IA lê este arquivo no início de cada sessão, ensinando a si mesma o que não repetir.

Três armadilhas que custaram tempo

  • Conflitos de nomes entre ferramentas e imports – Uma função compartilhava o mesmo nome de um módulo importado, fazendo o servidor travar durante a execução. Atribuir um alias distinto a cada importação eliminou o conflito.
  • Negligenciar o hot reload – O servidor MCP carregava o código apenas uma vez na inicialização. As alterações na base de código não surtiam efeito até que todo o processo do cliente fosse reiniciado, levando a horas de depuração de código morto. Adicionar um fluxo de reinicialização completa após cada edição resolveu o problema.
  • Dependências ausentes – Um import perdido, ausente no ambiente virtual, derrubou o servidor na inicialização. Agora, verificações prévias instalam e verificam todos os pacotes necessários antes de um reinício, detectando o problema precocemente.

Conclusão

Um servidor MCP modesto pode transformar um ritual de relatórios trabalhoso em um fluxo de trabalho automatizado e pronto para auditoria, mas exige práticas de codificação disciplinadas e disposição para manter um pequeno serviço. Profissionais de marketing que investem o tempo de configuração trocam o trabalho maçante das planilhas pela análise estratégica.