Что такое MCP и как AI-агент может анализировать маркетинговые отчеты вместо вас

Маркетологу часто приходится отвечать на вопросы: «Какой канал вносит наибольший вклад в выручку?», «Как изменилось качество трафика после запуска новых креативов?» или «Какие кампании съедают бюджет, но не приносят продаж?». Для этого ему приходится скачивать отчеты из рекламных кабинетов и аналитических систем, часами составлять таблицы в Excel или ждать помощи аналитика.

Эту задачу решает AI-агент на MCP-сервере. Он заменяет сложную цепочку ручных действий одним запросом на обычном языке: вы спрашиваете — он сам находит данные, считает и объясняет результат.

В этой статье я покажу, как работает архитектура такого агента, и объясню, как он автоматизирует маркетинговую аналитику.

Что такое MCP 

Model Context Protocol (MCP) — это открытый стандарт, который позволяет AI-моделям подключаться к внешним системам: базам данных, рекламным платформам, CRM-системам или любым другим сервисам. 

MCP имеет контролируемый доступ к данным: модель не получает полного доступа к базе или системе. Вместо этого она обращается только к конкретным наборам информации и инструментам, необходимым для выполнения определенной задачи. Это позволяет передавать минимальный объем информации и снижает риски утечки или неконтролируемого использования данных.

Компания Anthropic представила эту технологию в конце 2024 года. Однако настоящий бум произошел летом 2025 года, когда сервисы начали массово выпускать MCP-приложения к своим инструментам.

Как это работает

ИИ без MCP — это чрезвычайно умный консультант, который, однако, заперт в комнате без окон, телефона и интернета. Он много знает, но не видит, что происходит в вашем бизнесе прямо сейчас. 

ИИ с MCP — это тот же консультант, которому дали доступ к компьютеру и интернету. Он получает «руки»: возможность заходить в ваши системы, самостоятельно выполнять запросы и выдавать готовый результат.

Кому подойдут ИИ-агенты на базе MCP

Гибкость протокола позволяет адаптировать решение под разные масштабы бизнеса, однако подход будет индивидуальным.

1. Средний бизнес. Для компаний такого уровня внедрение MCP-агентов дает самый быстрый и заметный доход (ROI), поскольку позволяет автоматизировать аналитику и операционные процессы без увеличения штата.

2. Enterprise. Для корпоративного сектора с огромными массивами информации и строгими протоколами безопасности более эффективными будут мультиагентные системы или специализированные агенты для отдельных департаментов. Это позволяет соблюдать ограничения доступа и обеспечивать высокую точность в узких нишах.

3. Стартапы. Целесообразность внедрения зависит от стадии развития. Если данных еще недостаточно для глубокой аналитики, агент может быть полезен для выполнения других функциональных задач (например, автоматизации коммуникаций или мониторинга рынка).

Как AI-агент с MCP анализирует ваши маркетинговые данные

Рассмотрю на конкретном примере. У вас есть хранилище BigQuery, где собрано все: расходы на рекламу из Google Ads и Meta Ads, данные из GA4, данные и транзакции из CRM. 

К BigQuery подключен MCP-сервер с набором инструментов, к которым AI-агент имеет доступ.

Вот так выглядит архитектура (схема высокого уровня) такого AI-агента.

1. Пользователь (User) — начальная и конечная точка взаимодействия.

2. Задача (Prompt) — текстовый запрос, который пользователь дает агенту.

3. Ответ (Response) — результат работы агента в текстовом или табличном формате.

4. Агент на базе Google ADK (Agent based on Google ADK) — агент, развернутый на Cloud Run, который  имеет специальный набор инструментов для выполнения задач.

5. AI-модель (AI model) — это LLM-модель, которую использует AI-агент для анализа промпта. Она отвечает за логику, понимание языка и планирование. Модель анализирует текст запроса, понимает намерения пользователя и формулирует план действий и использования инструментов. 

6. Инструменты (Tools) — это заготовленные запросы, схемы, короткие алгоритмы действий, которые агент может использовать для выполнения задачи.

Схема работы AI-агента на базе Google ADK.

Далее рассмотрим путь вашего запроса.

Шаг 1. Запрос на обычном языке

Вместо того, чтобы ставить техническое задание программисту или самостоятельно создавать сложные SQL-запросы и фреймворки, вы пишете в чат:

Шаг 2. AI-агент самостоятельно выбирает инструменты

Получив запрос, агент сканирует список доступных инструментов на MCP-сервере, каждый из которых имеет описание функций. 

Для нашего запроса агент выбирает инструмент campaigns_by_cpc_cpa, который выполняет готовый SQL-запрос к BigQuery и возвращает сводные данные.

Если готового инструмента нет, агент изучает схему таблиц через инструмент get_table_info и может самостоятельно написать SQL-запрос через инструмент run_sql.

Шаг 3. Результат с объяснением

Через несколько секунд вы видите не просто таблицу с цифрами, а содержательное аналитическое объяснение:

Четыре сценария, в которых AI-агент с MCP даст самый быстрый результат

Сравнение каналов по разным моделям атрибуции

Вечный вопрос маркетинга: откуда на самом деле приходят продажи? 

Ответ часто зависит от модели атрибуции. Last Click (последний клик) рисует одну картину, Time Decay (учет времени до конверсии) — другую, а Position Based (акцент на первом и последнем шаге) — третью.

Обычно такой анализ требует составления огромных таблиц. AI-агент делает это за один запрос:

Результат на выходе:

Аудит «дорогих» кампаний

Еще один распространенный вопрос: какие кампании съедают бюджет, но не приносят конверсий?

Обычно маркетолог тратит часы, чтобы просмотреть десятки кампаний в кабинетах Google и Meta и сопоставить их с показателями конверсии. AI-агент делает это за секунды.

Агент подключается к данным Google Ads и Meta Ads в BigQuery, сравнивает стоимость клика и стоимость привлечения клиента по каждой кампании и предоставляет не просто цифры, а контекст:

Анализ географии дохода

Вопрос «Какие страны и города приносят наибольшую прибыль?» требует сведения данных из GA4, CRM и рекламных кабинетов. 

AI-агент делает это автоматически, показывая не только выручку по регионам, но и количество транзакций и средний чек.

SEO-аналитика 

Агент подключается к данным Google Search Console и находит запросы, по которым ваш сайт получает тысячи показов, но пользователи почти не кликают. В рамках запроса агент:

• проводит базовый SEO-аудит;

• подберет потенциальные ключевые слова через Search Console;

• проанализирует конкурентов;

• составит план SEO-оптимизации. 

Что нужно, чтобы AI-агент заработал в вашей компании

Эффективность AI-агента зависит от качества и доступности данных. Прежде чем его внедрять, нужно пройти три этапа подготовки.

Этап 1. Консолидация данных

Первоочередная задача — объединить показатели из всех источников в одном месте. Для этого настраиваются ETL-процессы, которые импортируют данные из Google Ads, Meta Ads, GA4, CRM-системы в единое хранилище. 

Самый распространенный вариант — хранилище BigQuery от Google. Оно хорошо масштабируется, легко интегрируется с рекламными платформами и имеет нативную поддержку MCP.

На этом этапе важно не только собрать данные, но и привести их к единой структуре: стандартизировать названия кампаний, UTM-метки, метрики. Без этого агент будет давать противоречивые ответы. 

Этап 2. Развертывание MCP-сервера

MCP-сервер — это набор инструментов, к которым AI-агент имеет доступ. 

Каждый инструмент выполняет конкретное действие: «подсчитать ROAS по каналам», «показать географию дохода», «выполнить произвольный SQL-запрос».

Пример набора инструментов MCP-сервера для маркетинговой аналитики по категориям.

Рекламная аналитика

Атрибуция и конверсии

Трафик и поведение

SEO-аналитика

Другие инструменты

Готовые инструменты работают быстрее и точнее. Это заранее проверенные SQL-запросы для типичных задач (например, отчет по ROAS). Результат здесь предсказуем и точен. 

Гибкие инструменты (run_sql, get_table_info) покрывают нестандартные запросы, но требуют качественного описания схемы данных, чтобы агент написал корректный запрос.

Этап 3. Настройка агента под бизнес-потребности

Завершающий шаг — научить агента понимать ваш бизнес. Для этого ему нужен контекст: что означают ваши метрики, как вы их рассчитываете, какие правила действуют, кто конечный пользователь. 

Настройка происходит через системный промпт — подробную инструкцию, которая описывает роль агента и правила формирования ответов.

Пример системного промпта агента, состоящего из следующих блоков:

1. Роль и идентичность. Определяет, кем является агент — его специализацию, уровень экспертизы и принципы работы. 

2. Доступные инструменты. Перечень и краткое описание каждого инструмента с MCP-сервера, либо описание навыков для работы, сгруппированных по категориям: инструменты исследования схемы, готовые аналитические запросы, выполнение произвольного SQL, веб-поиск. Агент использует этот блок, чтобы выбрать правильный инструмент для конкретной задачи.

3. Обязательные проверки. Набор шагов, которые агент должен выполнить перед каждым запросом к данным: проверить свежесть данных, верифицировать схему таблиц, выбрать оптимальный инструмент. Это помогает предотвратить ошибки и галлюцинации.

4. Модули работы. Пошаговые алгоритмы для типичных сценариев: стандартный анализ данных, детекция аномалий с поиском внешних причин, мониторинг конкурентов, UX-аудит страниц, SEO-аналитика. Каждый модуль — это четкая цепочка действий от получения запроса до финальной рекомендации.

5. Бизнес-контекст. Ориентиры, по которым агент оценивает результаты: какие значения ROAS считать нормальными, при каком CPA сигнализировать о проблеме, какие метрики являются ключевыми для бизнеса. Без этого блока агент будет выдавать сухие цифры без оценки.

6. Стиль ответов. Правила формата в зависимости от типа вопроса: быстрый запрос — краткий ответ с ключевым числом, аналитический вопрос — данные → интерпретация → рекомендация, аномалия — пошаговая диагностика с доказательствами. Также здесь прописаны ограничения: не выдумывать данные, всегда проверять актуальность, отделять факты от интерпретаций.

Чтобы агент не выдавал просто цифры, он должен знать ваши бизнес-ориентиры. Например:

• нормальный ROAS для вашего проекта — от 3 до 7;

• CPA свыше $40 — это тревожный сигнал.

Без этого контекста пользователь получит сухие цифры и пойдет к аналитику с вопросом: «А $40 за клиента — это вообще нормально или мы сливаем бюджет?». С настроенным контекстом агент сам выделит проблему и даст оценку результата.

Экосистема Google Cloud для внедрения

Google активно развивает инфраструктуру для AI-агентов. Для реализации подобных решений используются три ключевых продукта.

1. Agent Development Kit (ADK) — это фреймворк для создания агентов. ADK поддерживает MCP «из коробки»: вы подключаете свой MCP-сервер и получаете агента, который может работать с вашими данными. Хотя фреймворк оптимизирован для экосистемы Google, он гибкий и может работать с различными AI-моделями.

2. Agent Garden — это среда на платформе Vertex AI для развертывания, тестирования и мониторинга агентов. Здесь можно управлять доступом к данным, отслеживать логи и ошибки, а также масштабировать решения.

3. Cloud Run — платформа для развертывания MCP-серверов. Обеспечивает стабильный и безопасный доступ агента к данным, автоматическое масштабирование и минимальные затраты на инфраструктуру.

Чего ожидать от AI-агента (а чего — нет)

AI-агент — это не замена аналитика, маркетолога или SEO-специалиста. Это инструмент, который берет на себя рутину: сводку данных, построение типовых отчетов, ответы на повторяющиеся вопросы. 

С его помощью у специалиста освобождается время для работы, требующей поиска инсайтов, построения и тестирования сложных гипотез, стратегического анализа, разработки стратегии и т. д.

Выводы

Если ваша компания ежедневно работает с рекламными платформами и регулярно составляет отчеты, внедрение AI-агента с MCP существенно ускоряет этот процесс.

1. MCP — это «руки» для искусственного интеллекта. Стандарт, который помогает AI-моделям подключаться к внешним системам.

2. AI-агент подключается к BigQuery, где собраны данные с ваших рекламных платформ и Search Console, и отвечает на вопросы на естественном языке.

3. Самый быстрый результат дает в маркетинговой аналитике. Сравнение каналов, анализ CPC/CPA, география дохода, SEO-аналитика — эти задачи агент поможет решить за считанные минуты. 

4. Качественные данные — это фундамент. Без консолидированного хранилища с чистыми, стандартизированными данными агент не будет работать эффективно.

5. Агент — это инструмент, а не замена специалиста. Он берет на себя рутину и делает аналитику доступной для всей команды. 

Если вы хотите понять, как подобный подход можно применить в вашей компании, оставьте заявку на консультацию. Мы поможем оценить готовность ваших данных и возможности внедрения AI-агента в ваши бизнес-процессы.