Що таке MCP і як AI-агент може аналізувати маркетингові звіти замість вас

Маркетологу часто потрібно відповісти на запитання: «Який канал дає найбільший вклад у виторг?», «Як змінилася якість трафіку після запуску нових креативів?» чи «Які кампанії з’їдають бюджет, але не приносять продажів?». Для цього він змушений вивантажувати звіти з рекламних кабінетів і аналітичних систем, годинами зводити таблиці в Excel або чекати на допомогу аналітика.

Цю задачу вирішує AI-агент на MCP-сервері. Він замінює складний ланцюжок ручних дій одним запитом звичайною мовою: ви запитуєте — він сам знаходить дані, рахує та пояснює результат.

У цій статті я покажу, як працює архітектура такого агента і поясню, як він автоматизує маркетингову аналітику.

Що таке MCP 

Model Context Protocol (MCP) — це відкритий стандарт, який дає змогу AI-моделям підключатися до зовнішніх систем: баз даних, рекламних платформ, CRM-систем або будь-яких інших сервісів. 

MCP має контрольований доступ до даних: модель не отримує повного доступу до бази чи системи. Натомість вона звертається лише до конкретних наборів інформації й інструментів, необхідних для виконання певного завдання. Це дає змогу передавати мінімальний обсяг інформації і зменшує ризики витоку або неконтрольованого використання даних.

Компанія Anthropic представила цю технологію наприкінці 2024 року. Проте справжній бум стався влітку 2025, коли сервіси почали масово випускати MCP-додатки до своїх інструментів.

Як це працює

ШІ без MCP — це надзвичайно розумний консультант, який, проте, замкнений у кімнаті без вікон, телефону та інтернету. Він багато знає, але не бачить, що відбувається у вашому бізнесі прямо зараз. 

ШІ з MCP — це той самий консультант, якому дали доступ до комп’ютера й інтернету. Він отримує «руки»: можливість заходити у ваші системи, самостійно виконувати запити й видавати готовий результат.

Кому підійдуть АІ-агенти на базі MCP

Гнучкість протоколу дозволяє адаптувати рішення під різні масштаби бізнесу, проте підхід буде індивідуальним.

1. Середній бізнес. Для компаній такого рівня впровадження MCP-агентів дає найшвидший і найпомітніший прибуток (ROI), оскільки дозволяє автоматизувати аналітику та операційні процеси без роздування штату.

2. Enterprise. Для корпоративного сектору з величезними масивами інформації та суворими протоколами безпеки ефективнішими будуть мультиагентні системи або спеціалізовані агенти для окремих департаментів. Це дає змогу дотримуватися обмежень доступу та забезпечувати високу точність у вузьких нішах.

3. Стартапи. Доцільність впровадження залежить від стадії розвитку. Якщо даних ще замало для глибокої аналітики, агент може бути корисним для виконання інших функціональних завдань (наприклад, автоматизації комунікацій чи моніторингу ринку).

Як AI-агент з MCP аналізує ваші маркетингові дані

Розберу на конкретному прикладі. У вас є сховище BigQuery, де зібрано докупи все: витрати на рекламу з Google Ads і Meta Ads, дані з GA4, дані й транзакції з CRM. 

До BigQuery підключений MCP-сервер із набором інструментів, до яких AI-агент має доступ.

Ось так виглядає архітектура (high-level схема) такого АІ-агента.

1. Користувач (User) — початкова і кінцева точка взаємодії.

2. Завдання (Prompt) — текстовий запит, який користувач дає агенту.

3. Відповідь (Response) — результат робити агента в текстовому або табличному форматі.

4. Агент на базі Google ADK (Agent based on Google ADK) — агент, розгорнутий на Cloud Run, який  має спеціальний набір інструментів для виконання завдань.

5. АІ-модель (AI model) — це LLM-модель, яку використовує AI-агент для аналізу промту. Вона відповідає за логіку, розуміння мови та планування. Модель аналізує текст запиту, розуміє наміри користувача і формулює план дій і використання інструментів. 

6. Інструменти (Tools) — це заготовлені запити, схеми, короткі алгоритми дій, котрі агент може використовувати для виконання завдання.

Схема роботи AI-агента на базі Google ADK.

Далі розгляну шлях вашого запиту.

Крок 1. Запит звичайною мовою

Замість того, щоб ставити технічне завдання програмісту або власноруч створювати складні SQL-запити та фреймворки, ви пишете в чат:

Крок 2. AI-агент самостійно обирає інструменти

Отримавши запит, агент сканує список доступних інструментів на MCP-сервері, кожен із яких має опис функцій. 

Для нашого запиту агент обирає інструмент campaigns_by_cpc_cpa, який виконує готовий SQL-запит до BigQuery і повертає зведені дані.

Якщо готового інструменту немає, агент вивчає схему таблиць через інструмент  get_table_info і може самостійно написати SQL-запит через інструмент run_sql.

Крок 3. Результат із поясненням

За кілька секунд ви бачите не просто таблицю з числами, а змістовне аналітичне пояснення:

Чотири сценарії, де AI-агент з MCP дасть найшвидший результат

Порівняння каналів за різними моделями атрибуції

Вічне запитання маркетингу: звідки насправді приходять продажі? 

Відповідь часто залежить від моделі атрибуції. Last Click (останній клік) малює одну картину, Time Decay (врахування часу до конверсії) — іншу, а Position Based (акцент на першому і останньому кроці) — третю.

Зазвичай такий аналіз потребує зведення величезних таблиць. AI-агент робить це за один запит:

Результат на виході:

Аудит «дорогих» кампаній

Інше поширене питання: які кампанії з’їдають бюджет, але не приносять конверсій?

Зазвичай маркетолог витрачає години, щоби переглянути десятки кампаній у кабінетах Google і Meta й звести з показниками конверсії. AI-агент робить це за секунди.

Агент підключається до даних Google Ads і Meta Ads у BigQuery, порівнює вартість кліку і вартість залучення клієнта по кожній кампанії, і надає не просто цифри, а контекст:

Аналіз географії доходу

Запитання «Які країни й міста приносять найбільший прибуток?» вимагає зведення даних з GA4, CRM та рекламних кабінетів. 

AI-агент робить це автоматично, показуючи не лише виручку по регіонах, а й кількість транзакцій і середній чек.

SEO-аналітика 

Агент підключається до даних Google Search Console і знаходить запити, де ваш сайт отримує тисячі показів, але користувачі майже не клікають. У межах запиту агент:

• зробить базовий SEO-аудит;

• підбере потенційні ключові слова через Search Console;

• проаналізує конкурентів;

• складе план оптимізації SEO. 

Що потрібно, щоб AI-агент запрацював у вашій компанії

Ефективність AI-агента залежить від якості та доступності ваших даних. Перш ніж його впроваджувати, потрібно пройти три етапи підготовки.

Етап 1. Консолідація даних

Першочергове завдання — об’єднати показники з усіх джерел в одному місці. Для цього налаштовуються ETL-процеси, які імпортують відомості з Google Ads, Meta Ads, GA4, CRM-системи в єдине сховище. 

Найпоширеніший варіант — сховище BigQuery від Google. Воно добре масштабується, легко інтегрується з рекламними платформами і має нативну підтримку MCP.

На цьому етапі важливо не лише зібрати дані, а й привести їх до єдиної структури: стандартизувати назви кампаній, UTM-мітки, метрики. Без цього агент буде давати суперечливі відповіді. 

Етап 2. Розгортання MCP-сервера

MCP-сервер — це набір інструментів, до котрих AI-агент має доступ. 

Кожен інструмент виконує конкретну дію: «порахувати ROAS по каналах», «показати географію доходу», «виконати довільний SQL-запит».

Приклад набору інструментів MCP-сервера для маркетингової аналітики за категоріями.

Рекламна аналітика

Атрибуція та конверсії

Трафік та поведінка

SEO-аналітика

Інші інструменти

Готові інструменти працюють швидше й точніше. Це заздалегідь перевірені SQL-запити для типових задач (наприклад, звіт по ROAS). Результат тут передбачуваний і точний. 

Гнучкі інструменти (run_sql, get_table_info) покривають нестандартні запитання, але вимагають якісного опису схеми даних, щоб агент написав коректний запит.

Етап 3. Налаштування агента під бізнес-потреби

Завершальний крок — навчити агента розуміти ваш бізнес. Для цього йому потрібен контекст: що означають ваші метрики, як ви їх вираховувати, які правила діють, хто кінцевий користувач. 

Налаштування відбувається через системний промпт — детальну інструкцію, яка описує роль агента та правила формування відповідей.

Приклад системного промпту агента, що складається з наступних блоків:

1. Роль та ідентичність. Визначає, ким є агент — його спеціалізацію, рівень експертизи та принципи роботи. 

2. Доступні інструменти. Перелік і короткий опис кожного інструменту з MCP-сервера, або ж опис skills для роботи з згрупованих за категоріями: інструменти дослідження схеми, готові аналітичні запити, виконання довільного SQL, веб-пошук. Агент використовує цей блок, щоби обрати правильний інструмент під конкретне завдання.

3. Обов’язкові перевірки. Набір кроків, які агент має виконати перед кожним запитом до даних: перевірити свіжість даних, верифікувати схему таблиць, обрати оптимальний інструмент. Це допомагає запобігати помилкам і галюцинаціям.

4. Модулі роботи. Покрокові алгоритми для типових сценаріїв: стандартний аналіз даних, детекція аномалій із пошуком зовнішніх причин, моніторинг конкурентів, UX-аудит сторінок, SEO-аналітика. Кожен модуль — це чіткий ланцюжок дій від отримання запиту до фінальної рекомендації.

5. Бізнес-контекст. Орієнтири, за якими агент оцінює результати: які значення ROAS вважати нормальними, при якому CPA сигналізувати про проблему, які метрики є ключовими для бізнесу. Без цього блоку агент видаватиме сухі цифри без оцінки.

6. Стиль відповідей. Правила формату залежно від типу запитання: швидкий запит — коротка відповідь із ключовим числом, аналітичне питання — дані → інтерпретація → рекомендація, аномалія — покрокова діагностика з доказами. Також тут прописані обмеження: не вигадувати дані, завжди перевіряти актуальність, розділяти факти від інтерпретацій.

Щоб агент не видавав просто цифри, він має знати ваші бізнес-орієнтири. Наприклад:

• нормальний ROAS для вашого проєкту — від 3 до 7;

• CPA понад $40 — це тривожний сигнал.

Без цього контексту користувач отримає сухі числа й піде до аналітика з питанням: «А $40 за клієнта — це взагалі ок чи ми зливаємо бюджет?». З налаштованим контекстом агент сам підсвітить проблему й дасть оцінку результату.

Екосистема Google Cloud для впровадження

Google активно розвиває інфраструктуру для AI-агентів. Для реалізації подібних рішень використовуються три ключові продукти.

1. Agent Development Kit (ADK) — це фреймворк для створення агентів. ADK підтримує MCP «із коробки»: ви підключаєте свій MCP-сервер і отримуєте агента, який може працювати з вашими даними. Хоча фреймворк оптимізований для екосистеми Google, він гнучкий і може працювати з різними AI-моделями.

2. Agent Garden — це середовище на платформі Vertex AI для розгортання, тестування і моніторингу агентів. Тут можна керувати доступами до даних, відстежувати логи й помилки, і масштабувати рішення.

3. Cloud Run — платформа для розгортання MCP-серверів. Забезпечує стабільний і безпечний доступ агента до даних, автоматичне масштабування та мінімальні витрати на інфраструктуру.

Чого чекати від AI-агента ( а чого — ні)

AI-агент — це не заміна аналітика, маркетолога чи seo-спеціаліста. Це інструмент, який забирає на себе рутину: зведення даних, побудову типових звітів, відповіді на повторювані питання. 

З ним у спеціаліста звільняється час для роботи, яка потребує пошуку інсайтів, побудови і тестування складних гіпотез, стратегічного аналізу, побудови стратегії тощо.

Висновки

Якщо ваша компанія щодня працює з рекламними платформами й регулярно зводить звіти, впровадження AI-агента з MCP суттєво пришвидшує цей процес.

1. MCP — це «руки» для штучного інтелекта. Стандарт, який допомагає AI-моделям підключатися до зовнішніх систем.

2. AI-агент підключається до BigQuery, де зібрані дані з ваших рекламних платформ та Search Console, і відповідає на запитання природною мовою.

3. Найшвидший результат дає в маркетинговій аналітиці. Порівняння каналів, аналіз CPC/CPA, географія доходу, SEO-аналітика — ці задачі агент допоможе вирішити за лічені хвилини. 

4. Якісні дані — це фундамент. Без консолідованого сховища з чистими, стандартизованими даними агент не працюватиме ефективно.

5. Агент — це інструмент, а не заміна спеціаліста. Він забирає на себе рутину й робить аналітику доступною для всієї команди.