MCP: cos’è e perché cambierà il modo in cui i tuoi strumenti parlano tra loro

C’è un collo di bottiglia che ogni agenzia digitale conosce: i team operativi, Account Manager, Project Manager, che dipendono dai reparti tecnici per ottenere dati che, in teoria, sono già disponibili. Il risultato è prevedibile: ticket interni, attese, e tecnici che passano una parte significativa del loro tempo a estrarre report invece di lavorare su progetti ad alto valore.

Abbiamo deciso di eliminare questo problema alla radice, costruendo un’infrastruttura che collega Google Analytics 4 direttamente a un assistente AI conversazionale tramite il Model Context Protocol (MCP).

Il contesto: gestire GA4 su scala

Quando si amministrano decine di proprietà GA4 distribuite su più account e più clienti, anche un analista esperto impiega tempo a navigare la struttura, individuare la proprietà corretta e configurare il report giusto. Per un profilo non tecnico, l’interfaccia di GA4 rappresenta una barriera concreta all’accesso ai dati.

Il problema non è la competenza delle persone: è l’architettura degli strumenti, pensata per chi li ha configurati, non per chi ha bisogno delle informazioni che contengono.

Cosa abbiamo costruito

L’infrastruttura si compone di due microservizi Python, progettati per essere consumati via MCP da un modello di linguaggio (nel nostro caso, Claude su un piano Teams).

Il primo servizio si occupa della risoluzione delle proprietà: dato un nome cliente o un identificativo parziale, scansiona tutti gli account GA4 aziendali e restituisce la proprietà corretta. Questo elimina il passaggio manuale di ricerca, che su un parco clienti ampio è una fonte costante di attrito.

Il secondo servizio gestisce l’estrazione dei report: riceve i parametri della query, intervallo temporale, dimensioni, metriche ed esegue le chiamate alle API di GA4, restituendo dati strutturati pronti per l’interpretazione.

Come base per la logica di estrazione abbiamo adottato il cuore di GA4 Magic Reports di Michele Pisani, uno strumento con una copertura solida delle API GA4 Data. Partire da una base già testata e garantita ci ha permesso di concentrare il lavoro dove conta: l’architettura di integrazione, la gestione degli errori su scala, e il layer MCP.

Il ruolo di MCP

Il Model Context Protocol è uno standard aperto che consente a un modello AI di invocare strumenti esterni in modo strutturato. In termini pratici, definisce un contratto tra l’assistente AI e i servizi che gli mettiamo a disposizione: quali operazioni può eseguire, con quali parametri, e in quale formato riceve le risposte.

Questo significa che l’utente non deve sapere come funziona GA4, quali API chiamare, o dove si trova una proprietà. Scrive una domanda in linguaggio naturale:

“Claude, prendi i dati GA4 dell’ultimo mese per l’account X e dimmi quali sono i primi 5 canali con maggior traffico e maggior coinvolgimento.”

L’assistente identifica la proprietà corretta, esegue la query, e restituisce una risposta leggibile in pochi secondi.

Cosa è cambiato concretamente

Per dare una misura del problema che abbiamo risolto, in contesti ad alta intensità di dati i team di analisti possono arrivare a dedicare il 50-70% del proprio tempo alla gestione di richieste ad hoc. Il dato è coerente anche con altre statistiche ricorrenti nel settore. Circa il 60-80% del tempo dei team analytics viene ancora assorbito da attività di reportistica manuale, estrazione, pulizia e formattazione anziché da analisi strategica.

L’infrastruttura MCP ha eliminato il collo di bottiglia delle richieste ricorrenti di dati GA4 che attraversavano il team tecnico come intermediario obbligato, restituendo quel tempo a entrambi i team.

I benefici si distribuiscono su tre livelli:

Per i team operativi, l’accesso ai dati è diventato immediato e autonomo. Un Account Manager può verificare l’andamento di una campagna o preparare un dato per una call con il cliente senza aprire un ticket e senza aspettare.

Per il team tecnico, il tempo precedentemente assorbito da estrazioni di routine è ora disponibile per attività a maggior valore: sviluppo, ottimizzazione, automazione.

Per l’affidabilità dei dati, ogni risposta passa attraverso un’infrastruttura di codice deterministica. Non c’è interpretazione manuale dell’interfaccia, non c’è rischio di selezionare la proprietà o il filtro sbagliato. Se la query è corretta, il dato è corretto.

Oltre GA4: la prospettiva

Quello che abbiamo costruito per Google Analytics, e che oggi stiamo espandendo agli altri stack della Suite di Google, è un modello replicabile. La stessa architettura, microservizi dedicati esposti via MCP, può collegare un assistente AI a qualsiasi sistema aziendale che esponga API: CRM, piattaforme di advertising, strumenti di project management, database interni.

MCP non è una novità fine a sé stessa. È l’infrastruttura che permette all’AI di passare dalla generazione di testo all’operatività concreta sui sistemi aziendali. La differenza tra le due cose è la differenza tra uno strumento interessante e uno strumento utile.

Noi abbiamo scelto di costruire, un pezzo alla volta.