Asystent AI, który nie ma dostępu do twoich danych, potrafi tylko zgadywać. Zapytany o to, dlaczego ruch na blogu spadł w zeszłym miesiącu, odpowie ogólnikami o sezonowości i aktualizacjach algorytmu, bo nic więcej nie wie. Model Context Protocol (MCP) zmienia ten układ: pozwala podłączyć do modelu realne źródła, z których sam pobierze liczby, zanim sformułuje wniosek.
W praktyce marketingowej trzy połączenia zwracają się najszybciej: Google Search Console, GA4 oraz WordPress. Pierwsze daje kontekst widoczności, drugie zachowanie użytkownika po kliknięciu, trzecie możliwość natychmiastowego wprowadzenia poprawki. Poniżej konfiguracja każdego z nich, zakresy uprawnień, których nie warto rozdawać zbyt szeroko, oraz lista zadań, które od razu skracają się z godzin do minut.
Czym jest MCP i co zmienia w pracy z asystentem
Model Context Protocol to otwarty standard komunikacji między modelem językowym a zewnętrznymi systemami. Opublikowała go firma Anthropic pod koniec 2024 roku, a w ciągu kolejnych miesięcy przyjęli go kolejni dostawcy, łącznie z OpenAI. Zamiast pisać osobną integrację pod każdą kombinację modelu i narzędzia, opisujesz swoje źródło raz, zgodnie ze specyfikacją, a korzystać z niego może dowolny klient obsługujący protokół. Pełna dokumentacja techniczna jest dostępna w oficjalnym serwisie Model Context Protocol.
Różnica wobec klasycznego promptowania jest zasadnicza. Wklejając asystentowi raport w formie tabeli, dajesz mu zamrożony wycinek rzeczywistości, w dodatku wybrany przez ciebie, a więc obarczony twoimi założeniami. Przy połączeniu przez MCP model sam decyduje, o co dopytać: sprawdza pozycje, potem zawęża do konkretnego kraju, potem porównuje dwa okresy. Wykonuje sekwencję zapytań, której nie zaplanowałeś, bo dopiero pierwsza odpowiedź podpowiedziała mu, gdzie szukać dalej.
Kierunek jest szerszy niż same narzędzia analityczne. Protokół wchodzi także do przeglądarek i do wtyczek SEO, o czym pisaliśmy przy okazji udostępnienia WebMCP w ChatGPT. Dla marketera oznacza to jedno: umiejętność spinania własnych źródeł z asystentem przestaje być ciekawostką, a staje się elementem warsztatu.
Architektura: serwer, klient i uprawnienia
Układ ma trzy elementy. Serwer MCP to mały program, który tłumaczy API konkretnej usługi na zestaw narzędzi zrozumiałych dla modelu. Klient MCP to aplikacja, w której pracujesz, na przykład Claude Desktop, ChatGPT czy edytor kodu. Model to warstwa decyzyjna: widzi listę dostępnych narzędzi wraz z opisem parametrów i sam wybiera, które wywołać.
Serwer uruchamiasz lokalnie albo na własnym VPS. Konfiguracja sprowadza się do wpisu w pliku JSON klienta, gdzie podajesz komendę uruchamiającą serwer i zmienne środowiskowe z poświadczeniami. Klucze nigdy nie trafiają do promptu ani do modelu, zostają po stronie serwera. To rozróżnienie jest istotne dla bezpieczeństwa: model widzi wyniki wywołań, nie widzi twoich tokenów.
| Element | Gdzie działa | Za co odpowiada |
|---|---|---|
| Serwer MCP | Lokalnie lub na VPS | Autoryzacja w API, wykonanie zapytania, zwrot danych |
| Klient MCP | Aplikacja użytkownika | Prezentacja narzędzi modelowi, przekazanie wywołań |
| Model | Chmura dostawcy | Wybór narzędzia, interpretacja wyniku |
Podłączenie Search Console: dane i limity
Zacznij od projektu w Google Cloud Console i włączenia Search Console API. Następnie utwórz konto serwisowe, pobierz plik JSON z kluczem i, co najczęściej umyka przy pierwszej konfiguracji, dodaj adres e-mail tego konta jako użytkownika usługi w samym Search Console. Bez tego drugiego kroku API odpowie pustą listą witryn, a nie błędem uprawnień, co potrafi kosztować pół godziny szukania. Procedurę autoryzacji opisuje dokumentacja Google dla Search Console API.
Nadaj kontu rolę ograniczoną do odczytu. Serwer MCP dla GSC nie potrzebuje uprawnień do zgłaszania map witryn ani do usuwania adresów z indeksu, a właśnie te operacje są nieodwracalne w skutkach. Rola pełnego właściciela w rękach automatu to ryzyko bez odpowiadającej mu korzyści.
Pamiętaj o dwóch ograniczeniach samego API. Po pierwsze, dane sięgają 16 miesięcy wstecz i nie da się tego obejść. Po drugie, pojedyncze zapytanie zwraca maksymalnie 25 000 wierszy, a przy większych serwisach Google filtruje część zapytań ze względu na prywatność. Suma kliknięć z raportu zapytań bywa więc niższa niż suma z raportu stron. Warto powiedzieć o tym asystentowi wprost w instrukcji systemowej, inaczej potraktuje różnicę jako błąd danych i zacznie szukać przyczyny tam, gdzie jej nie ma.
Podłączenie GA4: co warto, a czego nie udostępniać
GA4 podłączasz przez Data API w wersji 1beta. Wykorzystaj to samo konto serwisowe co przy Search Console, dodając je w GA4 na poziomie usługi z rolą Viewer. Identyfikator, który wpisujesz w konfiguracji serwera, to numeryczny Property ID, nie ciąg zaczynający się od liter G, który służy do zbierania danych na stronie. Podanie tego drugiego to najczęstszy błąd przy pierwszym uruchomieniu.
Przy GA4 warto świadomie ograniczyć zakres. Wymiary takie jak identyfikator klienta, dokładna lokalizacja czy parametry zdarzeń zawierające dane z formularzy nie są potrzebne do analizy treści, a zwiększają powierzchnię ryzyka. Ogranicz serwer do wymiarów agregujących: strona, kanał, źródło, urządzenie, kraj oraz metryki sesji, zaangażowania i konwersji. Taki zestaw wystarcza do 90 procent pytań, które faktycznie zadajesz.
Uważaj też na próbkowanie i na progi prywatności. GA4 potrafi ukryć wiersze o niskiej liczebności, przez co raport dzienny dla wąskiego segmentu bywa niekompletny. Przy porównaniach okresowych bezpieczniej operować na oknach siedmiodniowych lub 28-dniowych niż na pojedynczych dniach.
WordPress przez MCP: odczyt i publikacja
WordPress udostępnia REST API natywnie, więc serwer MCP potrzebuje tylko poświadczeń. Najprostsza droga to hasło aplikacji wygenerowane w profilu użytkownika, przypisane do konta o roli Editor. Konto administratora do tego zadania nie jest potrzebne, a różnica w konsekwencjach ewentualnej pomyłki jest duża: edytor nie zmieni motywu ani nie zainstaluje wtyczki.
Odczyt jest bezpieczny i od niego zacznij. Model może pobrać listę wpisów, ich kategorie, daty publikacji i metadane SEO, a następnie zestawić je z danymi z GSC. Dopiero to zestawienie daje odpowiedzi, których żadne z tych źródeł nie udzieli osobno, na przykład które teksty z ostatniego kwartału mają wysokie wyświetlenia i niski CTR mimo poprawnie uzupełnionego title.
Publikacja i edycja to osobna decyzja. Rekomendujemy tryb, w którym model przygotowuje zmianę jako wersję roboczą, a człowiek ją zatwierdza. Ekosystem idzie zresztą w stronę gotowych rozwiązań: Rank Math udostępnił własne narzędzia MCP, dzięki którym asystent czyta i zapisuje dane SEO bez pisania integracji od zera.
Bezpieczeństwo: zakresy dostępu i klucze
Trzy zasady wystarczą, żeby uniknąć większości problemów. Po pierwsze, osobne poświadczenia dla każdego serwera, żeby wycofanie jednego nie zrywało pozostałych połączeń. Po drugie, minimalne role: odczyt tam, gdzie nie potrzebujesz zapisu. Po trzecie, klucze w zmiennych środowiskowych albo w menedżerze sekretów, nigdy w pliku konfiguracyjnym trzymanym w repozytorium.
Dodaj do tego rotację co kwartał i włączony log wywołań po stronie serwera. Log bywa nudny do momentu, w którym trzeba odtworzyć, skąd wzięła się zmiana w treści opublikowanej o drugiej w nocy. Zespoły, które budują wewnętrznego asystenta na własnej bazie wiedzy, dochodzą do tych samych wniosków, co pokazuje nasz case wdrożenia asystenta w agencji.
Pięć zadań, które od razu przyspieszają
- Diagnoza spadku ruchu. Model pobiera dane z GSC za dwa okresy, rozbija zmianę na wyświetlenia i pozycję, sprawdza w GA4, czy spadła też konwersja, i wskazuje konkretne adresy zamiast ogólnego trendu.
- Lista kandydatów do aktualizacji. Zestawienie wpisów starszych niż rok z ich obecnymi pozycjami pozwala wskazać teksty w przedziale 8–20, gdzie poprawka daje najszybszy zwrot.
- Audyt kanibalizacji. Asystent szuka zapytań, dla których Google wyświetla naprzemiennie dwa różne adresy z twojej domeny, i proponuje, który tekst wzmocnić, a który przekierować.
- Uzupełnianie metadanych. Model czyta z WordPressa wpisy z pustym opisem meta, sprawdza w GSC ich realne zapytania i proponuje opisy oparte na tym, czego ludzie faktycznie szukają.
- Raport miesięczny. Zamiast ręcznego przeklejania między raportami, jedno polecenie i gotowe podsumowanie z liczbami, które można zweryfikować u źródła.
Skala oszczędności bywa zaskakująca przy zadaniach powtarzalnych i rozproszonych po wielu źródłach. Dobrze widać to na przykładzie researchu konkurencji prowadzonego przez agenta AI, gdzie kilkanaście godzin pracy analityka zamknęło się w ułamku tego czasu.
Ograniczenia i typowe błędy konfiguracji
Najczęstsza pomyłka to konto serwisowe utworzone poprawnie, ale niedodane w interfejsie usługi. API zwraca wtedy pustą odpowiedź, a nie komunikat o braku uprawnień. Druga pułapka to mylenie Property ID z identyfikatorem pomiaru w GA4. Trzecia to zbyt szeroki zakres uprawnień nadany na starcie i nigdy później nieprzycięty.
Warto też pamiętać, że MCP nie usuwa problemu halucynacji, tylko przesuwa go w inne miejsce. Model dostaje prawdziwe liczby, ale wciąż może błędnie zinterpretować ich znaczenie, na przykład uznać sezonowy spadek w sierpniu za skutek aktualizacji algorytmu. Dane wejściowe są weryfikowalne, wnioski nadal wymagają twojej oceny.
Ostatnia kwestia to koszty. Każde wywołanie narzędzia zwraca dane, które trafiają do kontekstu modelu i są rozliczane jak zwykłe tokeny. Zapytanie o 25 000 wierszy z GSC potrafi zużyć znaczną część okna kontekstowego. Ograniczaj wyniki po stronie serwera, zanim trafią do modelu, i agreguj tam, gdzie to możliwe.
FAQ
Czy MCP działa tylko z modelami Anthropic?
Nie. Protokół powstał w Anthropic, ale jest otwartym standardem i obsługują go kolejni dostawcy, w tym OpenAI. Ten sam serwer MCP możesz podłączyć do różnych klientów bez przepisywania integracji.
Czy trzeba umieć programować, żeby podłączyć Search Console?
Nie w typowym scenariuszu. Gotowe serwery MCP dla GSC i GA4 są publicznie dostępne, a konfiguracja sprowadza się do wypełnienia pliku JSON i wskazania pliku z kluczem konta serwisowego. Umiejętność czytania komunikatów błędów jest jednak przydatna.
Czy model zobaczy moje klucze API?
Nie, jeśli konfiguracja jest poprawna. Poświadczenia pozostają po stronie serwera MCP, w zmiennych środowiskowych. Model otrzymuje wyłącznie wyniki wywołań narzędzi, bez dostępu do samych tokenów.
Jak głęboko sięgają dane z Search Console?
Do 16 miesięcy wstecz. Tego limitu nie da się obejść przez API, więc jeśli potrzebujesz dłuższej historii, archiwizuj dane we własnej bazie równolegle do bieżącej pracy.
Czy pozwolić asystentowi publikować bezpośrednio w WordPressie?
Na początku nie. Bezpieczniejszy jest tryb, w którym model tworzy wersję roboczą, a publikację zatwierdza człowiek. Konto powinno mieć rolę Editor, nie administratora.
Czy MCP zastąpi Looker Studio i inne dashboardy?
Nie zastąpi, ale zmienia podział zadań. Dashboard dobrze sprawdza się przy stałym zestawie wskaźników, MCP przy pytaniach jednorazowych, których nikt wcześniej nie przewidział w raporcie.