# Suivre ses performances en conversation : le serveur MCP

Un serveur MCP (Model Context Protocol) est un connecteur qui permet à un assistant d’IA de consulter des données, et parfois d’agir. Google en publie pour Google Analytics et Google Ads, en lecture seule, et pour BigQuery. Ce qu’on peut leur demander, pourquoi les réponses doivent reprendre les définitions d’un arbre de métriques, comment fixer qui lit et qui agit, et ce qu’on garde en vue partagée.

Guide · Écrit par l’IA, relu par David Solito · Publiée le 7 novembre 2026 · 5 min de lecture

Un responsable marketing qui veut savoir pourquoi le coût d’une demande a augmenté ouvre en général trois outils : Google Ads, GA4 et le CRM. Il compare, exporte, recoupe. Un assistant d’IA relié à ces données peut faire ce travail de recherche à partir d’une question posée en mots simples. Le connecteur qui le permet s’appelle un serveur MCP.

## Ce qu’est un serveur MCP

Le Model Context Protocol (MCP) est un protocole ouvert qui permet à un assistant d’IA d’utiliser des outils extérieurs. Un serveur MCP expose un ensemble d’outils, par exemple « lancer un rapport », « lister les campagnes », que l’assistant découvre et appelle lui-même pour répondre à une question. [3](#source-3)

Le guide de Google pour son serveur Google Ads décrit la boucle : l’utilisateur pose une question comme « quelles sont les performances de ma campagne cette semaine ? » ; l’assistant regarde les outils disponibles, choisit le bon, le serveur exécute la requête, et l’assistant rédige la réponse à partir du résultat. [3](#source-3)

## Les serveurs de Google

Google publie trois serveurs utiles pour la mesure des campagnes.

- **Google Analytics.** Il lit les comptes et les propriétés, lance des rapports, des rapports d’entonnoir et des rapports en temps réel, et liste les liens vers Google Ads. [2](#source-2) Google précise qu’il ne sert qu’aux demandes de lecture et ne peut pas modifier la configuration ni les réglages de Google Analytics. [1](#source-1) Le dépôt le présente comme expérimental. [2](#source-2)

- **Google Ads.** Il est en lecture seule dans sa version actuelle, selon le guide d’intégration de Google. [3](#source-3) La note [Connecter un assistant d’IA à Google Ads](/fr/memory/claude-google-ads-mcp/) en détaille l’usage.

- **BigQuery.** Google propose depuis janvier 2026 un serveur géré et hébergé à distance, qui donne aux assistants un accès aux données d’analyse stockées dans BigQuery par un ensemble d’outils définis. [4](#source-4) C’est la voie quand les données du CRM, des plateformes et du site sont réunies dans un même entrepôt.

D’autres éditeurs publient leurs propres serveurs. Fawad Hussain Syed note que plusieurs outils d’analyse, dont Cube, Lightdash, Rill et Evidence, ont commencé à en livrer. [6](#source-6)

## Ce qu’on peut lui demander

L’intérêt n’est pas de remplacer un rapport par une phrase, mais de poser les questions qu’un rapport ne prévoit pas :

- « Pourquoi le coût par lead qualifié de LinkedIn a-t-il augmenté en septembre ? »

- « Quelle campagne a amené les contrats signés ce trimestre ? »

- « Les demandes venues de Meta se qualifient-elles moins que celles de Google, sur les six derniers mois ? »

- « Qu’est-ce qui a changé dans le compte la semaine où les conversions ont baissé ? »

Pour répondre, l’assistant combine plusieurs sources. La réponse vaut ce que valent les définitions qu’il utilise.

## Pourquoi il faut des définitions fixées avant

Un assistant laissé libre calcule à sa façon. Deux questions proches peuvent recevoir deux réponses fondées sur deux définitions du « lead qualifié », ou sur deux périodes différentes. Cube le formule ainsi : pour éviter qu’un agent invente des métriques, il faut sortir leur logique des consignes, les définir une fois dans une couche dite sémantique, et laisser l’agent choisir parmi ces métriques certifiées au lieu d’écrire ses propres calculs. [5](#source-5) Fawad Hussain Syed cite l’exemple de Snowflake, qui a fait passer la justesse des requêtes générées de 57 à 78 % en améliorant le modèle sémantique, plutôt que les consignes ou le modèle d’IA. [6](#source-6)

Pour une entreprise de taille moyenne, l’arbre de métriques remplit ce rôle : chaque indicateur y a une définition, une formule et une source. Les réponses de l’assistant reprennent ces définitions au lieu d’en inventer une à chaque question. La note [L’arbre de métriques](/fr/memory/arbre-de-metriques/) explique comment le construire. Le renvoi des étapes du CRM aux plateformes, qui alimente ces données, est décrit dans [Relier votre CRM à Google, Meta et LinkedIn](/fr/memory/conversions-hors-ligne/).

## Lire ou agir : une décision de gouvernance

Les serveurs officiels de Google Analytics et de Google Ads sont aujourd’hui en lecture seule. D’autres serveurs, ou des développements propres, peuvent permettre à l’assistant d’agir : modifier un budget, mettre une campagne en pause, ajouter un mot-clé négatif.

Ce choix ne se règle pas par défaut. Il se décide avec le client, selon ses règles : qui peut demander une action, quelles actions l’assistant peut proposer et lesquelles il peut exécuter, qui relit avant, et comment chaque changement est enregistré. Une organisation peut très bien ouvrir la lecture à toute l’équipe et réserver l’action à une personne, sur un périmètre limité. Les accès se donnent par compte, avec les droits les plus étroits qui suffisent : le serveur Google Analytics, par exemple, se contente d’un accès en lecture seule à Analytics. [2](#source-2)

## Ce qu’on garde en vue partagée

Le débat sur la fin des tableaux de bord est réel. IDC titre en juillet 2026 que les tableaux de bord sont morts et que l’analyse vit désormais dans les outils de travail ; [8](#source-8) une tribune du Forbes Technology Council annonce en août 2026 la fin de « l’usine à tableaux de bord ». [9](#source-9) D’autres nuancent : Blair Bader, de Solid, estime que la vraie question est de savoir quelles questions méritent un tableau de bord et lesquelles méritent une conversation ; [7](#source-7) Fawad Hussain Syed conclut que le changement n’est pas du tableau de bord à la conversation, mais du tableau de bord comme livrable à la définition des métriques comme livrable. [6](#source-6)

En pratique, une vue partagée garde un rôle : les quelques chiffres que l’équipe regarde ensemble chaque semaine, au même endroit, avec les mêmes définitions. L’assistant sert pour le reste : les questions ponctuelles, les recherches de cause, les comparaisons qu’aucun rapport ne prévoyait.

## Ce qu’il faut retenir

- Un serveur MCP permet à un assistant d’IA de consulter des données et, selon les cas, d’agir.

- Google publie des serveurs pour Google Analytics et Google Ads, en lecture seule, et un serveur géré pour BigQuery.

- Les réponses ne valent que si les définitions sont fixées avant : c’est le rôle de l’arbre de métriques.

- Ce que l’assistant peut lire et ce qu’il peut faire se décide avec le client, selon ses règles.

- Une vue partagée reste utile pour les chiffres suivis ensemble ; l’assistant sert aux questions qu’elle ne prévoit pas.

Pour mettre en place et vérifier cette mesure avec votre équipe, découvrez notre accompagnement en [mesure et tracking](/fr/mesure-et-tracking/).

Sources consultées le 13 octobre 2026.