Revolución en la analítica digital: Google estrena la versión estable del servidor MCP para GA4 y conecta la inteligencia artificial directamente a los datos empresariales de tu web

La integración oficial del Protocolo de Contexto del Modelo (MCP) permite a herramientas como Claude, Cursor o Gemini consultar, auditar y ejecutar acciones en Google Analytics mediante instrucciones en lenguaje natural, eliminando intermediarios y acelerando drásticamente la toma de decisiones estratégicas. Sencillamente brutal

Google Analytics ya tiene su propio servidor MCP en versión estable. ¿Qué significa esto para la analítica digital?

El ecosistema del marketing digital, la analítica web y la inteligencia artificial acaba de presenciar uno de los hitos tecnológicos más trascendentales de la última década. Google ha anunciado de forma oficial la publicación de la versión 1.0 estable de su servidor MCP (Model Context Protocol) para Google Analytics 4 (GA4). Este movimiento estratégico representa la convergencia definitiva entre los grandes modelos de lenguaje (LLM) y la infraestructura de medición de datos que sostiene la economía digital global.

Hasta la fecha, la interacción entre la inteligencia artificial generativa y los entornos de analítica avanzada requería complejos procesos de extracción, transformación y carga de datos (ETL), exportaciones masivas a almacenes como Google BigQuery o la interconexión de paneles dinámicos en Looker Studio. Con la llegada del protocolo MCP, esta arquitectura se simplifica de forma radical.

A partir de este momento, cualquier empresa, departamento de analítica o profesional del marketing puede conectar asistentes de inteligencia artificial de última generación —tales como Claude, Cursor, Gemini o ChatGPT— directamente a la API de Google Analytics 4 para consultar métricas, auditar propiedades y ejecutar optimizaciones mediante lenguaje natural.Google ha publicado la versión 1.0 de su servidor MCP (Model Context Protocol) para GA4. Esta integración permite conectar asistentes de inteligencia artificial, como Claude o Cursor, directamente con los datos de Google Analytics y consultarlos mediante instrucciones en lenguaje natural.

Deja de ser experimental y conecta tu asistente de IA (Claude, Cursor y otros) directo con tus datos de Analytics.. El servidor del Protocolo de contexto del modelo (MCP) de Google Analytics te permite conectar tus datos de Google Analytics a modelos de lenguaje grandes (LLM) y agentes de IA, como Gemini, Claude o Chatgpt. Puedes usar el servidor de MCP para consultar informes en lenguaje natural, inspeccionar parámetros de configuración de propiedades y compilar agentes de estadísticas personalizados. Eso si tendrás que tener un proyecto de Google Cloud y activar sus API.

Su repositorio repositorio contiene el código fuente para ejecutar un servidor MCP multiusuario local o remoto que interactúa con las API de Google Analytics .

 

El servidor utiliza la API de administración de Google Analytics y la API de datos de Google Analytics para proporcionar varias herramientas que se pueden usar con los LLM.

Consideraciones sobre costes y retorno de la inversión

Es importante señalar que, si bien el código del servidor MCP es de código abierto y gratuito, la operativa conlleva costes asociados al consumo de las APIs de Google Cloud (según las cuotas estándar de uso de la API de GA4) y al consumo de tokens en los modelos de inteligencia artificial utilizados (Claude, GPT-4o, Gemini 1.5 Pro, etc.). Sin embargo, al comparar este gasto residual con los elevados costes de almacenamiento y procesamiento masivo en BigQuery o las licencias de herramientas de visualización de terceros, el balance económico resulta abrumadoramente positivo. El ahorro en horas de trabajo especializado amortiza la inversión desde la primera semana de uso.

• get_account_summaries: Recupera información sobre las cuentas y propiedades de Google Analytics del usuario.
• get_property_details: Devuelve detalles sobre una propiedad.
• list_google_ads_links: Devuelve una lista de enlaces a cuentas de Google Ads para una propiedad.
• list_property_annotations: Devuelve anotaciones para una propiedad.
• create_property_annotation: Crea una anotación para una propiedad (requiere pasar el --allow-writeindicador y el analytics.editámbito).
• list_key_events: Devuelve los eventos clave (anteriormente conversiones) definidos en una propiedad.
• create_custom_dimension: Crea una dimensión personalizada en una propiedad (requiere pasar el --allow-writeindicador y el analytics.editámbito, y el rol de Editor en la propiedad).
• create_key_event: Marca un evento como un evento clave en una propiedad (requiere pasar la --allow-writebandera y el analytics.editalcance, y el rol de Marketing o Editor en la propiedad).

• run_report: Ejecuta un informe de Google Analytics utilizando la API de datos.
• run_funnel_report: Ejecuta un informe de embudo de Google Analytics utilizando la API de datos.
• run_conversions_report: Genera un informe de conversiones de Google Analytics (costes publicitarios, conversiones, ROAS y modelos de atribución) utilizando la API de datos.
• get_custom_dimensions_and_metrics: Recupera las dimensiones y métricas personalizadas para una propiedad específica.

• run_realtime_report: Ejecuta un informe en tiempo real de Google Analytics utilizando la API de datos.

Requisitos previos

Antes de configurar el servidor de MCP de Google Analytics, completa los siguientes requisitos:

1. Instala Python y un ejecutor de paquetes:
   • Instala Python 3.10 o una versión posterior.
   • Instala pipx o uv (uvx) para ejecutar el servidor de MCP en un entorno aislado de Python.
2. Habilita las APIs de Google Analytics en :
   • Crea o selecciona un proyecto de .
   • Habilita la API de Google Analytics Admin (analyticsadmin.googleapis.com) y la API de Google Analytics Data (analyticsdata.googleapis.com) en tu proyecto:

     gcloud services enable analyticsadmin.googleapis.com \
       analyticsdata.googleapis.com \
       --project=YOUR_PROJECT_ID
     

3. Otorga acceso a la propiedad de Google Analytics:
   • En la IU de Google Analytics, otorga a tu cuenta de usuario o de servicio al menos el rol de visualizador (roles/analytics.viewer) en la propiedad de Google Analytics de destino. Para obtener instrucciones, consulta Administra el acceso y la restricción de datos.

Configura la autenticación

El servidor de MCP de Google Analytics se autentica con las credenciales predeterminadas de la aplicación (ADC) con el permiso de OAuth 2.0 de solo lectura de Google Analytics:

https://www.googleapis.com/auth/analytics.readonly

Puedes configurar ADC con tu Cuenta de Google de usuario o una cuenta de servicio.

Opción 1: Autentica con credenciales de usuario

1. Instala e inicializa gcloud CLI.
2. Ejecuta gcloud auth application-default login con los permisos requeridos:

   gcloud auth application-default login \
     --scopes="https://www.googleapis.com/auth/analytics.readonly,https://www.googleapis.com/auth/cloud-platform"
   

   Si usas un archivo de configuración de cliente web o de escritorio de OAuth 2.0 descargado (consulta Administra clientes de OAuth), pasa --client-id-file:

   gcloud auth application-default login \
     --scopes="https://www.googleapis.com/auth/analytics.readonly,https://www.googleapis.com/auth/cloud-platform" \
     --client-id-file=YOUR_CLIENT_JSON_FILE
   

3. Cuando finalice el comando, copia la ruta de acceso de las credenciales que se muestra en la consola (Credentials saved to file: [PATH_TO_CREDENTIALS_JSON]). Usarás esta ruta de acceso en GOOGLE_APPLICATION_CREDENTIALS cuando configures tu cliente de MCP.

Opción 2: Autentica con una cuenta de servicio

Para autenticarte con una cuenta de servicio que tenga acceso de lectura a tu propiedad de Google Analytics:

• Archivo de claves JSON de la cuenta de servicio: Establece GOOGLE_APPLICATION_CREDENTIALS en la configuración del cliente de MCP en la ruta de acceso absoluta del archivo JSON de tu cuenta de servicio.
• Identidad temporal como cuenta de servicio: Genera credenciales de ADC con la identidad temporal de la cuenta de servicio con gcloud CLI:

  gcloud auth application-default login \
    --impersonate-service-account=SERVICE_ACCOUNT_EMAIL \
    --scopes="https://www.googleapis.com/auth/analytics.readonly,https://www.googleapis.com/auth/cloud-platform"
  

Configura tu cliente de MCP

El servidor se publica en PyPI como analytics-mcp y expone las secuencias de comandos de la consola analytics-mcp y google-analytics-mcp.

En los siguientes parámetros de configuración, reemplaza lo siguiente:

• PATH_TO_CREDENTIALS_JSON por la ruta de acceso absoluta a tu archivo JSON de ADC o de cuenta de servicio.
• YOUR_PROJECT_ID por el ID del proyecto de en el que habilitaste las APIs de Google Analytics.

CLI de Antigravity y el IDE de Antigravity

1. Instala la CLI de Antigravity o el IDE de Antigravity.
2. Agrega el servidor analytics-mcp a ~/.gemini/config/mcp_config.json (o .agents/mcp_config.json en tu espacio de trabajo):

   {
     "mcpServers": {
       "analytics-mcp": {
         "command": "pipx",
         "args": ["run", "analytics-mcp"],
         "env": {
           "GOOGLE_APPLICATION_CREDENTIALS": "PATH_TO_CREDENTIALS_JSON",
           "GOOGLE_CLOUD_PROJECT": "YOUR_PROJECT_ID"
         }
       }
     }
   }
   

3. Verifica que analytics-mcp esté conectado:
   • CLI de Antigravity: Ejecuta agy y, luego, ingresa /mcp para ver los servidores de MCP configurados.
   • IDE de Antigravity: Abre Configuración > Personalizaciones > Servidores de MCP instalados y haz clic en Actualizar.

Claude para computadoras de escritorio y Claude Code

Para Claude Desktop, agrega el servidor a tu archivo claude_desktop_config.json (~/Library/Application Support/Claude/claude_desktop_config.json en macOS o %APPDATA%\Claude\claude_desktop_config.json en Windows):

{
  "mcpServers": {
    "analytics-mcp": {
      "command": "pipx",
      "args": ["run", "analytics-mcp"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "PATH_TO_CREDENTIALS_JSON",
        "GOOGLE_CLOUD_PROJECT": "YOUR_PROJECT_ID"
      }
    }
  }
}

Para Claude Code, registra el servidor con la herramienta de línea de comandos:

claude mcp add analytics-mcp \
  --scope user \
  -e GOOGLE_APPLICATION_CREDENTIALS="PATH_TO_CREDENTIALS_JSON" \
  -e GOOGLE_CLOUD_PROJECT="YOUR_PROJECT_ID" \
  -- pipx run analytics-mcp

Cursor

Agrega el servidor a .cursor/mcp.json en el directorio de tu proyecto (o ~/.cursor/mcp.json para la configuración global). Puedes invocar google-analytics-mcp con uvx o pipx:

{
  "mcpServers": {
    "google-analytics-mcp": {
      "command": "uvx",
      "args": ["--from", "analytics-mcp", "google-analytics-mcp"],
      "env": {
        "GOOGLE_APPLICATION_CREDENTIALS": "PATH_TO_CREDENTIALS_JSON",
        "GOOGLE_CLOUD_PROJECT": "YOUR_PROJECT_ID"
      }
    }
  }
}

Para ejecutar la versión de desarrollo más reciente directamente desde GitHub con uvx, actualiza "args":

"args": [
  "--from",
  "git+https://github.com/googleanalytics/google-analytics-mcp.git",
  "google-analytics-mcp"
]

Como alternativa, para usar pipx, cambia "command" por "pipx" y establece "args" en lo siguiente:

"command": "pipx",
"args": [
  "run",
  "--spec",
  "git+https://github.com/googleanalytics/google-analytics-mcp.git",
  "google-analytics-mcp"
]

Opcional: Equipa a tu agente de programación potenciado por IA con habilidades

Para ayudar a tu agente de IA de programación a configurar APIs, verificar la compatibilidad de dimensiones y métricas, y generar código de biblioteca cliente, vincula el servidor de MCP con las habilidades del agente de IA de Google Analytics. El paquete de habilidades incluye las habilidades de google-analytics-data-api-basics y google-analytics-admin-api-basics para la API de Google Analytics Data y la API de Google Analytics Admin.

Instala las habilidades en el directorio de tu proyecto con el comando npx (requiere Node.js) o consulta las habilidades del agente de IA de Google Analytics para conocer las opciones de Google Antigravity, Claude Code, Codex y Cursor:

npx skills add google/skills/skills/analytics

El fin de la era de la importación masiva a BigQuery para consultas cotidianas

Durante años, la recomendación canónica para cualquier empresa que buscase analizar sus datos de Google Analytics 4 sin las limitaciones de la interfaz convencional era configurar la exportación continua hacia Google BigQuery. Una vez allí, los ingenieros de datos debían desanidar los esquemas en formato JSON, construir tablas agregadas y conectar estas vistas con Looker Studio o PowerBI.

Si bien BigQuery sigue siendo una pieza insustituible para el modelado predictivo avanzado, el aprendizaje automático a gran escala y el cruce con bases de datos transaccionales internas, el servidor MCP para GA4 elimina de un plumazo la necesidad de recurrir a este complejo flujo para la analítica del día a día.

La posibilidad de realizar consultas ad-hoc directamente sobre la infraestructura de Google Analytics utilizando instrucciones de texto elimina la latencia entre la pregunta de negocio y la respuesta operativa. Lo que antes exigía redactar consultas SQL complejas, esperar el procesamiento de datos y diseñar gráficos manualmente, ahora se resuelve en una única conversación con el agente de IA. Este avance democratiza de forma real el acceso a los datos corporativos, permitiendo que directores de marketing, gestores de contenidos y responsables de producto obtengan respuestas precisas sin depender de la disponibilidad del equipo de business intelligence.

El futuro de la analítica guiada por inteligencia artificial

La liberación de la versión 1.0 del servidor MCP para Google Analytics marca el inicio de una nueva etapa en la gestión de activos digitales. La analítica web tradicional, caracterizada por paneles estáticos y hojas de cálculo interminables, cede el paso a un modelo consultivo e interactivo.

En los próximos meses, es previsible que presenciemos la proliferación de agentes de IA especializados capaces de trabajar en segundo plano de manera autónoma. Sistemas que no solo esperarán a que el usuario formule una pregunta, sino que monitorizarán constantemente las métricas de GA4 a través del servidor MCP, detectando caídas de tráfico, anomalías en la conversión o variaciones en la efectividad publicitaria para notificar proactivamente a los equipos humanos con un diagnóstico completo y una propuesta de acción inmediata.

La decisión de Google de apostar por un protocolo abierto como MCP consolida la tendencia hacia un ecosistema tecnológico interconectado donde la inteligencia artificial actúa como el tejido unificador de todas las herramientas de software empresarial.

Preguntas frecuentes sobre el servidor MCP para Google Analytics 4

¿Qué es exactamente el servidor MCP de Google Analytics 4 y para qué sirve?

Es un conector oficial basado en el protocolo abierto Model Context Protocol (MCP) que permite vincular asistentes de inteligencia artificial (como Claude, Cursor, Gemini o ChatGPT) directamente con la base de datos de Google Analytics 4. Sirve para consultar informes, analizar el rendimiento web, realizar auditorías y ejecutar cambios en la configuración de la propiedad mediante instrucciones en lenguaje natural.

¿Es seguro conectar un asistente de IA a mis datos de Google Analytics?

Sí, el servidor MCP se ejecuta bajo la infraestructura del usuario o de la empresa y requiere autenticación explícita mediante un proyecto de Google Cloud Platform (GCP). Además, el servidor viene configurado por defecto en modo de sólo lectura, lo que impide que la inteligencia artificial realice modificaciones o borrados en la propiedad a menos que el usuario habilite expresamente los permisos de escritura.

¿Se necesita programar o saber SQL para utilizar esta integración?

No. Una de las grandes ventajas del servidor MCP es que traslada la complejidad técnica a la IA. El usuario interactúa mediante prompts en lenguaje natural. Sin embargo, para la instalación inicial del servidor sí es necesario contar con conocimientos básicos de configuración de proyectos en Google Cloud Platform y generación de credenciales de API.

¿Sustituye esta herramienta totalmente a la exportación de GA4 a BigQuery y Looker Studio?

No la sustituye para todos los casos de uso, pero sí para la gran mayoría de consultas cotidianas. BigQuery sigue siendo necesario para el almacenamiento de datos crudos a largo plazo y para el cruce con sistemas CRM internos. Sin embargo, para la creación de informes rápidos, auditorías de tráfico, análisis de embudos y diagnóstico de campañas, el servidor MCP resulta considerablemente más rápido y económico.

¿Cuáles son los costes asociados a la implementación del servidor MCP para GA4?

El código del servidor MCP publicado por Google es completamente gratuito y de código abierto. Los únicos costes asociados son los derivados del uso de las APIs de Google Cloud (las cuales cuentan con un tramo gratuito muy amplio) y el consumo de tokens de la plataforma de inteligencia artificial que se utilice para formular las consultas (como las suscripciones o APIs de Anthropic, OpenAI o Google Cloud).

. Leer artículo completo en Frikipandi Revolución en la analítica digital: Google estrena la versión estable del servidor MCP para GA4 y conecta la inteligencia artificial directamente a los datos empresariales de tu web.