MCP-Server im Chat kombinieren: Werbung und Formulare ohne manuelle Abgleiche

Manuelle Datenabgleiche zwischen Werbekampagnen und Formularergebnissen gehören zu den lästigsten Aufgaben im Marketing. Die Metriken der Anzeigenplattform und die Antworten der Formulare liegen in getrennten Systemen vor. Um zu prüfen, ob ein günstiger Klick tatsächlich zu einer Registrierung führte, müssen Nutzer:innen Zahlen aus dem Ad-Dashboard kopieren und mit den Antworten aus dem Formular-Admin abgleichen. Doch dieser Prozess lässt sich mit der richtigen Technologie automatisieren – und zwar direkt im KI-Chat.

In einem achtägigen Test habe ich untersucht, ob sich dieser Abgleich aus dem Kopf in eine einzige Konversation verlagern lässt. Dafür verband ich zwei MCP-Server mit einem KI-Client. Ein Server lieferte die Echtzeit-Metriken der Werbekampagne, der andere die Ergebnisse der Formulare. Das Model Context Protocol (MCP) fungierte dabei als sichere Schnittstelle, über die der KI-Client auf beide Dienste zugreifen konnte. Auf diese Weise konnte die KI in einer einzigen Anfrage Daten aus beiden Quellen abrufen und direkt in der Konversation zusammenführen.

Wer übernimmt die Zusammenführung der Daten?

Die klassische Methode, zwei SaaS-Produkte zu verknüpfen, erfordert oft eine Integration auf einer Seite. Ein Anbieter baut einen Connector, der über APIs auf den anderen Dienst zugreift, Felder zuordnet und die verbundenen Daten speichert. Solche Integrationen sind jedoch wartungsintensiv und binden die Datenmodelle eines Anbieters an den anderen.

MCP verändert diese Logik grundlegend. Beide Dienste stellen eigene MCP-Server bereit, die der KI-Client gleichzeitig nutzt. Die KI wird zum Orchestrator: Sie holt sich die Daten aus dem Werbe-Service, zieht die Formularergebnisse hinzu und führt den Abgleich direkt in der Konversation durch – ohne dass eine manuelle Zwischenlösung nötig ist.

Diese Architektur definiert klare Verantwortlichkeiten. Ein MCP-Server muss nicht über die Grenzen seines eigenen Systems hinaus Daten abrufen, um nützlich zu sein. Stattdessen liefert er präzise Daten in einer Struktur, die der KI-Client für den Abgleich nutzen kann. Die Zusammenführung der Daten obliegt dann allein der KI, während die verbundenen Dienste nur ihre eigenen Daten bereitstellen und speichern müssen.

Die Dokumentation von FORMLOVA hebt diese Verantwortungsteilung explizit hervor: FORMLOVA stellt zuverlässige Daten und klar definierte Tools zur Verfügung, während die KI den Abgleich zwischen mehreren MCP-Servern übernimmt und sensible Schritte mit den Nutzer:innen bestätigt. Der verbundene Dienst beschränkt sich auf das Akzeptieren und Speichern der Daten. Es müssen keine Connector-Codes für jeden externen Dienst implementiert werden. Die Tool-Definition dient als Vertrag – und wenn diese gut gestaltet ist, übernimmt die KI den Rest der Arbeit.

Ein Tool mit klarer, begrenzter Aufgabe

Ein konkretes Beispiel für diese Aufteilung ist das Ad-Attributions-Tool von FORMLOVA. Seine Aufgabe ist bewusst eng gefasst: Es zerlegt die Formularantworten nach Werbe-ID, UTM-Quelle und Kampagne und gibt die Anzahl der Aufrufe, Antworten sowie die Konversionsrate pro Anzeige zurück. Mehr nicht.

Das Tool ruft keine Daten aus der Werbeplattform ab. Es kennt weder das Budget noch die Impressionen oder Klickzahlen. Stattdessen liefert es FORMLOVAs eigene Daten in einer Struktur, die sich mit anderen Quellen abgleichen lässt. Die folgende Code-Struktur zeigt, wie diese Daten aussehen:

type AdAttributionRow = {
  adId: string;          // Join-Schlüssel gegen den Ad-MCP
  utmSource: string;
  campaign: string;
  views: number;         // Anzahl der Aufrufe der Formularseite
  responses: number;     // Anzahl der Antworten
  cvr: number;           // Konversionsrate (responses / views), nur Formularseite
};

async function getFormAdAttribution(userId: string, formId: string): Promise<AdAttributionRow[]> {
  // Berechtigungsprüfung
  const access = await checkFormAccess(formId, userId, { requiredRole: "viewer" });
  if (!access.ok) return [];

  // Aggregation der FORMLOVA-Daten nach Werbe-ID
  // Keine API-Aufrufe zur Werbeplattform hier enthalten
  return aggregateResponsesByAdId(formId, userId);
}

Das Bemerkenswerte an dieser Struktur ist das, was fehlt: Es gibt keinen HTTP-Aufruf zur Werbeplattform innerhalb dieser Funktion. Das Tool liefert bewusst nur eine Hälfte des Gesamtbilds und vertraut darauf, dass der KI-Client die andere Hälfte aus einem anderen MCP-Server bezieht.

Diese Herangehensweise mag zunächst unlogisch erscheinen, wenn man denkt: "Ein Tool sollte die gesamte Frage der Nutzerin beantworten." Doch die eigentliche Frage – Hat diese Anzeige zu Ergebnissen geführt, und zu welchen Kosten? – erstreckt sich über zwei Dienste. Würde FORMLOVA versuchen, diese Frage allein zu beantworten, müsste das Tool einen Connector zur Werbeplattform enthalten, Zugangsdaten verwalten und auf API-Änderungen reagieren. Stattdessen liefert es die Daten, die es sicher besitzt, und überlässt die Zusammenführung der KI – dort, wo beide Datenquellen bereits im Kontext sind.

Wie der Abgleich in acht Tagen funktionierte

In der Praxis sah der Prozess so aus:

• Zunächst forderte der KI-Client die Standard-Metriken der Werbekampagne an. Über acht Tage hinweg wurden insgesamt ¥6.597 ausgegeben, mit 5.578 Impressionen, einer Reichweite von 3.065 Nutzern, einer Frequenz von 1,82 und 704 Klicks. Die Klickrate (CTR) lag bei 12,62 %, der Cost per Mille (CPM) bei ¥1.183 und der tatsächliche Cost per Click (CPC) bei etwa ¥9,40. Das Budget wurde gleichmäßig verteilt, mit täglichen Ausgaben zwischen ¥570 und ¥1.080.

• Diese Zahlen allein sehen vielversprechend aus: Eine CTR von 12,62 % ist für Anmeldeanzeigen ungewöhnlich hoch, und ein CPC von ¥9,40 gilt als günstig. Doch für sich genommen sagen diese Metriken nichts darüber aus, was aus den Klicks geworden ist. Genau hier setzt die Grenze des Werbe-MCPs an: Er endet bei der Aussage "Klicks sind eingegangen".

• Der zweite Teil der Daten kam vom FORMLOVA-MCP – innerhalb derselben Konversation. Ich wechselte die Connectoren, blieb aber im selben Chat, und holte die Aufschlüsselung der Antworten nach Werbe-ID. Nun lagen beide Datenquellen vor.

• An dieser Stelle zeigte sich der Vorteil der clientseitigen Zusammenführung: Die KI teilte die Ausgaben der Werbekampagne durch die Anzahl der Konversionen aus dem Formular und berechnete so direkt im Chat die tatsächlichen Akquisekosten. Keiner der Server berechnete diese Zahl – nur der KI-Client hatte Zugriff auf beide Seiten. Ohne den Zugriff auf beide MCP-Server wäre diese Berechnung nicht möglich gewesen. Der Werbe-MCP endet bei den Klicks, der Formular-MCP bei den Antworten. Erst ihre Kombination ermöglicht die gewünschte Analyse.

Fazit: MCP als Brücke für datengetriebene Entscheidungen

Der Test mit zwei MCP-Servern und einem KI-Client zeigt, wie sich bisher manuelle Prozesse in der Datenanalyse automatisieren lassen. Statt Zahlen zwischen verschiedenen Dashboards hin- und herzukopieren, können Nutzer:innen nun direkt im Chat die relevanten Metriken abrufen und zusammenführen. Die klare Trennung der Verantwortlichkeiten zwischen den Diensten und dem KI-Client reduziert Wartungsaufwand und vermeidet Abhängigkeiten zwischen den Systemen.

Diese Methode ist besonders für Marketing-Teams interessant, die regelmäßig den Erfolg von Werbekampagnen mit Formularantworten abgleichen müssen. MCP könnte hier eine zentrale Rolle spielen, um Silos zwischen verschiedenen Tools zu durchbrechen – und zwar ohne dass manuelle Brücken oder komplexe Integrationen nötig sind. Die Zukunft der datengetriebenen Entscheidungen könnte weniger in separaten Dashboards liegen, sondern in intelligenten Konversationen mit KI als Vermittlerin.