Depuis 2026, le GA4 MCP server officiel de Google change la façon d’interroger Google Analytics : au lieu d’ouvrir un rapport, vous posez une question en langage naturel à Claude, ChatGPT ou Gemini, et l’agent va chercher la donnée directement dans votre propriété GA4. Plus de SQL, plus de dashboard à parcourir. Ce guide explique ce qu’est ce serveur, comment l’installer pas à pas, quels outils il expose, et où sont ses limites réelles.
Pourquoi brancher GA4 sur un agent IA ?
Interroger GA4 reste une friction quotidienne : ouvrir l’interface, choisir la bonne exploration, cadrer les dimensions, attendre le rendu. Pour une question simple comme « quel canal a le mieux converti la semaine dernière ? », le temps passé dans l’outil dépasse largement le temps de réflexion.
Un agent IA connecté à vos données inverse ce rapport. Vous formulez l’intention, l’agent traduit la question en appel d’API, récupère les chiffres et vous les commente. Le gain n’est pas seulement la vitesse : c’est la capacité d’enchaîner des questions de suivi (« et par appareil ? », « compare au mois précédent ») sans reconstruire un rapport à chaque fois.
Ce lien entre un modèle IA et vos données passe par le MCP.
Le MCP en deux phrases
Le MCP (Model Context Protocol) est un protocole ouvert qui relie un modèle IA à des sources de données et des services externes. Un « serveur MCP » expose des capacités précises (lire une propriété, lancer un rapport, interroger le temps réel) que l’agent peut appeler à la demande.
En 2026, le MCP s’est imposé comme le standard de fait pour brancher des outils sur un LLM. C’est ce qui rend un serveur GA4 utilisable de la même façon depuis Claude, Gemini, Cursor ou tout autre client compatible.
Qu’est-ce que le GA4 MCP Server officiel de Google ?
Google publie et maintient un serveur MCP open source pour Google Analytics, sous licence Apache 2.0, sur le dépôt googleanalytics/google-analytics-mcp. C’est un serveur local : il tourne sur votre machine (paquet Python analytics-mcp, lancé via pipx) et s’appuie sur deux API officielles, l’Admin API et la Data API.
Le point clé : ce serveur est en lecture seule. Il interroge des rapports, liste vos propriétés et récupère des métriques, mais il ne peut ni créer d’événement clé, ni modifier une configuration, ni toucher à vos réglages. C’est un choix de conception rassurant pour brancher un agent sur des données de production.
En quoi il diffère d’Ask Advisor et de Claude Code
Trois approches coexistent pour « parler » à GA4 avec de l’IA, et elles ne visent pas le même usage.
| Approche | Où ça vit | Type d’accès | Pour qui |
|---|---|---|---|
| Ask Advisor | Natif, dans l’interface GA4 | IA Google fermée, données GA4 | Utilisateurs GA4, questions rapides in-app |
| GA4 MCP Server | Serveur local, n’importe quel client MCP | API GA4 en lecture seule | Analysts et devs voulant un agent IA au choix |
| Claude Code + BigQuery | Terminal, export GA4 | SQL brut au niveau événement | Analyses lourdes, attribution sur mesure |
Ask Advisor, l’assistant natif de GA4, répond dans l’interface mais reste cantonné à l’écosystème Google et à ses réponses préformatées. Le détail dans notre analyse d’Ask Advisor GA4. Le GA4 MCP Server, lui, vous laisse choisir votre agent (Claude, Gemini, ChatGPT) et l’intégrer à vos propres workflows. Pour les analyses les plus lourdes au niveau événement, l’approche Claude Code sur GA4 et BigQuery reste plus puissante, car elle donne accès au SQL brut de l’export.
Prérequis
Avant l’installation, réunissez trois éléments. D’abord une propriété GA4 active à laquelle votre compte a accès. Ensuite un projet Google Cloud avec l’Admin API et la Data API activées. Enfin un client MCP compatible : Claude Code, Gemini CLI, ChatGPT ou Cursor.
Côté droits, le serveur exige uniquement le scope de lecture analytics.readonly. Ne configurez jamais d’identifiants plus larges que nécessaire : le principe du moindre privilège s’applique pleinement quand un agent IA accède à vos données.
Installation et configuration pas à pas
L’installation suit trois grandes étapes.
1. Configurer Python
Installez pipx, qui exécute le paquet analytics-mcp dans un environnement isolé. Le serveur requiert Python 3.10 ou plus. Vous n’avez pas besoin de cloner le dépôt : pipx récupère le paquet publié sur PyPI.
2. Configurer les identifiants Google
Activez l’Admin API et la Data API dans votre projet Google Cloud, puis créez des identifiants par défaut d’application (ADC) avec le scope analytics.readonly. En pratique, une commande gcloud auth application-default login avec le bon scope suffit, que ce soit avec vos identifiants utilisateur ou via l’usurpation d’un compte de service. Notez bien le chemin du fichier de credentials généré : vous en aurez besoin à l’étape suivante.
3. Déclarer le serveur dans votre client
Il reste à référencer le serveur dans la configuration de votre agent. Avec Claude Code, une seule commande suffit :
claude mcp add analytics-mcp \
--scope user \
-e "GOOGLE_APPLICATION_CREDENTIALS=CHEMIN_CREDENTIALS_JSON" \
-e "GOOGLE_PROJECT_ID=VOTRE_PROJECT_ID" \
-- pipx run analytics-mcp
Avec Gemini CLI, vous ajoutez plutôt un bloc analytics-mcp dans le fichier ~/.gemini/settings.json, sous la clé mcpServers, avec les mêmes variables d’environnement. Une fois l’agent redémarré, tapez /mcp pour vérifier que analytics-mcp apparaît bien dans la liste.
Les outils exposés et des exemples de prompts
Le serveur expose sept outils, répartis en trois familles.
| Outil | Rôle |
|---|---|
get_account_summaries | Liste vos comptes et propriétés GA4 |
get_property_details | Renvoie les détails d’une propriété |
list_google_ads_links | Liste les liens vers les comptes Google Ads |
run_report | Lance un rapport standard via la Data API |
run_funnel_report | Lance un rapport d’entonnoir |
get_custom_dimensions_and_metrics | Récupère dimensions et métriques personnalisées |
run_realtime_report | Lance un rapport temps réel (30 dernières minutes) |
Vous n’appelez jamais ces outils à la main : l’agent choisit le bon selon votre question. Concrètement, cela donne des prompts comme ceux-ci :
- « Quels sont mes événements les plus fréquents sur les 180 derniers jours ? »
- « Compare les sessions organiques de ce mois à celles du mois précédent, par appareil. »
- « Combien d’utilisateurs actifs en ce moment, et sur quelles pages ? » (le serveur bascule alors sur
run_realtime_report) - « Quelles sont mes dimensions et métriques personnalisées configurées ? »
Pour aller plus loin sur les questions temps réel et le suivi des sources IA, voyez notre guide pour tracker le trafic ChatGPT, Gemini et Claude dans GA4.
Limites et points de vigilance
Le serveur est puissant, mais trois limites méritent votre attention.
La première tient au périmètre : c’est de la donnée agrégée, via la Data API, avec ses définitions de métriques officielles mais aussi ses plafonds. Pour reconstruire un parcours utilisateur brut ou une attribution sur mesure, il faut passer par l’export BigQuery et le SQL, comme détaillé dans les 10 requêtes BigQuery indispensables pour GA4.
La deuxième est le read-only : le serveur ne configure rien. Il répond à des questions, il n’automatise pas votre tracking.
La troisième relève de la vigilance métier. Un agent peut interpréter une métrique de travers, confondre utilisateurs et sessions, ou mal cadrer une plage de dates. La relecture critique des réponses reste indispensable, surtout avant de reporter un chiffre à un client ou à la direction. Cette exigence rejoint un enjeu plus large : savoir mesurer ce que l’IA voit de vous, un sujet que nous traitons dans mesurer la visibilité de votre marque dans les réponses IA.
Quand l’utiliser, et quand choisir autre chose
Le GA4 MCP Server est le bon choix quand vous voulez interroger GA4 en langage naturel, depuis l’agent de votre choix, pour des questions courantes et du reporting léger. Il brille par sa flexibilité et sa mise en place rapide.
Restez sur Ask Advisor si vous voulez une réponse sans rien installer, directement dans l’interface GA4. Passez à Claude Code sur BigQuery dès que vous avez besoin de données brutes au niveau événement, d’analyses lourdes ou d’attribution personnalisée. Les trois approches sont complémentaires : le serveur MCP officiel comble justement l’espace entre l’assistant natif fermé et l’artillerie SQL.