MCP: como automatizei uma operação inteira de Meta Ads sem sair do chat

Se você trabalha com LLMs (Claude, ChatGPT, Gemini), provavelmente já passou por isso: você tá no meio de uma conversa produtiva com a IA, precisa buscar um dado num sistema externo, e aí… abre outra aba. Copia. Cola. Volta. Perde o contexto.

MCP (Model Context Protocol) resolve exatamente isso. E quando eu digo “resolve”, quero dizer que mudou completamente a forma como eu trabalho.

O que é MCP na prática

Sem jargão: MCP é uma forma de conectar APIs de qualquer serviço diretamente ao seu LLM. Gmail, Google Calendar, Slack, bancos de dados, APIs de anúncio — qualquer coisa que tenha uma API pode virar uma ferramenta que a IA usa sem você sair do chat.

Em vez de copiar e colar entre abas, você conversa com a IA e ela executa. Pensa num assistente que tem acesso a todos os seus sistemas.

O que eu construí

Eu trabalhava com operação de Meta Ads em escala — orçamentos de 6 dígitos por mês. O processo de subir uma campanha nova envolvia:

Buscar os criativos aprovados pelo time
Definir headlines e textos primários (ou criar variações)
Configurar os parâmetros da campanha (público, orçamento, posicionamento)
Seguir a nomenclatura padrão (pra não virar bagunça no gerenciador)
Revisar tudo antes de publicar

Cada campanha nova era 30-40 minutos de trabalho repetitivo. Não era difícil — era tedioso. E tedioso gera erro.

Então construí um MCP que fazia tudo isso.

Como funcionava

Eu abria o Claude e digitava /ad. A partir dali, a pipeline completa estava automatizada.

A IA já sabia o caminho pra buscar os criativos. Já sabia quais headlines e textos primários usar — e quando criar variações. Sabia as configurações certas pra cada tipo de criativo. Sabia as nomenclaturas que deveria seguir.

Tudo automatizado. Cada etapa. Do começo ao fim.

Quando não sabia algo — por exemplo, uma decisão criativa que dependia de contexto —, me perguntava. Sempre tínhamos um guardrail, um threshold pra evitar erros. Meu último passo era sempre o mesmo: revisar e aprovar.

30-40 minutos virou 5 minutos de revisão.

O que isso liberou

Tempo. Mas não tempo vago — tempo produtivo. Em vez de configurar campanhas na mão, eu podia:

Analisar performance das campanhas rodando
Criar novas automações pra outros processos
Dar feedbacks mais detalhados pro time criativo
Pensar estratégia em vez de executar operação

Esse é o ponto que muita gente não entende sobre automação: não é sobre fazer menos. É sobre fazer o que importa.

Por que MCP e não um script tradicional?

Eu poderia ter construído um script Python que faz a mesma coisa. Mas o MCP tem uma vantagem que muda tudo: linguagem natural.

Com um script, você precisa prever cada cenário, cada exceção, cada edge case. Com MCP + LLM, a IA adapta. Se o criativo é diferente do padrão, ela pergunta. Se falta uma informação, ela busca. Se algo não faz sentido, ela avisa.

É a diferença entre um robô que segue regras e um assistente que entende contexto.

Como começar

Se você já usa algum LLM no dia a dia, MCP é o próximo passo natural. Comece simples:

Identifique uma tarefa repetitiva que envolve sistemas externos
Verifique se o serviço tem API
Crie um MCP server que conecta essa API ao seu LLM
Teste, ajuste os guardrails, e use

Não precisa automatizar tudo de uma vez. Um processo. Um fluxo. Se funcionar, você nunca mais volta.