MCP e il futuro dell'AI collaborativa: ridurre il gap tra gli agenti e i dati di user experience

Se è la prima volta che ne senti parlare, MCP è un nuovo standard aperto che consente agli agenti AI di comunicare tra loro, condividendo il contesto e le funzionalità in modo sicuro. Puoi considerarlo una sorta di traduttore universale per AI: è un metodo che permette ai vari tool, come Jira, Optimizely o Contentsquare, di sfruttare le funzionalità degli altri strumenti usando un linguaggio comune comprensibile per tutti gli altri sistemi AI.

Nella demo, abbiamo mostrato come Claude, l'AI conversazionale di Anthropic, sia in grado di connettersi direttamente a Contentsquare tramite MCP. L'utente può chiedere: "Quali fasi del checkout journey stanno causando abbandoni questa settimana?" e Claude è capace di recuperare e riepilogare gli insights sull'argomento, ricavandoli direttamente dai dati di Contentsquare.

Puoi dire addio alle password di login e alle dashboard. Da oggi solo risposte immediate.

Ed è solo l'inizio: abbiamo già testato e dimostrato l'efficacia dell'integrazione con Claude e stiamo lavorando per estenderla a ChatGPT, con l'intenzione di continuare con Gemini, Microsoft Copilot e tanti altri. Così possiamo mettere gli insights di Contentsquare a disposizione dei team, a prescindere dall'agente AI usato per collaborare e prendere decisioni.

1. Ottenere gli insights di Contentsquare usando il tuo assistente AI

MCP consente a chiunque, a partire dal team dirigenziale fino ai product manager, di fare domande a Contentsquare direttamente dall'LLM in uso in azienda, che questo sia ChatGPT Enterprise, Claude o Gemini.

Invece di dover accedere alla piattaforma o cercare di raccapezzarsi tra le dashboard, puoi semplicemente chiedere:

• "Qual è stato il tasso di conversione da dispositivo mobile questa settimana?"

• "Quali sono le pagine che causano maggiore frustrazione sull'app?"

Dietro le quinte, l'LLM usa il server MCP di Contentsquare per ottenere gli insights comportamentali e fornire risposte usando un linguaggio naturale. Questa è la forma più semplice di accesso contestuale: i dati si trovano negli strumenti che usi per lavorare, senza dover aprire un'altra scheda nel browser.

2. Combinare gli insights dei i tool che supportano l'MCP

Se c'è una cosa che l'MCP sa fare alla perfezione, è effettuare query multisistema, consentendo all'assistente AI di combinare tutti insieme gli insights ottenuti da più piattaforme.

Immagina un workflow di questo tipo:

• Tu chiedi all'agente AI: "qual è lo status d'implementazione della nuova funzionalità e qual è il suo impatto sull'user engagement?"

• L'agente interroga Jira (tramite l'interfaccia MCP) per verificare lo status della release e gli aggiornamenti sullo sprint.

• Procede poi con una richiesta al server MCP di Contentsquare per verificare eventuali modifiche nell'user journey e nel tasso di conversione a seguito dell'implementazione.

• Può anche interrogare l'endpoint MCP della piattaforma usata per le ad per estrarre i dati sulla campagna, trovando la correlazione tra le attività di marketing e l'impatto sul sito.

Bastano pochi secondi per ottenere una narrativa unificata, che va dal lancio all'esito dell'user experience, senza dover mettere insieme i dati in maniera manuale.

In questo modo, l'MCP rende gli assistenti AI dei copiloti connessi tra loro, invece di chatbot che non fanno che reagire. Questo permette di riassumere i dati ottenuti dai diversi sistemi e di far emergere in tempo reale le cause e gli effetti.

3. Agenti autonomi che coordinano l'analisi nel tempo

Immagina lo scenario appena descritto, ma che avviene automaticamente. L'agente AI non aspetta più che qualcuno gli faccia domande, perché è già configurato per eseguire controlli su più piattaforme seguendo una procedura predefinita, attingendo da tutti i sistemi che supportato l'MCP, in modo da monitorare i KPI di tutta l'azienda.

Per fare un esempio, immagina che ogni lunedì mattina l'agente si occupi di:

• Fare query a Jira sull'implementazione delle funzionalità.

• Ottenere i KPI sulla conversione e le metriche di UX richiedendole alla piattaforma di Contentsquare.

• Estrarre i dati sulle campagne dalla piattaforma usata per le ad.

A questo punto, l'agente genera un riepilogo, ad esempio: "La funzionalità X è stata implementata giovedì scorso. Si registra un aumento del 22% del traffico della nuova campagna, ma anche un aumento dell'8% dell'attrito al checkout su dispositivo mobile. Si raccomanda di rivalutare la UX del modulo di pagamento."

Ecco qual è il potere dell'MCP: crea un mondo in cui l'AI non si limita ad analizzare i dati, ma trova correlazioni tra loro e li elabora fornendo automaticamente insights che prima avrebbero richiesto il coinvolgimento di più team e l'uso di diversi strumenti.

Inizia a usare l'MCP e Contentsquare

Il punto di forza dell'MCP sta nel fatto che è stato concepito per una totale apertura: consente a qualsiasi agente AI compatibile di connettersi in modo sicuro alle piattaforme che dispongono di un "server" MCP. Il server MCP di Contentsquare funge da gateway, offrendo le sue capacità analitiche attraverso un'API standardizzata a cui possono accedere i diversi tool AI aziendali, tra cui Claude, ChatGPT, Gemini e gli LLM interni.

I team possono iniziare immediatamente a:

1. Far parte del programma ad accesso anticipato

L'integrazione MCP di Contentsquare sarà disponibile a fine ottobre con una versione beta. Contatta il tuo Customer Success Manager o Solutions Architect di Contentsquare per farti aggiungere al gruppo con accesso anticipato.

2. Collegarlo all'LLM usato in azienda

Una volta ottenuto l'accesso:

1. Crea una connessione: basta incollare un singolo link nelle impostazioni del tool AI.

2. Consenti l'accesso a Contentsquare: dai al tuo tool AI il permesso di accedere ai dati di CSQ.

3. Comincia a fare domande: "Appoggiandoti al connettore MCP di Contentsquare, fai un riepilogo dei punti di attrito più rilevanti nel flusso di pagamento della settimana scorsa", così da ottenere gli insights di CSQ direttamente nello strumento AI in uso in azienda.

3. Estenderlo all'intero ecosistema aziendale

Dopo la configurazione iniziale, l'azienda può integrare Contentsquare nella più ampia rete MCP, collegando la piattaforma a:

• Jira per le correlazioni in materia d'implementazione.

• Optimizely o A/B Tasty per le performance degli esperimenti.

• I sistemi di CRM e le piattaforme pubblicitarie per l'impatto delle campagne di marketing.

• I data lake aziendali per l'arricchimento dati e la governance.

A questo punto l'agente AI è in grado di fare ragionamenti con l'ausilio di tutte le piattaforme. Ad esempio:

“Confronta la conversione post-lancio del nuovo flusso di pagamento (dalla versione Jira 425) con il traffico dell'ultima campagna (da Optimizely) usando i dati di Contentsquare.”

4. Automatizzare mediante gli agenti AI

Per i team più avanzati, l'MCP è in grado di effettuare analisi programmate o autonome. L'agente AI aziendale può eseguire query con l'MCP a cadenza definita (giornaliera, settimanale o attivata da un evento), combinando più fonti di dati per realizzare riepiloghi automatici e notifiche sulle anomalie.

Si potrebbe, ad esempio, richiedere: "ogni venerdì, genera un riepilogo multipiattaforma che combini i dati di Jira, Contentsquare e quelli pubblicitari e pubblica i risultati direttamente su Slack o Teams per la revisione".

5. Costruire, espandere e personalizzare

È possibile connettere il server MCP all'agente usato dall'azienda per poi personalizzare quest'ultimo. Ad esempio:

• Puoi creare un agente con un prompt personalizzato che indica all'AI come usare i diversi tool, ad esempio insegnandogli come effettuare al meglio la journey analysis.

• È possibile integrare il server MCP con gli agenti implementati con Microsoft Copilot, per poi essere collegati a loro volta a Teams.

• È possibile usare il server MCP anche con piattaforme che permettono di creare workflow per gli agenti.

Il quadro completo

Per i nostri clienti più avanzati, che stanno già sviluppando ecosistemi IA interni all'azienda, il server MCP di Contentsquare può rivelarsi un elemento fondamentale. È supportato dalla stessa tecnologia alla base di Sense Analyst, capace quindi di fornire agli agenti IA un'intelligenza comportamentale strutturata che va ben oltre le metriche fondamentali e che consente a questi di ragionare, automatizzare e prendere decisioni su larga scala.

Se oggi tutte le aziende si stanno occupando dell'evoluzione delle loro strategie AI, è diventato sempre più chiaro che il futuro non è un singolo agente, ma un network di agenti. L'MCP è il protocollo che permette a questi di comunicare tra loro. Con Contentsquare i dati di experience diventano il collante tra le attività aziendali e l'impatto sugli utenti.