GA4 + IA générative : construire un assistant analytique qui répond en langage naturel

Ton équipe passe 40 minutes à construire un rapport GA4 pour répondre à une question que ton directeur marketing pose en dix secondes. Ce décalage n’est plus une fatalité.

En juillet 2025, Google a introduit le Google Analytics MCP Server, qui permet à des modèles comme Claude (Anthropic) ou ChatGPT (OpenAI) d’exécuter des requêtes directes sur tes données GA4. Le protocole qui rend ça possible s’appelle MCP — Model Context Protocol. C’est un standard ouvert, initié par Anthropic, qui permet aux modèles IA d’accéder à des sources de données externes de façon sécurisée et en temps réel. En clair : tu poses une question en français, l’IA va chercher la réponse dans GA4, et te la restitue. Sans export CSV. Sans SQL. Sans dashboard intermédiaire.

Deux routes, deux profils

Il n’existe pas une seule façon de connecter GA4 à un LLM. Il en existe au moins deux, et le choix dépend de ton niveau de confort technique.

Route 1 — Le MCP officiel Google. Google a publié un MCP server officiel, disponible sur github.com/googleanalytics/google-analytics-mcp. Il est maintenu par Google, et permet à Gemini, Claude et d’autres outils compatibles MCP de lire tes données GA4. La contrainte : Google le qualifie lui-même d' »Expérimental », il tourne uniquement en local sur ta machine, et il est en lecture seule. La mise en place — un projet Google Cloud, deux APIs à activer, un client OAuth, et un package Python à lancer localement — représente un vrai effort technique. Compte une bonne heure si tu n’as jamais touché à une console.

Route 2 — Un connecteur tiers comme Whatagraph ou Windsor MCP. Whatagraph MCP permet à ton assistant IA, notamment Claude, de lire directement les données de ton compte Whatagraph : sources de rapports, métriques, structure du compte. Une fois connecté, tu peux poser des questions en langage naturel sur tes données, détecter des sources cassées, et même générer des visualisations, sans quitter ton interface de chat. La connexion se fait en collant une URL. Tu colles une seule URL, sans clé API, et ton assistant IA lit depuis une couche de données gouvernée plutôt que depuis une douzaine de flux bruts séparés.

Route 3 — BigQuery + LangChain, pour les plus autonomes. Il est possible de connecter directement les données GA4 exportées dans BigQuery via LangChain, en générant d’abord des requêtes SQL, puis en les exécutant. Cette approche permet d’interroger les données GA4 en langage naturel et d’obtenir des résultats exploitables. C’est la route la plus puissante. C’est aussi la plus longue à mettre en place.

Ce que ça change concrètement

Voilà comment ça se passe en pratique, une fois le connecteur actif. Le flux est le suivant :

Toi → question en langage naturel
  → LLM (Claude / ChatGPT)
    → MCP Server GA4
      → Data API Google Analytics
        → données brutes
          → LLM analyse et synthétise
            → réponse en langage naturel

Des praticiens ont construit des outils qui exposent GA4 et Search Console à Claude via le BigQuery MCP server. Tu poses une question. Claude exécute le SQL sur les deux datasets. Tu obtiens la réponse. Plus de Looker Studio. Plus de Supermetrics.

Exemple de prompt concret, utilisable immédiatement avec Claude connecté à GA4 via MCP :

Tu as accès à mes données GA4. 
Compare les taux de conversion par canal d'acquisition 
sur les 30 derniers jours vs les 30 jours précédents. 
Identifie les 3 canaux qui ont le plus progressé 
et propose une hypothèse pour chacun.

L’instruction « garde la réponse concise » n’est pas anodine : elle teste la capacité de l’outil à synthétiser des insights plutôt qu’à déverser des tableaux de données brutes. Dans un usage réel, les marketeurs ont besoin d’analyse, pas de feuilles de calcul.

Ancienne école vs méthode augmentée

Situation	Ancienne école	Avec MCP + LLM
Comparer deux périodes	Exploration GA4, export, tableau croisé	Un prompt, 15 secondes
Identifier une anomalie de trafic	Rapport personnalisé + filtre manuel	« Pourquoi mon trafic organique a chuté cette semaine ? »
Croiser GA4 et Google Ads	Looker Studio + blending	Question cross-canal en une phrase
Partager un insight à l’équipe	Capture d’écran du dashboard	Résumé narratif généré directement

Un GA4 MCP permet à un assistant IA de requêter ta propriété GA4 directement, sans construire un rapport supplémentaire. La vraie valeur n’est pas GA4 seul : c’est de lire GA4 en parallèle de Meta Ads et Google Ads, parce que les trois rapporteront des chiffres différents pour la même semaine, et quelqu’un doit les réconcilier.

Les limites que personne ne te dit

Un MCP server remet tes données Analytics à une IA dans le cadre d’une conversation que tu démarres. C’est une porte, pas un worker. Rien ne surveille ton trafic à ta place, rien ne se déclenche quand les conversions chutent, et rien ne tourne pendant que la fenêtre de chat est fermée.

Pas de déclencheurs. Un taux de conversion qui s’effondre, un pic de trafic issu d’une nouvelle campagne, une étape du funnel qui perd des utilisateurs — rien de tout ça ne peut initier une action via MCP. Il n’existe pas de « quand ceci se passe dans GA4, faire cela ».

Sur la question des hallucinations : le MCP server lui-même ne peut pas halluciner — c’est un tuyau vers l’API. Mais le LLM qui interprète les données, lui, peut mal lire un contexte, confondre des dimensions, ou sur-interpréter une variation statistiquement non significative. Vérifie toujours les chiffres clés manuellement avant de les partager.

Enfin, le point RGPD. Les IA agentiques capables d’accéder et de traiter d’importants volumes de données à partir de multiples sources impliquent la circulation de données personnelles entre de nombreux services. Dès qu’un prompt contient le nom d’un client ou des données nominatives, il y a traitement de données personnelles et transmission de ces données au fournisseur du système. Le fait que le modèle appartienne à un tiers ne déplace pas mécaniquement la responsabilité : dès lors que tu décides de la finalité et des moyens, tu es le plus souvent responsable de traitement. GA4 en mode agrégé, sans données utilisateur individuelles dans tes prompts, reste dans les clous. Dès que tu commences à injecter des segments comportementaux fins ou des identifiants, relis les recommandations de la CNIL.

Claude ou ChatGPT ?

Pour un cas d’usage où tu as connecté GA4 via MCP, Claude et ChatGPT sont fonctionnellement interchangeables au niveau de la couche de données. Les power users atteignent les limites de débit de Claude plus vite que celles de ChatGPT sur la plupart des plans payants. Si tu enchaînes des sessions d’analyse intensives tout l’après-midi, le plafond de ChatGPT tend à être plus élevé. C’est la raison la plus fréquente pour laquelle des analystes qui préfèrent le raisonnement de Claude gardent quand même ChatGPT ouvert pour les travaux à haut volume.

---

La vraie question n’est pas « quel LLM choisir ». C’est : quelle est la prochaine question que tu poses tous les lundis matin en ouvrant GA4 ? Commence par celle-là. Configure le connecteur ce soir, écris le prompt, et vois si la réponse que tu obtiens en 20 secondes est suffisamment bonne pour remplacer 40 minutes de manipulation manuelle. Si oui, tu viens de trouver ton premier cas d’usage. Le reste suivra.