הערה מהשטח
משווק ב-X הציג workflow שנראה כמו מחלקת שיווק AI של אדם אחד: Claude Code, מחברי MCP, Search Console, Google Ads, Meta Ads ו-agent שיכול לבדוק נתונים ולהציע תיקונים.
זה כבר לא מדע בדיוני. Claude Code יכול להתחבר לכלים חיצוניים דרך Model Context Protocol, ובשוק כבר יש MCP servers לפלטפורמות פרסום, analytics ונתוני חיפוש. השאלה המעניינת יותר אינה אם אפשר לבנות את זה. היא אם רוב הצוותים מוכנים לסמוך על הפלט.
רובם לא. עדיין לא.
מה הפך את זה לבולט
ה-workflow חזק כי הוא מחבר נתונים שבדרך כלל חיים בטאבים נפרדים.
Search Console יכול להראות דעיכה של queries ודפים. Google Ads יכול להראות תקציב מבוזבז ומונחי חיפוש שממירים. Meta Ads יכול להראות creative fatigue. Analytics יכול להראות התנהגות בדפי נחיתה. Coding agent יכול להפוך את האותות האלה ל-briefs, tickets, scripts ושינויי דפים.
זה שינוי תפעולי אמיתי. המשווק כבר לא מבקש מצ'אטבוט עצה גנרית. הוא נותן ל-agent חלון הקשר חי לתוך ה-growth stack.
הבסיס החסר
החלק הלא נוח הוא זה: חיבור הכלים לא מתקן מערכת מבולגנת.
אם נכסי Search Console אינם מלאים, שמות הקמפיינים גרועים, לדפי נחיתה אין בעלות ברורה ולתוכן אין topic map, ה-agent יירש את הבלגן. הוא עשוי לסכם אותו יפה. הוא אפילו עשוי לאוטומט אותו.
הבסיס עדיין חשוב:
- מקורות נתונים נקיים עם גבולות גישה ברורים.
- הרשאות read-only כברירת מחדל ל-agents אנליטיים.
- taxonomy לדפים, קמפיינים, קהלים ושלבי funnel.
- שער אישור אנושי לפני פרסום, עצירה, bidding או שכתוב.
- לולאת measurement שבודקת אם ההמלצה עבדה.
Agent יכול להאיץ תהליך טוב. הוא יכול גם להאיץ תהליך רע.
מודל תפעול בטוח יותר
התחילו באבחון, לא בביצוע.
| שלב | מה agent יכול לעשות | מה אדם צריך לאשר | סיכון |
|---|---|---|---|
| תצפית | למשוך דוחות ולזהות חריגות | מקורות נתונים וחלונות זמן | נמוך |
| אבחון | להסביר סיבות אפשריות ודפים מושפעים | עדיפות והקשר עסקי | בינוני |
| טיוטה | ליצור briefs, הערות מודעות ו-SEO tickets | היקף סופי ובעלים | בינוני |
| ביצוע | לערוך דפים או הגדרות קמפיין | כל שינוי production | גבוה |
| מדידה | להשוות מדדים לפני ואחרי | פרשנות והפעולה הבאה | בינוני |
הגרסה הראשונה ב-production של מחלקת שיווק AI צריכה להיות אנליסט read-only ומחולל briefs. תנו לו למצוא בעיות. תנו לבני אדם להחליט מה נשלח.
איפה זה עוזר קודם ל-SEO ו-GEO
ה-workflows הראשונים הכי שימושיים הם משעממים.
- למצוא דפים עם impressions עולים ו-CTR יורד.
- להתאים search terms מפרסום לדפים אורגניים חסרים.
- לזהות דפים שמדרגים אבל אינם מוכנים לציטוט בתשובות AI.
- להשוות אזכורי מתחרים בתשובות AI מול אזכורי המותג שלכם.
- ליצור briefs תיקון שבועיים לדפים בעלי הערך הגבוה ביותר.
אלה משימות חוזרות, עתירות נתונים ומעצבנות. מושלם ל-agent.
עמדת Auspia
מחלקת שיווק AI אמיתית מספיק כדי לבדוק אותה עכשיו. אבל צוותים קטנים לא צריכים לדלג על יסודות SEO ו-GEO.
לפני שמחברים agents לכל כלי, ודאו שלאתר יש אותות טכניים נקיים, עובדות מותג ברורות, תשובות ניתנות לחילוץ ומפת תוכן. אחרת ה-agent יבלה את זמנו בגילוי בעיות שהיו צריכות להיפתר לפני חודשים.
פרויקט ראשון טוב יותר: חברו Search Console, crawl data ו-AI visibility prompts. תנו ל-agent ליצור בכל שבוע "repair queue" עם page, query, issue, suggested fix ו-expected measurement.
FAQ
מהו MCP בהקשר הזה?
MCP הוא Model Context Protocol. הוא מאפשר לכלי AI להתחבר למערכות חיצוניות כמו databases, APIs, פלטפורמות analytics וכלי workflow דרך servers סטנדרטיים.
האם agents צריכים לשנות קמפיינים פרסומיים אוטומטית?
לא בהתחלה. התחילו בניתוח read-only ובהמלצות שמאושרות על ידי אדם. שינויי production צריכים guardrails, logs ותוכניות rollback.
מה workflow ה-SEO הקל ביותר לאוטומציה?
סקירת page decay שבועית היא התחלה טובה. משכו דפים עם ירידה ב-clicks או CTR, אבחנו סיבות אפשריות וצרו briefs רענון מוגדרים.
האם זה מחליף צוות שיווק?
לא. זה מחליף חלק מהדיווח הידני ומהניתוח הראשוני. אסטרטגיה, תעדוף, שיקול דעת מותג ואישור סופי עדיין דורשים בני אדם.
מקורות
- תיעוד Claude Code על MCP: https://code.claude.com/docs/en/mcp
- דוגמה לפרויקט Google Ads MCP: https://github.com/cohnen/mcp-google-ads
- דוגמה לדיון MCP עבור פלטפורמות פרסום: https://mcp-ads.com/
- רפרנס workflow של Nyra ב-X: https://x.com/Nyra_nx
מחבר: Nathan Reed, מעצב workflows לשיווק AI עבור יותר מ-80 מערכות צמיחה ב-Auspia. Nathan כותב על תפעול שיווק בעזרת AI, guardrails ו-workflows מעשיים לצמיחה.
