AIエージェントで広告運用を70%自動化した話 Claude Code × CData MCP Servers の活用事例
本記事はCDataが提供する「CData Software Blog」に掲載された「AIエージェントで広告運用を70%自動化した話：Claude Code × CData MCP Servers」を再編集したものです。
「広告の最適化、ちゃんとやりたいけど時間がない」。 これは多くの「一人マーケター」（あるいは小規模チームのマーケター）が抱える悩みではないでしょうか。専任の広告担当者が入ればベストですが、少人数でGoogle・Meta・MS広告、SNS、ブログ、メルマガ、動画など複数のタスクを毎日並走する状況では、広告だけに集中する時間などほとんどありません。
この記事では、私が実際に構築・運用しているGoogle広告 × AI自動化スタックを紹介してみます。
1. なぜGoogle広告の運用にAIが必要か
1人のマーケターが担当するチャネルは増加傾向にあります。私の場合、1日の業務内容を確認すると記事作成・Google広告・SNS投稿・ニュースレター・動画作成が同日に入っている、ということも珍しくありません。「広告の最適化に集中できる日」はほぼ存在しないわけです。
手作業の限界は数字に出ます。たとえば広告が2000以上ある状態で、全広告のパフォーマンスをざっとでもレビューしようとすると約2時間はかかります（実体感値）。キーワードのCV有無を確認し、品質スコアを確認し、RSAのAd Strengthを確認し……という作業の繰り返しです。
結果として何が起きるかというと…「なんとなく問題なさそう」な状態で放置が続き、3ヶ月後に確認したら何十万円が成果ゼロの広告グループに消えていた…。なんてことも起こり得ます。
手作業のオペレーションには構造的な限界があります。AIと自動化で補わない限り、規模が大きくなるほど対応が後手に回ります。
2. どうなったか？「スキル一発」で動く日常ルーティン
スクリプトやパイプラインは強力ですが、毎日使うには「1コマンドで動く」ことが重要だと思います。Claude Code のスキルとして自動化されたルーティンを、実際に使っているワークフロー（日次 → 週次 → PDCA → 大規模キャンペーンの改善）の順に紹介します。
日次：/google-ads-daily-report
毎朝回すやつです。コマンドを1つ実行すると、前日のキャンペーン別クリック数・コスト・CVR・インプレッションシェアが自動集計され、Obsidianのレポートフォルダに保存されます。CPC・CTR・CVR・CPA・ROASのWoW異常値検知も含まれているので、「今日は何か動きがあったか」の確認から、どんなアクションが取れるかまで出してもらっています。
ここからは、必要ならすぐに除外キーワード追加用のスキルを回したり、予算調整を実行できます。
週次：/google-ads-weekly-summary
毎週、前週分の確定データがそろったタイミングで実行しています。エグゼクティブサマリーからキャンペーン別パフォーマンス、日別推移、デバイス別分析、予算消化状況まで9セクション構成のレポートを自動生成し、Confluenceへの公開とObsidianへの保存を1コマンドで完了します。
毎月：/ad-performance-review
毎月のPDCAサイクルで使っています。30日間のデータを分析して低パフォーマンス広告（CTR・CPC・CVRベース）を検出し、実際の検索クエリからインテントを分析したうえで、意図に合わせたRSAコピーを生成 → ドライランで差分確認 → 書き込み用スクリプトで広告を更新、というサイクルを実行します。「どの広告に手を入れるべきか」の判断材料から改善コピー案までが自動で揃うので大変便利です。
大規模キャンペーンの改善：/ad-strength-improvement
広告グループが1,000件を超えるような大規模キャンペーンでは、日次のルーティンだけでは「どのRSAのAd Strengthが低いか」までは追いきれません（追ってません）。
このスキルではそこをカバーするため、AIにPOOR/AVERAGE判定のRSAをインベントリ化 → 検索クエリを推定してそのインテントに基づいて見出し・説明文の改善案を生成 → ローカルに立ち上げるレビューアプリでBefore/After差分を1件ずつ確認・承認 → 承認したものだけをスクリプトからGoogle Ads APIへ直接適用、という流れで広告を改善しています。
上のスクリーンショットは、そのうち1つの広告グループ（見出し15本・説明文4本）についてBefore（取り消し線）とAfter（緑字）を並べてレビューしている画面です。差分を1件ずつ確認し、チェックを入れたものだけをまとめてGoogle Ads APIから適用します。
広告文の生成
広告文の生成ではいろいろ工夫を入れてあります。特にインテントの推定ステップは大事で、これがあるのとないのとではAIの広告文出力の質がだいぶ変わる気がします。
また、製品優先順位・ターゲットペルソナ・ブランドボイスをまとめた社内文書を読ませています（これは汎用的なマーケティング用スキルをまとめた「marketing-skills」のアイデア）。/ad-strength-improvement はもちろんキャンペーン戦略立案用スキルでも、新規コピーを書く前に必ずこの文書を参照するルールにしています。検索クエリのインテントだけでなく、既存の製品ポジショニングと一貫した文言になるようにするための土台です。
3. スタックの全体像（3レイヤー）
現在運用しているスタックは3つのレイヤーで構成しています。それぞれの詳しい中身は前後のセクションで扱っているので、ここでは全体像だけ示します。
Layer 1：データアクセス
CData Connect AI（Google Ads・BigQuery）とGoogle Ads Python APIを使い分けています。詳細は次の「4. データアクセス」でまとめて解説します。
Layer 2：分析・監査スクリプト（Python）
役割分担としては、Connect AI（MCP）が「日々の状況チェックや、気になる動きへの仮説出し」を担い、こちらのスクリプト群は仮説が立った後にアカウント全体を横断する大規模データ分析・監査を担っています。Connect AIのレスポンス上限を超える規模でも、決まった閾値ロジックで確実に・繰り返し処理できるのが強みです。
Layer 3：RSA自動生成
RSA（レスポンシブ検索広告）の生成と適用を担うスクリプト群です。Googleの広告文字数ルール（全角1文字＝半角2文字相当）を踏まえた文字数換算に対応しており、生成〜適用の流れは「2. どうなったか」で紹介した通りです。
これら3つのレイヤーは、日常運用ではClaude Codeのスキルとしてまとめて呼び出しています。
4. データアクセス：Connect AI が何を変えたか
このスタックで最も重要なレイヤーが、CData Connect AI によるデータアクセスです。実際には3つの経路を使い分けています。
・CData Connect AI（Google Ads）: キャンペーン・広告グループ・キーワード・RSAをSQLで取得。Claudeが自然言語でクエリを自動生成します。
・CData Connect AI（BigQuery）: GA4・Search Console・広告コスト分析。GA4のコンバージョンデータと広告データをJOINして費用対効果を算出しています。
・Google Ads Python API: キーワード10,000件超の更新など、Connect AIのレスポンス上限を超えるバルク操作に使用しています。
以前は、Google Ads APIに直接アクセスするPythonスクリプトをそのたびに書いていました。認証フロー、ページング処理、エラーハンドリング……慣れていても毎回30分以上かかります。
CData Connect AI を導入してから、この体験が大きく変わりました。Google Ads APIに対して直接SQLを投げることができ、Claudeにお願いするだけでクエリを自動生成してくれるわけです。
そもそもMCP（Model Context Protocol）がAIとデータソースの橋渡しをどう実現しているのか、仕組みの全体像についてはMCPサーバーとは？AIと業務データをセキュアに接続する構築・運用ガイド【2026年】で解説しているので、興味があれば参照してください。
たとえば Claude Code のターミナルで、
「直近30日でCV=0かつ支出が¥40,000を超えている広告グループを全て抽出して」
と入力するだけで、Claudeが Connect AI 経由でGoogle Ads APIに適切なSQLを投げ、結果をテーブル形式で返してきます。クエリを手書きする必要はありません。
ただし、Connect AIではGoogle Adsへの直接の書き込みはできません。また、AIに直接大量の広告を編集させるのはリスクが高く、そもそも書き込み権限を持たせる必要は薄いと思っています。書き込み系の操作（RSAの見出し・説明文更新、キーワードの一時停止、予算変更など）はすべて、Google Ads APIを直接呼ぶ専用のPythonスクリプトを経由させています。また、本番の広告アカウントに反映する変更には必ずドライランを挟み、人間のレビューを一度通しています。この構成にすることで、AI経由で意図せぬ変更を入れてしまう、という事故を防げます。
読み取りはConnect AI、書き込みは専用スクリプトという分業は、本番の広告アカウントに対してAIを安全に使うための設計だと考えています。
5. ゼロCV監査：3ヶ月の無駄遣いを1セッションで止めた話
では実際にこのワークフローがどんな風に役立ったか、例を挙げて書いてみます。6月のある日、複数キャンペーンを横断して1か月間コンバージョンがゼロのまま支出だけが続いている広告グループ・キーワードを洗い出すセッションを実行しました。
フローは2段階です。まず、AIに作成してもらったキャンペーン横断の監査を行うためのスクリプトを実行して支出があるのにCVがゼロの候補をリストアップします。次に私がその結果を目で確認し、一時停止して問題ない対象だけを選びます。そして承認済みの対象だけをGoogle Ads APIから一時停止する、という流れです。
結果、対象となる広告グループが30件以上見つかりました。3ヶ月分の無駄遣いを合算すると50万円以上です。
この規模のキャンペーン横断の突き合わせを手作業でやるのは、他の業務を同時並行する日常の中ではなかなか着手できません。
6. 検索意図分析 → RSA更新パイプライン
「2. どうなったか」で触れた意図推定の考え方を、ここではBigQuery経由で取得するSearch Consoleの検索クエリに適用した例として紹介します。手作業では規模が大きすぎて回らない領域です。
現在は3ステップのパイプラインで対応しています。
1. 検索クエリCSV取得: CData Connect AI（BigQuery）経由でSearch Consoleデータを取得し、過去30日分の検索クエリを広告グループ別に集計
2. Claudeによるインテントクラスター分類: 取得したクエリをClaudeに渡し、「情報収集型」「比較検討型」「購買/試用型」などのインテントクラスターに自動分類。さらにRSAヘッドラインへの反映案を生成
3. RSA自動更新適用: 生成されたヘッドライン候補をdry-runで差分確認し、Google Ads APIから直接適用
実測値
・RSA 200件以上のdiff確認 + 適用: 5分
・検索意図分析から適用完了まで: 約10分
7. Before / After で見る時間削減効果
以下は実測値・実体感値にもとづいた比較です。推計値には「約」をつけています。
| フェーズ | 手動 | AIスタック | 削減率 |
| 低パフォーマンス広告レビュー（2000以上） | 約2時間 | データ取得 + 分析: 約15分 | -87% |
| RSA 200件以上を生成・適用 | 事実上対応不可能な量 | 5分 | — |
| 検索意図分析 → RSA反映 | 未実施（工数が見合わず） | 10分 | — |
| 合計1サイクル | 2時間以上 | 30〜45分 | 約70%削減 |
ただし、AIスタックで削減できるのはデータ取得・分析・繰り返し作業の部分です。「広告戦略の設計」「どういうインテントを狙うか」という意思決定は引き続き人間が行います。スタックは判断の速度と精度を上げる道具であって、判断を代替するものではありません。
8. 導入のはじめ方
同じようなスタックを試してみたい方に向けて、現実的な始め方をまとめます。
Step 1: CData Connect AI を試す
まずデータアクセス層から始めるのがおすすめです。CData Connect AI を導入すると、Google Ads APIに対してSQL（またはClaudeの自然言語）でアクセスできるようになります。
14日間の無料トライアルはこちら
Step 2: Claude Code に接続する
Claude Code の MCP設定ファイル（~/.claude/mcp_servers.json）に CData Connect AI のエンドポイントを追加するだけで接続できます。
具体的な接続設定はこちらの記事で紹介しています。
Step 3: デイリーレポートの自動化から始める
いきなり複雑なパイプラインを作ろうとすると挫折します。まず「前日のパフォーマンスデータを自動で取得してレポートを作る」という1つのユースケースから始めるのが現実的かもしれません。
このシンプルなルーティンが安定して動くようになれば、ゼロCV監査や検索意図分析のような発展的な自動化への道が開けます。
なんでGoogle Ads MCPサーバーじゃないの？
補足しておくと、Googleは公式のGoogle Ads MCPサーバーを提供しています。実際Google AdsだけをAIに連携するなら公式MCPサーバー1本でも問題ないと思います。
ただ、広告運用はGoogle Ads上のデータだけでは完結しません。私の場合はMeta、Bingなど複数のプラットフォームのデータを確認する必要があります。また、CTRやCVRを最適化するにはGA4やヒートマップツールでページ側の課題を分析する必要もでてきますし、サーチコンソールのデータと照らし合わせれば「自然検索ですでに上位が取れてるけど広告に高額で入札して無駄にしている」キーワードなども分析できます。データアクセスに関するガバナンスの観点もありますね。
このように、「複数のデータソースへの接続を一か所で管理したい」、「社内でしっかりガバナンスを効かせる必要がある」というときに力を発揮するのがConnect AIのようなMCPプラットフォームです（もっと詳しくはこちら）。簡単に使い分けをまとめてみました👇
| 比較項目 | Google Ads MCPサーバー（公式） | CData Connect AI |
| 対応データソース | Google広告単体 | Google広告・Meta・Bing・GA4・Search Console・BigQueryなど複数ソースを一元管理 |
| プラットフォーム横断分析 | 不可（Google広告データのみ） | 可能（例: 広告データとGA4・サーチコンソールをJOINして費用対効果や自然検索との重複を分析） |
| データアクセスのガバナンス | Google広告単体の接続管理 | 複数接続先を一か所で管理・統制しやすい |
| 向いている場面 | Google広告のみをAIに連携したい | 複数データソースを横断して分析したい／社内でガバナンスを効かせたい |
まとめ
Google広告 × AI自動化スタックは、「できること」の幅を広げるというより、「今まで規模的に無理だった作業を現実的な時間でできるようにする」ことに本質的な価値があると思います。
50万円以上の節約は、スタックが生んだ成果ではなく、スタックのおかげで気づけた問題への対処の成果です。その違いを意識しながら、引き続き改善を続けていきます。
本記事はアフィリエイトプログラムによる収益を得ている場合があります