تصور کنید به‌جای ساعت‌ها کلنجار رفتن با داشبوردهای پیچیدهٔ گوگل‌ادز، فقط از هوش مصنوعی بپرسید «کدام کلمات کلیدی بودجه‌ام را می‌بلعند اما هیچ خروجی ندارند؟» و در چند ثانیه پاسخ دقیق را بگیرید.
این رویای مدیریت تبلیغات، اکنون با معرفی Camberstack به واقعیت تبدیل شده است. طبق گزارش منتشر شده در ۱۱ اکتبر ۲۰۲۶، این ابزار یک سرور میزبانی‌شده بر پایهٔ پروتکل زمینهٔ مدل (MCP) است. این سیستم شبیه به یک مترجم عمل می‌کند که زبانِ پایگاه‌داده‌های تبلیغاتی را به زبانی قابل‌فهم برای مدل‌های زبانی ترجمه می‌کند و به Claude اجازه می‌دهد مستقیماً حساب‌های گوگل‌ادز را از طریق یک رابط امن و مبتنی بر پیشنهاد (Proposal-based) مدیریت و تحلیل کند.
مدیریت هزینه‌های تبلیغاتی معمولاً به معنای جست‌وجوی خسته‌کننده در میان داشبوردهای پیچیده است تا عبارات جست‌وجویی که بودجه را می‌بلعند پیدا شوند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی لایه‌های حافظه در ابزارهای هوش مصنوعی اشاره کردیم — مشابه روشی که Bootstrap AI Layer حافظه دائمی را به Claude Code اضافه کرد — روند فعلی به سمت تبدیل مدل‌ها به «عامل‌هایی» است که ابزارها را می‌شناسند. این حرکت به سوی استانداردهای باز برای عامل‌های هوش مصنوعی، در راستای تلاش‌های گسترده‌تری است که شرکت‌هایی مانند متا و والمارت برای جلوگیری از هرج‌ومرج در اکوسیستم بات‌ها پیش می‌برند. Camberstack نیز حساب تبلیغاتی شما را مانند یک پایگاه‌داده قابل خواندن می‌بیند که مدل می‌تواند آن را کوئری بزند و بخواند، اما اجازه ندارد به‌صورت یک‌جانبه تغییری در آن ایجاد کند.
به نقل از مستندات dev.to، این سیستم بر یک قانون طراحی سخت‌گیرانه استوار است: هوش مصنوعی هر داده‌ای را در حساب می‌خواند، اما هر تغییری تنها یک «پیشنهاد» است. کاربر باید صراحتاً عبارت «آن را اعمال کن» (apply it) را بگوید تا هرگونه اصلاحی به حساب واقعی برسد. این سرور تحت لایسنس MIT به‌صورت متن‌باز در آدرس github.com/awilliams-2020/camberstack-mcp منتشر شده است.
راه‌اندازی این ابزار حدود دو دقیقه زمان می‌برد و تنها به یک حساب گوگل با دسترسی به گوگل‌ادز نیاز دارد. به‌دلیل میزبانی‌شده بودن سرور، کاربران نیازی به دریافت توکن توسعه‌دهنده (Developer Token) یا ایجاد پروژه در گوگل‌کلاود (Google Cloud Project) ندارند. برای کاربران نسخه وب یا دسکتاپ Claude، مسیر تنظیمات به این صورت است: Settings → Connectors → Add → Add custom connector. در اینجا باید نام آن را Camberstack گذاشته و آدرس https://camberstack.io/mcp را وارد کنند. برای کاربران Claude Code نیز دستور claude mcp add --transport http camberstack https://camberstack.io/mcp کافی است.
بر اساس مستندات فنی، Camberstack قابلیت‌های عملیاتی زیر را فعال می‌کند:
- بهینه‌سازی: تغییر کلمات کلیدی منفی، تنظیم بودجه‌ها و اصلاح تاریخ پایان کمپین‌ها.
- مدیریت: فعال یا غیرفعال کردن (Pause/Enable) کمپین‌ها، تنظیم قیمت‌های پیشنهادی (Bids) و به‌روزرسانی استراتژی‌های قیمت‌گذاری.
- هدف‌گذاری: تغییر مکان‌های جغرافیایی، هدف‌گذاری زبان و اصلاح اهداف تبدیل (Conversion Goals).
- ساخت: ایجاد کامل کمپین‌های جست‌وجو (Search Campaigns). برای اطمینان از لایه دوم تأیید، این کمپین‌ها همیشه در حالت «متوقف‌شده» (Paused) ساخته می‌شوند.
برای جلوگیری از خطاهای فاجعه‌بار، سیستم دسترسی مدل به حذف ساختارهای موجود، تغییر اطلاعات پرداخت (Billing) یا اصلاح تنظیماتی که خارج از محیط گوگل‌ادز هستند را به‌طور کامل مسدود کرده است. اقدامات پرریسک، مانند دو برابر کردن بودجه یا فعال کردن یک کمپین متوقف‌شده، منجر به نمایش یک هشدار ویژه در متن پیشنهاد می‌شود. این لایه‌های نظارتی برای جبران ضعف‌های سیستمی است؛ چرا که تضادهای موجود در استانداردهای ایمنی گوگل گاهی منجر به تایید تبلیغات گمراه‌کننده‌ای می‌شود که حتی مدل‌های پیشرفته‌ای مثل Gemini آن‌ها را رد می‌کنند.
در کاربردهای واقعی، برای کسانی که Search Console را متصل کرده‌اند، این ابزار می‌تواند پدیده «هم‌خورگی» (Cannibalization) را شناسایی کند؛ یعنی شناسایی جست‌وجوهایی که کاربر برای کلیک آن‌ها پول پرداخت می‌کند، در حالی که همان عبارت‌ها به‌صورت ارگانیک و رایگان در رتبه‌های برتر گوگل قرار دارند.
در یک دموی عملی برای یک کسب‌وکار فرضی لوله‌کشی با شش ماه داده‌های نمونه، مدل عملکرد ۳۰ روز اخیر را تحلیل کرد. نتایج نشان داد که کمپین «Emergency Plumbing – Search» مبلغ ۳۴۶.۵۱ دلار هزینه کرده و ۷.۲ تبدیل ایجاد کرده است، در حالی که کمپین «Drain Cleaning – Search» با هزینه ۱۵۸.۳۷ دلار، صفر تبدیل داشته است.
با پرسش «کدام عبارات جست‌وجو هزینه دارند اما تبدیل نمی‌شوند؟»، مدل عباراتی مثل «how to unclog a drain» (با ۹ کلیک و هزینه ۱۹.۷۷ دلار) و «tankless water heater reviews» (با ۷ کلیک و هزینه ۱۹.۸۲ دلار) را شناسایی کرد. سپس هوش مصنوعی پیشنهاد داد کلمات «how to» و «reviews» به عنوان کلمات کلیدی منفی اضافه شوند. این پیشنهادها ابتدا در محیط گوگل به‌صورت Dry-run (اجرای آزمایشی) تست می‌شوند تا از صحت آن‌ها پیش از تأیید کاربر اطمینان حاصل شود. اگر کاربر پشیمان شود، می‌تواند به‌سادگی با دستور «Undo that» تغییرات خاصی را بازگرداند.
این تحول، نقش مدیر تبلیغات را از یک «اپراتور دستی» به یک «ویراستار» تغییر می‌دهد. تفکیک مرحلهٔ «ساخت» از «هزینه کردن» به دو تأییدیه مجزا، اضطراب ناشی از اتوماسیون هوش مصنوعی را کاهش می‌دهد اما سرعت تحلیل مدل زبانی بزرگ (LLM) را حفظ می‌کند.
برای یک صاحب کسب‌وکار، این یعنی «هزینه کنجکاوی» کاهش می‌یابد. حالا می‌توانید به‌جای ساعت‌ها کار با صفحات گسترده (Spreadsheets)، در چند ثانیه نشت‌های بودجه را پیدا کنید، به شرطی که تنظیمات تأییدیه apply_changes را فعال نگه دارید.
کاربران می‌توانند این ادغام را به‌صورت رایگان برای یک حساب در سایت camberstack.io تست کنند یا کدهای متن‌باز آن را بررسی کنند تا متوجه شوند لایه انتقال MCP چگونه با API گوگل‌ادز تعامل می‌کند.
گام بعدی شما
- اگر از Claude استفاده می‌کنید، اتصال MCP را از طریق سایت camberstack.io تست کنید تا تحلیل‌های داده‌محور را جایگزین حدس و گمان کنید.
- کدهای متن‌باز این پروژه را در گیت‌هاب بررسی کنید تا متوجه شوید لایه انتقال MCP چگونه با API گوگل‌ادز تعامل می‌کند.
- لیست کلمات کلیدی منفی حساب خود را استخراج کنید و از مدل بخواهید الگوهای هدررفت بودجه را در ۳۰ روز گذشته شناسایی کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو