Model Context Protocol (MCP) ve 'Agentic MarTech' Devrimi: Pazarlama Yığınını Yapay Zekâ Ajanlarıyla Yönetmek

Son on yılda dijital pazarlama operasyonları (Marketing Ops), "Dashboard ve Raporlama Çağı" tarafından şekillendirildi. Pazarlama yöneticileri, analistler ve medya satın alma uzmanları; sabahları Looker Studio, GA4, Superset, Google Ads ve Meta Ads panellerini tek tek açar, filtreler uygular, CSV raporları indirir ve bütçeleri elle güncellerdi.

Ancak 2026 yılı itibarıyla pazarlama teknolojileri kökten bir kırılma yaşıyor: "Agentic MarTech" (Ajan Destekli Pazarlama) Çağı.

Anthropic tarafından başlatılan ve artık açık bir standart haline gelen Model Context Protocol (MCP); büyük dil modellerini (LLM) şirketlerin veri ambarlarına (BigQuery, Snowflake), reklam motorlarına (Google Ads, Meta Marketing API) ve web altyapılarına (Cloudflare, Search Console) doğrudan bağlayan sinir sistemi haline geldi.

Artık dashboard'lara bakıp saatlerce analiz yapmak yerine, yapay zekâ ajanlarına stratejik hedefler veriyoruz. Ancak bu muazzam güç; denetimsiz kota tüketimi, fahiş bulut maliyetleri, PII (kişisel veri) sızıntıları ve otonom harcama hataları gibi yeni nesil riskleri de beraberinde getiriyor.

Bu yazıda; MCP ile güçlendirilmiş modern bir Agentic MarTech yığınının mimarisini, sunduğu devrimsel imkanları ve işletmenizi finansal ya da hukuki krizlerden koruyacak güvenlik bariyerlerini inceliyoruz.

---

1. Büyük Dönüşüm: Dashboard Çağından "Ajan Çağına"

Pazarlama ekiplerinin iş yapış biçimi pasif veri gözleminden aktif otonom eyleme evriliyor.

graph LR
    subgraph Geleneksel_MarTech["1. Dashboard Çağı (Geleneksel)"]
        A[Veri Paneli / Looker] -->|Manuel Analiz| B[Pazarlamacı]
        B -->|Manuel Değişiklik| C[Google / Meta Ads]
    end

    subgraph Agentic_MarTech["2. Ajan Çağı (MCP Tabanlı)"]
        D[Stratejik Talimat] --> E[Pazarlama Ajanı]
        E <-->|MCP| F[(BigQuery / CDP)]
        E <-->|MCP| G[Google Ads API]
        E <-->|MCP| H[Meta Marketing API]
        E -->|Slack Onay Kapısı| I[Pazarlama Lideri]
    end

Eskiden (Geleneksel Pazarlama İş Akışı):

1. Pazarlamacı Looker Studio paneline girer.
2. GA4 ve Google Ads arasında dönüşüm tutarsızlıklarını inceler.
3. BigQuery'de SQL çalıştırıp son 30 günde hangi müşteri segmentinin LTV değerinin yüksek olduğunu bulur.
4. Google Ads paneline girip düşük performans gösteren anahtar kelimeleri durdurur.
5. Meta Ads Manager'a geçip yeni bir kitle oluşturarak bütçeyi elle %15 artırır. (Süre: 3-4 saat / İnsan hatasına açık)

Bugün (MCP Destekli Agentic İş Akışı):

Pazarlamacı tek bir talimat verir:

"Son 7 günde ROAS değeri 2.0'ın altına düşen Google Ads arama kampanyalarını durdur. Açığa çıkan günlük 10.000 TL'lik bütçeyi, BigQuery'de son 90 günde LTV/CAC oranı en yüksek çıkan kitleye yönelik Meta Advantage+ kampanyasına aktar. Yapılan değişiklikleri ve tahmini etkiyi Slack kanalına özetle."

Ajan; BigQuery MCP ile SQL çalıştırır, Google Ads MCP ile kampanya performansını doğrular, Meta MCP ile bütçeyi yeniden paylaştırır ve Slack MCP ile yöneticiye rapor sunar. (Süre: 15 saniye / Kesintisiz ve 7/24)

---

2. Modern Agentic MarTech Yığınının Mimarisi

Bir yapay zekâ ajanının pazarlama yığınını yönetebilmesi için dört temel katmandan oluşan sağlam bir mimariye ihtiyaç vardır:

flowchart TD
    subgraph UserLayer["1. Orkestrasyon ve Kullanıcı Katmanı"]
        A[Pazarlama Yöneticisi / Antigravity Agent / Chat]
    end

    subgraph GovernanceLayer["2. Güvenlik ve Yönetişim Katmanı (Guardrails)"]
        B[PII Sanitization / Maskeleme]
        C[Human-in-the-Loop Onay Kapısı]
        D[Maksimum Bütçe / Harcama Sınırları]
    end

    subgraph McpLayer["3. Model Context Protocol (MCP) Katmanı"]
        E[BigQuery MCP Server]
        F[Google Ads MCP Server]
        G[Meta Marketing MCP Server]
        H[Search Console MCP Server]
        I[Cloudflare Edge MCP Server]
    end

    subgraph DataExecutionLayer["4. Veri ve Reklam Altyapısı"]
        J[(BigQuery / Data Warehouse)]
        K[Google Ads API]
        L[Meta Graph API]
        M[Search Console API]
        N[Cloudflare WAF / CDN]
    end

    A --> B
    B --> C
    C --> D
    D --> E & F & G & H & I
    E --> J
    F --> K
    G --> L
    H --> M
    I --> N

1. Veri ve Öngörü Katmanı (Data Tier):

• BigQuery / Snowflake / CDP: Müşteri tekil kimliği (Identity Stitching), gerçek zamanlı LTV, churn risk skorları ve birinci taraf (first-party) dönüşüm verileri.

2. Protokol ve Entegrasyon Katmanı (MCP Tier):

• BigQuery MCP: Salt-okunur analitik sorguları çalıştırma, hazır segmentasyon tablolarını okuma.
• Google Ads MCP: Kampanya, reklam grubu, negatif anahtar kelime ve bütçe yönetimi.
• Meta Marketing MCP: Hedef kitle senkronizasyonu, reklam seti durum optimizasyonu.
• Search Console & Cloudflare MCP: Organik arama düşüşlerini izleme, bot trafiğini anında WAF kurallarıyla filtreleme.

3. Yönetişim ve Güvenlik Katmanı (Governance Tier):

• İstemciden giden ve gelen verileri PII filtresinden geçiren, bütçe değişikliklerine limit koyan ara katman.

---

3. Bilinçsiz MCP Kullanımının MarTech Riskleri

MCP'nin sunduğu inanılmaz esneklik, korumasız ortamlarda şirketleri saniyeler içinde büyük finansal ve operasyonel felaketlere sürükleyebilir:

flowchart LR
    A[Kontrolsüz / Döngüye Giren Ajan] --> B[BigQuery Sınırsız Tarama: 10.000$+ Fatura]
    A --> C[Google Ads API Limit Tükenmesi: Hesap Kilitlenmesi]
    A --> D[Ham Müşteri Verisinin LLM'e Gitmesi: KVKK/GDPR Cezası]
    A --> E[Attribution Gecikmesini Yanlış Anlama: Karlı Kampanyanın Silinmesi]

A. Kota ve Bütçe Patlamaları (Quota & Cloud Cost Explosions)

1. BigQuery Tarama Maliyetleri: Bir yapay zekâ ajanı, optimize edilmemiş veya partition tanımlanmamış bir tabloda SELECT * çalıştırırsa veya bir hata döngüsüne girip sürekli veri çekerse, dakikalar içinde terabaytlarca veri tarayabilir. Google Cloud'da on-demand sorgulama faturası bir gecede binlerce dolara fırlayabilir.
2. Reklam API Kotaları (Rate Throttling): Google Ads API Developer Token ve Meta Graph API'nin katı günlük kota ve çağrı sınırları vardır. Sürekli döngüye giren (retry storm) bir MCP istemcisi, şirketinizin API kotasını tüketerek tüm canlı reklam operasyonlarının kilitlenmesine neden olabilir.

B. Kişisel Veri ve PII (KVKK / GDPR / PDPL) İhlalleri

Pazarlama veri ambarlarında müşterilerin adları, e-posta adresleri, telefon numaraları, açık IP'leri ve sepet içerikleri yer alır.

• Eğer MCP sunucunuz bu verileri anonimleştirmeden (anonymization/masking) doğrudan LLM istemcisine gönderirse, kişisel veriler üçüncü taraf yapay zekâ sağlayıcılarının sunucularına aktarılmış olur.
• Bu durum, KVKK ve GDPR kapsamında yurtdışına izinsiz veri aktarımı ve veri güvenliği ihlali oluşturarak milyonlarca liralık idari para cezalarına yol açar.

C. Yanılsama ve Veri Gecikmesi (Attribution Lag) Yanılgısı

Reklam platformlarında dönüşüm verileri anlık olarak panele yansımaz; genellikle 12 ila 48 saatlik bir ilişkilendirme gecikmesi (attribution lag) mevcuttur.

• Deneyimsiz bir yapay zekâ ajanı, dünün verilerine bakarak "Bu kampanya hiç satış getirmemiş" yanılsamasına kapılabilir ve aslında en karlı olan kampanyayı kapatabilir.

---

4. Güvenli ve Ölçeklenebilir Bir Agentic MarTech Mimarisi: 4 Altın Kural

Pazarlama operasyonlarınızı yapay zekâ ajanlarına emanet ederken şu koruma katmanlarını zorunlu kılmalısınız:

1. Human-in-the-Loop (HITL) ve Onay Kapıları (Approval Gates)

Ajanların salt-okunur (read-only) analiz yapmasına serbestçe izin verilmeli; ancak finansal etki doğuran kararlarda onay mekanizması devreye girmelidir:

{
  "safety_policies": {
    "auto_execute_threshold_usd": 100.0,
    "require_human_approval": {
      "budget_increase_percentage_above": 20,
      "pause_campaign_spend_above_usd": 500.0,
      "delete_any_entity": true
    }
  }
}

2. BigQuery İçin Sınırlandırılmış Görünümler ve maximum_bytes_billed

Ajanların ham veri gölüne (raw data lake) doğrudan sorgu atmasına izin vermeyin. Bunun yerine:

• Yalnızca önceden hesaplanmış, filtrelenmiş ve partition edilmiş Materialized View tablolarını MCP'ye bağlayın.
• BigQuery sorgu istemcisine mutlaka maximum_bytes_billed (örneğin sorgu başına maks. 500 MB) sınırı koyun.

from google.cloud import bigquery

client = bigquery.Client()
job_config = bigquery.QueryJobConfig(
    maximum_bytes_billed=500 * 1024 * 1024,  # Maksimum 500 MB kota limiti
    use_query_cache=True
)

3. Yerel PII Maskeleme (Data Sanitization) Katmanı

Müşteri veritabanından veri çeken MCP sunucusu, veriyi LLM'e iletmeden önce hassas alanları yerel olarak maskelemelidir:

// MCP Resource / Tool Çıktısı İçin PII Temizleme Fonksiyonu
function sanitizeMarketingRecord(record: Record<string, any>) {
  return {
    customer_id: record.customer_id,
    hashed_email: record.email ? sha256(record.email.toLowerCase().trim()) : null,
    masked_phone: record.phone ? record.phone.replace(/.(?=.{4})/g, '*') : null,
    total_spent: record.total_spent,
    predicted_ltv_tier: record.predicted_ltv_tier, // "High", "Medium", "Low"
    last_order_days_ago: record.last_order_days_ago
  };
}

4. Sıkı API Yetkilendirmesi (Principle of Least Privilege)

Pazarlama MCP sunucularına verilen API token'ları yalnızca ihtiyaç duyulan kapsamlarla (scopes) sınırlandırılmalıdır:

• Kampanya analiz ajanına yalnızca GoogleAds.ReadOnly yetkisi verilmelidir.
• Kampanya yürütme ajanına ise hesap silme veya ödeme yöntemi değiştirme yetkisi asla verilmemelidir.

---

5. Geleceğin Pazarlama Ekibi: "Dashboard Tıklayıcıları"ndan "Ajan Orkestratörleri"ne

Agentic MarTech devrimi, pazarlamacıların yerini almak için değil; onları operasyonel angaryalardan kurtarıp gerçek birer büyüme stratejistine (Growth Architect) dönüştürmek için geliyor.

2026 ve sonrasında en başarılı pazarlama liderleri; en çok panel kullananlar değil, şirket verilerini MCP standartlarıyla ajanlara en güvenli ve en verimli şekilde bağlayanlar olacaktır.

---

Onmartech Tech Lab | Agentic MarTech, Modern Veri Mimarileri ve Otonom Pazarlama Sistemleri