KI-Agent für GA4: Antworten aus Google Analytics in Klartext

Ein KI-Agent für GA4 ist eine Software mit Zugangsdaten zu deiner Google-Analytics-Property. Er übersetzt eine Frage in normaler Sprache in die passenden Messwerte, Dimensionen und Zeiträume, führt den Bericht über die Data API aus und antwortet in ganzen Sätzen. Du baust keine Berichte mehr, du stellst Fragen.

Der Reiz liegt auf der Hand, wenn du schon einmal zwanzig Minuten an einer explorativen Datenanalyse gebastelt hast, um etwas zu beantworten, das du in sechs Sekunden laut aussprechen könntest. Das Risiko ist genauso real, wird aber viel seltener besprochen: Ein Agent, der die falsche Dimension wählt, liefert eine selbstbewusste, gut formulierte und falsche Antwort, und nichts an der Ausgabe unterscheidet sie von einer richtigen.

Hier geht es darum, wie die Verbindung tatsächlich funktioniert, was du fragen solltest, welche GA4-spezifischen Fehler Agenten machen und was das Ganze kostet.

Was ist ein KI-Agent für GA4?

Er besteht aus drei Teilen. Die Verbindung: OAuth-Zugriff auf deine Property mit schreibgeschütztem Scope. Die Übersetzungsschicht: Sie macht aus „Wie hat Mobile im letzten Quartal konvertiert?“ eine Data-API-Anfrage mit genau den Namen für Messwerte und Dimensionen und dem Zeitraum, die Google erwartet. Und die Schleife: Damit kann sich der Agent ansehen, was zurückkam, und entscheiden, ob er vor der Antwort eine zweite Abfrage braucht.

Dieser dritte Teil unterscheidet einen Agenten von einem einfachen Abfragefeld für natürliche Sprache. Fragst du „Warum sind die Conversions gesunken?“, liefert ein Abfragefeld ein Conversion-Diagramm. Ein Agent zieht die Conversions, bemerkt, dass sich der Rückgang auf einen Kanal konzentriert, schlüsselt diesen Kanal nach Landingpage auf, findet zwei Seiten, die den Rückgang tragen, und beantwortet damit die Frage, die du gemeint hast, statt der, die du wörtlich eingetippt hast.

So verbindest du einen KI-Agenten mit Google Analytics 4

Es gibt zwei Wege, und welcher für dich passt, hängt davon ab, ob du im Marketing oder in der Entwicklung arbeitest.

Weg 1: eine gehostete OAuth-Verbindung

Der Weg fürs Marketing. Du autorisierst das Produkt mit deinem Google-Konto, wählst die Property aus, und die Verbindung wird serverseitig gespeichert und bei jeder Abfrage wiederverwendet. In unserer eigenen Umsetzung prüft der Agent beim ersten GA4-Tool-Aufruf, ob eine aktive Analytics-Verbindung besteht. Gibt es keine, scheitert er nicht und rät auch nicht, sondern zeigt eine interaktive Aufforderung zum Verbinden an, mit direktem Link zur Integrationsseite, und setzt das Gespräch danach fort. Die Property kommt aus deinen Workspace-Einstellungen, falls du dort eine festgelegt hast, sonst wird die erste Property der Verbindung genutzt.

Die Einrichtung dauert ein paar Minuten, und du musst nichts installieren. Der Haken: Du arbeitest mit dem Tool-Katalog, den der Anbieter gebaut hat.

Weg 2: MCP

Der Weg für die Entwicklung. Google stellt einen eigenen Google Analytics MCP-Server bereit, der GA4 für jeden MCP-fähigen Client verfügbar macht. Er bietet run_report, run_realtime_report, run_funnel_report, get_account_summaries, get_property_details, get_custom_dimensions_and_metrics und list_google_ads_links. Die Authentifizierung läuft über Application Default Credentials auf dem schreibgeschützten Analytics-Scope. In der Praxis heißt das: In einem Google-Cloud-Projekt die Admin API und die Data API aktivieren und gcloud auth application-default login ausführen.

Zwei Einschränkungen, bevor du darauf aufbaust. Google kennzeichnet den Server als experimentell. Und MCP gibt deinem Agenten die Werkzeuge, aber nicht das Urteilsvermögen, welches davon er aufrufen soll. Die Qualität der Schlussfolgerungen hängt weiterhin vom Modell und vom Prompt ab.

Welche GA4-Fragen du in normaler Sprache stellen kannst

Die Fragen, die gut funktionieren, haben dieselbe Form: einen Vergleich, ein Segment und einen festen Zeitraum.

Vergleiche die Conversions aus der organischen Suche für [Zeitraum A] mit [Zeitraum B],
aufgeschlüsselt nach Landingpage. Zeig die 10 Seiten mit der größten absoluten Veränderung.
Markiere jede Zeile, in der die Sitzungen so niedrig sind, dass die Veränderung der Rate Zufall sein könnte.

Welche Akquisitionskanäle haben sich im [Zeitraum] verbessert und welche verschlechtert,
gemessen an Conversions statt an Sitzungen? Nenne das Conversion-Ereignis, das du verwendet hast.

Wo springen Nutzer im [Zeitraum] ab, bevor sie [Ziel] abschließen?
Gib die absoluten Zahlen zusätzlich zu den Prozentwerten an.

Wird der Abstand zwischen der Conversion-Rate auf Mobilgeräten und auf dem Desktop größer oder kleiner
im Vergleich zum vorherigen gleich langen Zeitraum? Zeig beide Zeiträume.

Schlecht funktionieren die offenen Fragen. „Wie läuft die Website?“ erzeugt eine Zusammenfassung von allem und eine Schlussfolgerung zu nichts. Und es kostet mehr, weil sich ein vages Ziel auf mehr Abfragen verteilt als ein präzises.

Welche GA4-Messwerte sich zu automatisieren lohnen

Automatisiere die Messwerte, deren Bewegung immer eine Erklärung verlangt, und heb dir den Rest für den Moment auf, in dem du fragst.

Messwert	Warum automatisieren	Worauf achten
Conversions nach Kanal	Die Zahl, die dem Unternehmen wirklich wichtig ist	Welches Conversion-Ereignis als primär eingerichtet ist
Conversion-Rate nach Landingpage	Trennt Seitenprobleme von Trafficproblemen	Kleine Basiswerte, die dramatische Prozentwerte erzeugen
Engagement-Rate nach Quelle	Erkennt Qualitätsverschiebungen, bevor sich die Conversions bewegen	Die Definition unterscheidet sich von der Absprungrate in Universal Analytics
Umsatz nach Kanal	Verknüpft die Arbeit mit Geld	Das verwendete Attributionsmodell
Sitzungen nach Gerät und Land	Erklärt Veränderungen in der Zusammensetzung hinter einer veränderten Rate	Hohe Kardinalität, durch die Zeilen in (other) zusammenfallen

Welche Analysefehler KI-Agenten mit GA4-Daten machen

Diesen Abschnitt solltest du zweimal lesen. Jeder der folgenden Fehler erzeugt eine Ausgabe, die völlig normal aussieht.

Klicks und Sitzungen gleichsetzen. Die Search Console zählt Klicks auf ein Suchergebnis, GA4 zählt Sitzungen, nachdem eine Seite geladen wurde. Die Zahlen werden nie übereinstimmen, und ein Agent, der sie vergleicht, ohne das dazuzusagen, „entdeckt“ eine Abweichung, die schlicht an der Definition liegt.

Nutzerbezogene und sitzungsbezogene Messwerte mischen. Teilt man einen nutzerbezogenen Messwert durch einen sitzungsbezogenen, kommt eine Zahl ohne Bedeutung heraus. Sie wird trotzdem sauber mit zwei Nachkommastellen formatiert.

(not set) und (other) ignorieren. Dimensionen mit hoher Kardinalität werden in der Kategorie (other) zusammengefasst, und nicht zugeordneter Traffic landet in (not set). Ein Agent, der die sichtbaren Zeilen addiert und eine Summe meldet, lässt beides stillschweigend weg.

Prozentänderungen aus winzigen Basiswerten ablesen. Wenn aus zwei Conversions drei werden, ist das eine Verbesserung um 50 % und gleichzeitig nichts. Weise den Agenten immer an, absolute Zahlen neben den Raten anzuzeigen.

Unklarheit beim Conversion-Ereignis. In den meisten Properties sind mehrere Schlüsselereignisse eingerichtet. Nennt der Prompt keines, wählt der Agent selbst, und diese Wahl kann sich von Durchlauf zu Durchlauf ändern.

Relative Zeiträume. „Letzter Monat“ wird je nach Zeitzone der Property und Zeitpunkt der Abfrage unterschiedlich aufgelöst. Nutze feste Daten für alles, worauf du handeln willst.

Die Gegenmaßnahme ist ein Absatz, den du an jeden Prompt anhängst, bei dem es auf die Zahlen ankommt:

Jede Zahl muss aus der verbundenen Property stammen.
Wenn eine Zahl nicht verfügbar ist, schreib „nicht verfügbar“ – schätze niemals.
Nenne für jede Zahl den Messwert, die Dimension und den Zeitraum, die du verwendet hast.

Der letzte Satz ist der wichtigste. Er zwingt den Agenten, seine Abfrage offenzulegen, und macht so aus einer Behauptung, der du vertrauen musst, eine, die du in dreißig Sekunden prüfen kannst.

Die GA4-API-Limits, innerhalb derer ein Agent arbeitet

Das ist kein Nischenwissen. Diese Limits entscheiden, welche Fragen sich überhaupt beantworten lassen.

Laut Googles Dokumentation zu den Kontingenten der Data API erhält eine Standard-Property 200.000 Core-Tokens pro Property und Tag, 40.000 pro Stunde, 14.000 pro Projekt und Property pro Stunde sowie 10 gleichzeitige Core-Anfragen. Analytics-360-Properties erhalten 2.000.000 pro Tag und 50 gleichzeitige Anfragen. Entscheidend: Die Komplexität der Anfrage bestimmt die Token-Kosten. Mehr Dimensionen, längere Zeiträume und höhere Kardinalität verbrauchen alle mehr Kontingent. Mit returnPropertyQuota in einer Anfrage siehst du den aktuellen Verbrauch.

Die praktische Folge: Ein Agent, der frei durch eine große Property streifen darf, kann das Tageskontingent an einem Nachmittag aufbrauchen, und jeder nachgelagerte Bericht schlägt fehl, bis das Zeitfenster zurückgesetzt wird. Prompts mit einem eng gefassten Satz an Dimensionen und einem konkreten Zeitraum sind nicht nur klarer, sie sind auch günstiger, und zwar in einer Währung, von der du nicht mehr kaufen kannst.

Was ein Agent aus GA4 nicht beantworten kann

Auf manche Fragen gibt es in deiner Property keine Antwort, und der Unterschied zwischen einem guten und einem schlechten Agenten ist, ob er das auch sagt.

Alles jenseits deiner Aufbewahrungsdauer, in einer explorativen Datenanalyse. Laut Googles Dokumentation zur Datenaufbewahrung liegt die Aufbewahrung auf Nutzer- und Ereignisebene bei Standard-Properties bei 2 oder 14 Monaten, mit 14 Monaten als Maximum, sofern du nicht 360 nutzt. Daten aus Google Signals sind unabhängig von der Einstellung auf 26 Monate begrenzt. Die wichtige Feinheit: Die Aufbewahrungsdauer betrifft explorative Datenanalysen und Trichterberichte, nicht die aggregierten Standardberichte. Ein Agent kann also eine Trendfrage auf Kanalebene über einen langen Zeitraum völlig zu Recht beantworten, eine Frage zu Nutzerpfaden über denselben Zeitraum aber nicht. Unterscheidet er die beiden nicht, produziert er trotzdem irgendetwas.

Alles, was einem Schwellenwert unterliegt. Wenn die Nutzerzahlen so niedrig sind, dass sich Rückschlüsse auf Einzelpersonen ziehen ließen, hält GA4 die Zeilen zurück. Ein Agent, der addiert, was er sieht, und eine Summe präsentiert, meldet eine zu niedrige Zahl, ohne es zu wissen.

Alles über Menschen, die nicht eingewilligt haben. Je nach deiner Einwilligungskonfiguration wird ein Teil des Verhaltens modelliert oder fehlt ganz. Diese Lücke zeigt sich nicht als Fehler, sondern als kleinere Zahlen.

Frag deinen Agenten direkt: „Welcher Teil dieser Analyse ist von Aufbewahrungsgrenzen, Schwellenwerten oder Einwilligungslücken betroffen?“ Ein Agent, der diese Frage ehrlich beantwortet, ist einer, den du behalten solltest.

Ist es sicher, einem KI-Agenten Zugriff auf Google Analytics zu geben?

Der Zugriff auf GA4 gehört aus drei strukturellen Gründen zu den sichereren Integrationen, die du freigeben kannst: Der Scope ist schreibgeschützt, es lässt sich also nichts verändern. Der Zugriff lässt sich jederzeit in deinem Google-Konto widerrufen. Und das Schlimmste, was passieren kann, ist eine falsche Schlussfolgerung, die du selbst in der Property überprüfen kannst.

Zwei Punkte verdienen trotzdem Aufmerksamkeit. Erstens können GA4-Daten je nach Konfiguration personenbezogene Daten enthalten, du solltest also wissen, wo dein Agent-Anbieter Abfrageergebnisse verarbeitet und speichert. Zweitens: Wenn derselbe Agent auch beliebige Webseiten abrufen kann, kann er von außen verfassten Text in denselben Kontext bringen wie deine Anweisungen. Das ist das Problem der Prompt-Injection. Unsere Runtime löst das, indem sie jedes Tool als Lesen, Generieren oder Schreiben kennzeichnet, abgerufene Inhalte als nicht vertrauenswürdig abschirmt und für den Rest jedes Durchgangs, in dem nicht vertrauenswürdige Inhalte angekommen sind, alle als Schreiben gekennzeichneten Tools verweigert. GA4-Abfragen sind als Lesen gekennzeichnet und davon so oder so nicht betroffen.

Was eine GA4-Abfrage per Agent kostet

Zwei Bestandteile. Tool-Aufrufe: In unserem Katalog kostet eine GA4-Abfrage 50 Credits pro Aufruf, und eine echte Untersuchung besteht aus mehreren Aufrufen, weil der Agent Daten zieht, hinschaut und erneut zieht. Modell-Tokens: abgerechnet mit 300 Credits pro Million über alle Modellaufrufe in einem Durchgang. Sie wachsen mit der Datenmenge, die in den Kontext gelangt. Deshalb kostet das Auswerten einer Abfrage mit 50 Zeilen spürbar weniger als das einer Abfrage mit 5.000 Zeilen.

Daraus folgt dieselbe Regel wie beim Kontingent: Präzision ist billiger als Breite. „Wie läuft die Website?“ ist die teuerste Frage, die du stellen kannst, in Credits wie im Kontingent, und sie liefert die am wenigsten brauchbare Antwort.

Kann ein Agent Looker Studio ersetzen?

Nein, und der Grund ist die Reproduzierbarkeit, nicht die Leistungsfähigkeit. Ein Dashboard zeigt jedes Mal dieselben Messwerte im selben Layout, und genau das willst du fürs Monitoring und für alles, was ein Kunde regelmäßig zu sehen bekommt. Ein Agent kann an zwei verschiedenen Tagen einen anderen Weg durch dieselbe Frage nehmen.

Die Arbeitsteilung, die funktioniert: Dashboards beantworten das Was, Agenten das Warum. Das Dashboard behältst du für den laufenden Überblick, und den Agenten fragst du, wenn das Dashboard etwas zeigt, das du dir nicht erklären kannst. Für wiederkehrende Ergebnisse speziell lies unseren Beitrag zum automatisierten GA4-Reporting, bei dem Determinismus wichtiger ist als Flexibilität.

Wo du anfängst

Verbinde eine Property im Lesemodus und stell dem Agenten eine Frage, die du in diesem Quartal schon von Hand beantwortet hast. Vergleiche. Dann lass dir zu jeder Zahl den Messwert, die Dimension und den Zeitraum zeigen und prüf eine davon in der GA4-Oberfläche nach. Zwei solche Durchläufe sagen dir mehr darüber, ob du dem Tool vertrauen kannst, als jede Menge Material vom Anbieter.

Autopilot setzt den oben beschriebenen OAuth-Ablauf, die Verbindungsaufforderung und die Abfrageschleife mit deiner eigenen Property um.