Dados e casos de uso do MCP, Agent Hub e AI Assistant da AppsFlyer
53% of accounts using MCP return on day 7 or later
39% deployed ‘Weekly Performance Report’ – the most popular agent
20% of AI assistant questions analyzes or retrieves data
A camada confiável de sinais é o segredo para o impacto da IA
A qualidade da IA depende da qualidade dos dados que a alimentam. Afinal, os agentes são apenas otimizadores obedientes: eles buscam atingir o objetivo solicitado ao usar os sinais de dados que você fornece. Se esses sinais forem fragmentados, duplicados, autodeclarados ou mal administrados, a automação irá agravar o problema em vez de reduzi-lo.
Os profissionais de marketing que mais se beneficiam da IA não são apenas aqueles com acesso aos modelos mais sofisticados, mas também aqueles que resolveram o problema dos sinais, operando com base em dados confiáveis.
A AppsFlyer ocupa uma posição central nessa camada confiável de sinais para milhares de equipes de marketing. O MCP oferece acesso programático a essa camada onde as equipes podem consultar todos os dados de atribuição e performance através de qualquer interface. OAgent Hub implementa agentes sempre ativos que monitoram, identificam e sinalizam oportunidades. O AI Assistant responde perguntas, valida premissas e recupera dados por meio de conversas e visualizações. Juntos, eles formam uma estrutura completa de ferramentas de IA que operam na modern marketing cloud da AppsFlyer.
Este relatório analisa o que os profissionais de marketing estão fazendo na plataforma da AppsFlyer: as consultas que realizam, os agentes que configuram e os fluxos de trabalho que desenvolvem. As conclusões reúnem resultados quantitativos agregados (a seção Principais tendências) com pesquisa qualitativa em todas as áreas da seção Casos de uso. Todas essas conclusões oferecem uma visão aprofundada sobre o cenário atual da adoção de IA no marketing e as perspectivas futuras.
* Todos os resultados se baseiam em dados totalmente anônimos e agregados. Para garantir a validade estatística, seguimos rigorosos limites de volume e metodologias. Assim, apresentamos somente os dados que correspondem às condições estabelecidas.
A atividade de autenticação por token do MCP atingiu 48% à medida que o uso de agentes e automação ganhou força
A autenticação por token Bearer não é uma interface conversacional. Ela autentica fluxos de trabalho agênticos e automatizados criados em ferramentas como N8N, Make e clientes de linha de comando. Isso varia de extrações de dados programadas a sistemas totalmente agênticos que raciocinam em diferentes ferramentas, consultando o MCP Server de maneira programática em vez de usar chats.
A participação de contas que usam a autenticação por token saltou de 13,6% em dezembro de 2025 para 47,7% em maio de 2026 (um aumento de 250%). Isso demonstra como o caso de uso para MCP está mudando de experimentação para produção à medida que uma base de usuários mais avançada tecnicamente adota a automação de fluxos de trabalho em vez das interfaces de chat diretas. Essa constatação vale principalmente para os profissionais de marketing, que agora podem criar automações e agentes sem depender de desenvolvedores ou analistas.
Juntos, o Claude e o Claude Code mostram o outro lado dessa mudança. O Claude manteve uma participação de 19% a 32% ao longo do período, crescendo constantemente como a camada interativa para profissionais de marketing, analistas e desenvolvedores que consultam a API de maneira conversacional. A participação do Claude Code quase triplicou de 3,8% para 9,9%, sinalizando que os desenvolvedores interagem cada vez mais com o MCP dentro do ambiente de compilação. Juntos eles cresceram 85%, de 22,7% para 42%, sugerindo que as camadas programáticas e conversacionais estão se expandindo.
A ascensão do Claude reflete uma dinâmica de mercado mais ampla. Até meados de 2025, a receita empresarial da Anthropic havia superado a da OpenAI, apesar da liderança de uso do ChatGPT (cerca de 70% do uso do ChatGPT está não relacionado ao trabalho). A diferença mais precisa é que o Claude domina especificamente o segmento de APIs e codificação agêntica. No início de 2026, a Anthropic dominava cerca de 54% do mercado de programação para empresas. Em um contexto de MCP, que é inerentemente uma interface para desenvolvedores e analistas, essa vantagem tende a ser ampliada.
Do ponto de vista regional, a APAC teve o maior aumento na autenticação por token, passando de 13% para 63,7% (+390%): a cada três interações, quase duas são provenientes de pipelines agênticos ou automatizados. A América do Norte segue um padrão semelhante, saltando de 10% para 52,1% (+420%). A EMEA é a exceção: a atividade de autenticação por token diminuiu 25%, de 19,1% para 14,4%. Em maio, o Claude dominava com 54,5%, sugerindo que a base de usuários da EMEA tende a usar APIs de maneira direta e conversacional em vez automatizar fluxos de trabalho.
O principal motivo para a adoção do MCP tem duas faces: pipelines autenticados por token de um lado; sessões interativas de desenvolvedores e analistas do outro. Porém, ambas testemunham um aumento à medida que a base de usuários amadurece e se concentra em ferramentas para desenvolvedores.
A concentração de uso entre os hosts do MCP reforça este cenário: 84% das contas se conectam através de um único host, com menos de 15% usando dois ou mais hosts. Isso aponta para uma base de usuários ampla que ainda está na fase de “descoberta de um ponto de entrada”, já que a maioria das contas identificou uma ferramenta que se encaixa nos fluxos de trabalho e ainda não se expandiu.
Explore a seção “Casos de uso” para se inspirar em aplicações do MCP (a barra de navegação se encontra na parte inferior da tela).
Share of companies by MCP host
Number of MCP hosts distribution
A base de contas do MCP cresceu 12x em seis meses
O número de empresas que usam ativamente o MCP da AppsFlyer cresceu 12x em seis meses. Esse crescimento não foi linear: o maior salto em um único mês ocorreu em março de 2026, quando o número de contas aumentou 188%. O momento não é uma coincidência.
A publicação do roadmap oficial do MCP da Anthropic em 9 de março de 2026, associada à doação do protocolo em dezembro de 2025 para a Linux Foundation no âmbito da Agentic AI (uma fundação que não depende de fornecedores) com o apoio da AWS, Google, Microsoft, Salesforce e Snowflake, eliminou o risco de dependência de um único fornecedor que havia desacelerado a adoção das empresas. Essa mudança na AppsFlyer reflete a resposta das empresas à transformação do MCP em infraestrutura em vez de experimento. Além disso, com o lançamento do Cowork do Claude, os profissionais de marketing podem programar com o auxílio da IA através de conexões do MCP.
A APAC permaneceu na liderança durante todo o período, atingindo 48,8% do total em maio. Em termos de proporção, a América do Norte cresceu mais rapidamente, com um aumento de 1.659%. Grande parte dessa aceleração ocorreu em maio, quando quase triplicou em relação ao mês anterior. A EMEA cresceu com mais constância, enquanto a LATAM continua sendo a região que menos cresceu, porém apresentou maior consistência no crescimento.
A distribuição regional aponta onde o acesso a dados impulsionados por IA obteve maior adesão das empresas. A participação da APAC é coerente com seu papel de liderança na adoção de autenticação por token, como vimos na seção anterior: equipes tecnicamente avançadas parecem ter evoluído com mais rapidez da descoberta para o uso programático em nível de produção. A aceleração tardia da América do Norte sugere que uma segunda onda de adoção ainda pode estar se formando.
Companies connecting MCP by region
1/2 das contas do MCP retorna no Dia 7 ou depois, com 1/3 delas ainda ativas no Dia 30
A retenção nas primeiras 24 horas é alta: 66% das contas que fizeram sua primeira consulta no MCP retornaram no Dia 1 ou depois, e 53,4% delas ainda estavam ativas no Dia 7 ou depois. Para uma ferramenta de desenvolvimento e análise usada de maneira pontual, e não rotineira, esses números iniciais sugerem que o MCP está fornecendo valor imediato suficiente para que os usuários retornem na primeira semana. Até o Dia 30, 32,7% das contas haviam retornado em algum momento, o que significa que quase uma em cada três contas permaneceu ativa durante o primeiro mês inteiro.
A taxa de retorno diário (a parcela de contas que retornaram em qualquer dia) se mantém entre 24% e 19% do Dia 1 ao Dia 18, sem uma queda acentuada ao longo do período. As contas que passam da fase inicial de experimentação parecem se estabelecer em um padrão de uso recorrente em vez de desaparecerem aos poucos. Isso significa que a retenção inicial, se alcançada, tende a se manter.
Os dados semanais apontam para a Semana 5 como a mudança comportamental decisiva. A parcela de contas que retorna em uma determinada semana cai de 23,3% na Semana 5 para 13,7% na Semana 6, ou seja, uma queda de 41% e a maior queda no conjunto de dados. É provavelmente nesse momento que as contas de uso casual ou experimental deixam de ser utilizadas, o que acaba comprometendo o núcleo. Na Semana 8, 11,2% das contas permanecem ativas semanalmente.
A queda acentuada na Semana 11 não é comportamental, pois reflete o truncamento de dados: contas que se conectaram pela primeira vez nas últimas semanas do período de observação não tiveram tempo suficiente para retornar em intervalos posteriores. Sendo assim, elas estão ausentes dos pontos de dados posteriores, resultando na queda acentuada dos números.
Taxa de retenção do MCP
Os agentes nunca descansam, porém o volume de automação dos finais de semana corresponde a 70% do volume dos dias úteis
O uso de MCP por agentes e automações não segue uma semana de trabalho tradicional como os humanos. A atividade nos finais de semana corresponde, em média, a 70% do volume dos dias úteis. É uma queda modesta quando comparada à queda acentuada típica de ferramentas vinculadas ao horário de trabalho humano.
Pipelines automatizados e agentes autenticados por token não seguem o ciclo semanal de cinco dias úteis. Fluxos de trabalho criados em ferramentas como N8N, Make e clientes de linha de comando funcionam em horários definidos pelas equipes, não pelo calendário. O contraste é visível no próprio AI Assistant da AppsFlyer, que é totalmente liderado por humanos: o uso nos finais de semana cai drasticamente e se torna negligenciável. Esse é um padrão que destaca a linha de base do MCP nos finais de semana.
Nesse sentido, a atividade consistente nos finais de semana é um subproduto da mesma mudança visível nos dados mensais: à medida que o uso da autenticação por token cresceu para quase metade da atividade total, a plataforma se tornou menos dependente de sessões iniciadas por humanos e mais impulsionada por automação contínua.
Explore a seção “Casos de uso” para se inspirar em aplicações de agentes (a barra de navegação se encontra na parte inferior da tela).
Daily MCP call volume *
Os relatórios de performance lideram a adoção de agentes, aprofundando o uso ao longo do tempo.
No Agent Hub da AppsFlyer, os profissionais de marketing podem escolher entre uma biblioteca de agentes predefinidos. A escolha principal é o “Relatório de performance semanal”, que representa 38,6% de todas as configurações. Isso reflete a necessidade mais comum: visibilidade automatizada e recorrente sobre os dados de performance. A “Detecção de problemas de configuração” está em segundo lugar com 24,7%. Essa é uma necessidade ampla, quase universal, para todas as equipes que se importam com a qualidade da mensuração. Juntos, eles representam quase 2/3 de todas as configurações.
Com 14,2%, a estratégia de “otimização contra fraudes atende a um público mais específico: contas em execução no Protect360 da AppsFlyer que desejam detecção proativa de fraudes em vez de relatórios reativos.
Agentes de criativos e agentes com foco em anomalias (“Identificação de oportunidades de criativos” e “Detecção de anomalias de performance”) estão abaixo de 5%, o que provavelmente reflete seu escopo mais especializado.
Entre as contas ativas que usaram a plataforma em ambos os períodos, o número médio de tipos de agentes configurados cresceu de 2,74 para 2,92. Algo ainda mais revelador é a mudança na distribuição: contas que usam apenas um tipo de agente caíram 42% (de 16,7% para 9,7%), enquanto aquelas que usam três ou mais agentes cresceram de maneira constante. Isso aponta para um aprofundamento gradual à medida que as empresas que permaneceram na plataforma exploraram outros tipos de agentes em vez de adotarem único fluxo de trabalho.
Distribuição das configurações de agentes por tipo
Share of accounts by number of agent types used
Uma em cada cinco perguntas é uma consulta de dados à medida que os usuários se aprofundam na implementação e análise.
A maior categoria, com 36% das 37.082 perguntas ao AI Assistant da AppsFlyer, corresponde à navegação na plataforma e a tutoriais: onde encontrar um recurso, como concluir uma tarefa ou qual é a função de uma configuração. O fato de que o assistente absorve esse volume é significativo do ponto de vista operacional, mas é a descoberta menos surpreendente. Os sinais mais reveladores estão nas categorias abaixo. Em 74% das perguntas, houve uma crescente sofisticação entre o público-alvo.
Uma em cada cinco perguntas pediu ao AI Assistant para recuperar ou analisar dados de performance. Em 20,1% das solicitações, os usuários não estão perguntando como usar a plataforma, mas estão pedindo para mostrar seus próprios números: instalações por fonte, ROAS por campanha, segmentações de cohot por localização e comparações entre períodos. Esse é um comportamento típico de analistas, não de equipes de suporte, e aponta para uma base de usuários que encontrou uma forma mais rápida de obter insights através de conversas em vez de dashboards.
O perfil técnico da base de usuários fica evidente nos três grupos a seguir. As perguntas sobre atribuição e mensuração representam 9,7%, para configuração técnica e 7,1% para integração de SDK, além de 6,3% para configuração de deep linking e OneLink. Juntas, essas três categorias representam 23,1% de todas as perguntas, praticamente igualando a consulta de dados em volume e indicando uma base de usuários familiarizada com detalhes de implementação.
As perguntas envolvem janelas de atribuição, configuração de postbacks, definição de eventos de servidor para servidor e resolução de problemas do OneLink. Esse não é o público típico de ferramentas de marketing que faz perguntas superficiais; parece ser um público que entende como a camada de mensuração funciona e usa o AI Assistant para se aprofundar nisso.
A interpretação de gráficos e tendências representa 3,9%, e a investigação de anomalias corresponde a 2,4%. Ambas refletem o AI Assistant incorporado diretamente ao fluxo de trabalho de análise: usuários que compartilham um gráfico ou um padrão de dados em tempo real e pedem ao assistente para explicar em vez de utilizá-lo como uma ferramenta de consulta separada.
Explore a seção “Casos de uso” para se inspirar em aplicações do AI Assistant (a barra de navegação se encontra na parte inferior da tela).
Share of AI assistant question types
- Real-time performance insights [Square]
-
Real-time performance queries in the meeting room. Square’s primary use case is replacing the manual dashboard lookup with a custom dashboard built via MCP which includes live charts, data visualizations, and the ability to query AppsFlyer data on demand, all in a single view that’s ready to present.
When in a meeting with a programmatic partner and facing an unexpected question about performance, the AppsFlyer MCP connected to Claude surfaces the answer in real time, eliminating the need for a manual report pull. The queries run in this context include which app types drive the best install or event outcomes, how individual programmatic networks compare on top-of-funnel quality versus churn, and revenue breakdowns that would otherwise take hours to compile.
Connecting AppsFlyer data with internal sources. The second layer is joining the AppsFlyer MCP with proprietary internal data. Square runs city-level revenue data that can’t be shared externally, but by connecting it alongside the AppsFlyer MCP through Databricks, the team can ask questions that cross both datasets — for example, which merchant categories perform better in specific months, and whether that should inform creative timing. The MCP handles the AppsFlyer side; the internal connection handles the proprietary side; the AI joins them without requiring SQL knowledge from the end user.
Running multiple MCPs in parallel. Square connects multiple MCPs simultaneously: the AppsFlyer MCP for attribution and event data, Google UAC and Apple Search Ads directly for spend, then the AppsFlyer MCP again for aggregated events. The joining factor is the common media source dimension. It is a manually assembled architecture, but one that becomes straightforward once the common key between datasets is identified.
Cleaning up historical naming conventions. A more operational use case is using the MCP to rationalize naming convention inconsistencies in historical data. When OneLink naming has drifted across teams over time, generating different capitalizations, underscores, and spaces, querying through the MCP helped surface and clean up those patterns without a manual audit.
“I can ask AI to pull performance data and dive straight into revenue insights. What used to take hours now takes under 2 minutes.” Sara San Antonio, Sr. Global Marketing Mobile Manager, Square
Watch the webinar - Cohort progression analysis at daily frequency [Supersonic Studios]
-
From multi-dashboard investigation to a two-minute query. Supersonic’s primary MCP use case is eliminating the gap between having a performance question and getting an answer. Before, a UA manager needing a ROAS summary for a stakeholder update had to pull data from multiple sources, format it, and write the narrative manually. With the AppsFlyer MCP connected to the LLM of their choice, the same request is answered in plain language in minutes instead of hours.
Cohort progression analysis at daily frequency. The deeper application is cohort monitoring at a depth manual work cannot sustain. Supersonic measures ROAS progression from D0 through D7 and D30, comparing current cohort trajectories against historical patterns for the same title and campaign. A cohort where D0 ROAS looks healthy but the progression to D3 is lagging behind prior cohorts is already signaling a problem. However, spotting that change across every active title and campaign on a daily basis was not realistic manually. MCP makes it a conversational query rather than a multi-dashboard investigation.
Connecting AppsFlyer data with additional sources. Supersonic also connects the AppsFlyer MCP alongside internal data sources to answer questions that cross datasets. The specifics of what those sources contain are not public, but the pattern matches the broader use case: MCP as a joining layer between AppsFlyer’s attribution and revenue data and proprietary internal data the team needs in the same answer.
Getting the data right first. Early experiments with raw data fed directly to the LLM produced unreliable outputs — inconsistent field names and overlapping revenue dimensions caused the model to guess at calculations, and the team lost trust quickly. Supersonic’s fix was to pre-aggregate data on the BI side for each specific use case before passing it through MCP. The LLM receives something scoped and precise, and the outputs match numbers the team already recognizes in their own dashboards.
“You can actually take MCP and build your own agents and workflows. This is a part that a human is still in the loop and it’s really interesting to discover.” Ofer Regev, Product Manager AI and Automation, Supersonic Studios
Open case study - Pre-programmed workflows using a claude.md file [Shamanth Rao]
-
Building a performance analyst that runs on demand. This MCP use case moves beyond ad-hoc querying into pre-programmed workflows. Using a claude.md file — a set of plain-language instructions stored in the same folder as the MCP connection — it is possible to define a multi-step analytical routine that runs end-to-end when triggered by a single phrase. “Give me my performance check” is not a query. It is activating a pre-built analyst.
What the workflow actually does. The example routine runs eight steps automatically: pull the last seven days of data from AppsFlyer for each paid channel, calculate ROAS, flag the channels with the lowest ROAS, rank all channels by efficiency, compare paid versus organic performance, identify any paid channel where ROAS is negative, recommend which channels to scale, and close with a budget reallocation suggestion. The output is a structured report, not a raw data dump. The whole sequence runs from one prompt.
The difference from conversational querying. Rather than asking the MCP questions as they arise, the claude.md pattern is different in kind: it encodes analytical judgment into the system in advance, so the same rigorous review runs every time, not just when someone thinks to ask. The workflow can also be made progressively smarter — adding a rule like “compare iOS versus Android performance” updates the routine permanently without rebuilding anything. It is closer to building a custom analyst than using one.
“[With MCP] you can activate a sequence of steps just by asking for one single phrase which you have pre-programmed before. That is the beauty of claude.md.” Shamanth Rao, ROCKETSHIP HQ
Watch the video - Cross-app portfolio analysis [gaming company]
-
Querying across an entire app portfolio at once. For companies managing multiple apps, the standard MCP workflow where you query one app, get an answer, and move to the next does not scale. With MCP, the company queries across the full portfolio simultaneously, asking questions that only make sense when all titles are in view at once. Which apps are underperforming in a specific geo relative to their global average? Where is early D0 ROAS strongest and not being followed by proportional spend? These are portfolio-level questions that dashboard-by-dashboard review answers far less efficiently.
Identifying cannibalization and concentration risk. A less obvious but high-value application is surfacing where apps within the same portfolio are competing against each other for the same users. Two titles targeting a similar audience in the same geo through overlapping channels will bid against each other, inflating CPIs across both. MCP can surface that overlap in titles, geos, and channels, and frame it as a reallocation opportunity rather than leaving it buried in individual campaign views that no one is comparing side by side.
Turning portfolio signals into prioritization. The output is not just data, it’s a ranked view of where to concentrate attention. Rather than a UA manager cycling through ten dashboards to form a mental picture of where the portfolio stands, a single MCP query returns a structured comparison: which titles are over-indexed for their performance level, which are under-resourced relative to their cohort signals, and where the highest-confidence scaling opportunity sits right now. The portfolio becomes legible as a system, not a collection of individual campaigns.
- Anomaly detection agent [Supersonic Studios]
-
When the signal is buried three levels down. The anomaly that costs the most is rarely the one that shows up on the dashboard. At Supersonic, the monitoring challenge was not spotting obvious top-line drops, but rather finding the performance issues that were invisible at the summary level but compounding underneath. A game’s overall revenue could look stable while a specific campaign, geo, or KPI was already shifting in a direction that would become a problem days later.
An agent found what a human would have missed. A real example from Supersonic’s portfolio: a game experienced a performance drop caused by an in-game change. The top-line revenue had not moved dramatically enough to trigger any alert. An anomaly detection agent running on that campaign drilled through the data at a deeper KPI level, found the deviation, and sent a Slack alert with the specifics. The team investigated and resolved it the same day before the signal had surfaced in any dashboard view.
“We had an agent running on that game. It found the core of the issue and just showed, in a simple alert, that something happened, and now the human can take that and act on it. It was overlooked because it was not the main KPI and was not seen clearly on the dashboard. But the agent drilled down again and again until it found the issue.”
Ofer Regev, Product Manager AI and Automation, Supersonic Studios
The case for continuous, not periodic, monitoring. The value is not just in finding issues faster — it is in finding issues that periodic human review would never catch at scale. With a portfolio of dozens of titles and hundreds of campaigns, a UA manager cycling through dashboards manually will always miss something. An agent running continuously does not get tired, does not skip a title because another one needed attention, and does not wait for the weekly report to flag what changed on Tuesday.
“Having something do that for us and alert us when something happens is gold. We have the ability to act really fast and avoid revenue loss.”
Ofer Regev, Supersonic Studios - Agents work on weekends [gaming company]
-
The coverage gap that runs every weekend. In mobile gaming UA, spend does not pause for the weekend but analyst coverage does. Campaigns running across Google and TikTok continue to pace, shift, and potentially drift through Saturday night and into Sunday with no human watching the numbers.
Continuous monitoring across the clock. One leading EMEA gaming UA team deployed Agent Hub to close that coverage gap. Agents monitor pacing and performance signals around the clock across both Google and TikTok, detecting deviations from expected patterns in real time and triggering corrective actions in the moment rather than queuing them for the next working day. The system does not wait for a human to open a dashboard. It acts on the signal when the signal appears.
40% of weekend spend protected at 2 am. The outcome that validated the approach came at 2am. An agent caught a budget pacing issue mid-weekend that would have silently drained an estimated 40% of the weekend budget before any analyst would have seen it.
“The agent caught a budget pacing issue at 2 am that would have wasted 40% of our weekend spend. That would never have happened manually.”
Performance Marketing Lead, leading EMEA gaming UA team
The result reframed how the team thinks about coverage. The constraint was never analyst skill, it was analyst availability. An agent running continuously removes the dependency on human presence during the hours when mobile gaming campaigns are often at their most active. - Optimize against fraud [Nomad]
-
Fraud that evolves faster than manual rules can follow. Ad fraud does not stand still. The patterns that triggered yesterday’s rules may have already mutated by the time a human analyst reviews the logs. For growth teams running significant paid budgets, the gap between detection and response is where spend disappears, often in a steady drain that only becomes visible in hindsight.
AI that detects, deters, and recovers. AppsFlyer’s AI-enhanced fraud protection operates continuously across the attribution data, learning patterns in real time rather than waiting for rules to be updated. This enhanced detection, which also includes rapid responsiveness, improved accuracy and stability, and a lift in real time detection leads to a significant uplift in performance compared to non-AI detection.
The results are clear: 7X higher detection accuracy, 8X faster recovery time when fraud is identified, and 14X longer deterrence — meaning fraudsters are kept out for significantly longer before finding a new vector. The Optimize Anti-Fraud Strategy agent surfaces these signals proactively, flagging early indicators and recommending actions before the damage compounds.
Nomad: cleaner data as a strategic input. For Nomad, the value of AI-enhanced fraud protection extended beyond blocking bad spend. Gabriel Sampai, Senior Growth Manager at Nomad, frames it as a data quality problem as much as a fraud problem.
“AppsFlyer’s AI not only will help our bottom-line revenue numbers, but will give us a clearer picture of our data sets, enabling us to evolve our marketing strategies moving forward.”
Gabriel Sampai, Senior Growth Manager, Nomad - Spot Creative Opportunities [gaming studio]
-
The blind spot in the creative workflow. At a mid-size mobile gaming studio running UA campaigns across six networks, creative performance review happened network by network, manager by manager. The team member running TikTok and Mintegral had no visibility into what was performing on Google or AppLovin. When a new creative began trending on TikTok after its first seven days, nobody was in a position to ask whether it was running on the other networks. By the time the weekly creative review surfaced it, the scaling window had already narrowed.
What the agent found that the team had missed. After deploying the ‘Spot Creative Opportunities’ agent, the studio began receiving proactive alerts on creatives showing strong early signals across their full network mix — not just the ones any individual manager was watching. In the first weeks of use, the agent surfaced a creative trending strongly on Mintegral that had not been activated on two other networks where the audience profile matched. The team activated it within 24 hours. The analysis that enabled that decision would previously have required someone to manually cross-reference performance data across accounts, which was a task that rarely happened between weekly reviews.
Speed-to-insight on assets with a limited window. Creative performance in mobile gaming follows a decay curve. The window between a new asset showing early strength and that asset reaching saturation is often measured in days, not weeks. An agent monitoring performance continuously and alerting the team to emerging winners compresses the time between signal and spend decision, which is where the value compounds.
- Speed and confidence lift gaming studio
-
From long investigations to fast answers. For Peaksel, a mobile gaming studio managing campaigns across multiple channels, the AI assistant’s primary value is compression, taking what used to be a lengthy investigation and reducing it to a directed, structured answer. Daily performance questions, attribution setup issues, and technical validation tasks that previously required digging through documentation, opening support tickets, or running manual checks now have a faster first stop.
Validation without the friction. A representative use case is Meta AEM eligibility. Confirming whether a setup meets the requirements, identifying what is missing, and knowing what to fix involves multiple conditions and configuration checks. The AI assistant surfaces a clear checklist rather than requiring the team to reconstruct the answer from documentation each time. The outcome is not just speed, it is confidence. The team acts on the guidance rather than second-guessing a manual interpretation.
Supporting judgment, not replacing it. Peaksel’s framing of the tool is deliberate: the assistant removes friction and uncertainty, but human judgment remains in the decision. It is a faster path to the right question, not an autonomous decision-maker.
“The AI assistant helps us validate assumptions and resolve technical issues much faster. Instead of long investigations, we get clear guidance that saves time and removes uncertainty.”
Milorad Grkovic, UA Lead, Peaksel - Data querying & reporting examples
-
One in five questions asks the assistant to retrieve and analyze performance data directly. Users are asking the assistant to surface their numbers: ROAS by campaign, cohort curves by media source, retention trends by country.
For these queries, the assistant compresses what would otherwise require building a report, running an export, or waiting for an analyst into a conversational request answered in seconds.
Examples:- “I would like to have daily ROAS D7 trend, breakdown by media source, cohort data, last 30 days”
- “Show ROAS D7 and ROAS D30 for my app last 30 days broken down by country. Top 15 countries by spend”
- “For Triumph: Play for Cash only, what are the D1, D7, D30, and D60 user retention rates from January 2025 through February 2026? Show monthly trend if possible”
- “Give weekly ROAS breakdown by campaign for D7, D14, and D21 for this media source. Consider baked data only”
- “Can you get me paid_imp_18 unique user conversion rate (D1, D7, D14) by media source?”
- Attribution & measurement examples
-
This group reflects the technical depth of the user base. These are configuration decisions with real downstream consequences: whether to enable view-through attribution, how to set re-engagement lookback windows, why impression-attributed installs appear when the setting is off.
The assistant provides a faster path to a confident answer than documentation alone, and catches configuration gaps before they distort the data.
Examples:
- “Re-engagement view-through attribution is set to off — should it be on, and is 30 days suitable given your suggestion to apply 7 days to the re-engagement click-through lookback window?”
- “Should I enable inactivity window or ignore impression-based conversions for re-engagements if I have 75% of conversions for Facebook under remarketing and 80% of these are impression-based?”
- “I didn’t enable view-through attribution for Meta ads, but in AppsFlyer installs raw data there are still impression-attributed touch types for Facebook ad installs. What’s the reason?”
- “For these top media sources, have I enabled click-through attribution window, view-through attribution window, and re-engagement window — check and tell me”
- “My meta ad campaign goes to a Typeform quiz. After they submit, they receive a OneLink to install the app. How should I set up the links to have correct impression and click attribution and allow for postback events post-install?”
- Anomaly investigation examples
-
The most sophisticated questions in the dataset come from this group. Users are forming hypotheses and asking the assistant to test them: is this a payback window issue or a monetization gap? Is this delayed ROAS or real LTV erosion? Is creative fatigue explaining the D7 drop? The assistant acts as a sounding board that can pull data to validate or disprove the hypothesis in the same exchange.
Examples:
- “Break Google down by campaign to see if specific markets are diluting ROAS. Compare D7 vs LTV ROAS to check whether this is a payback window issue vs a fundamental monetization gap”
- “Overlay D7 ROAS vs D3 to determine whether this is delayed monetization or real LTV erosion”
- “What is happening to short form submit in Canada from 1 Dec to date? Explain trends, patterns and possible issues with installs, short forms and install-to-short form conversion rates”
- “Can you analyze weak creatives dynamically and check if ROAS (D1, D7, D30) are more or less even or if there is a positive trend?”
- “Should we compare D7 vs D1/D30 retention to see quality decay by campaign?”
84% of accounts connect through a single MCP host, and the 12x growth in six months suggests the barrier to starting is lower than most teams assume. Consider identifying one repetitive, data-heavy workflow — a weekly performance check, a channel efficiency review — and automating it first. The compounding value comes with expansion, but the entry point is one workflow.
Token authentications now account for nearly half of all MCP activity, and weekend call volume running at 70% of weekday levels confirms that the most active use cases do not depend on a human being present. Teams still relying solely on conversational interfaces should explore scheduled, programmatic workflows as the next step in their MCP adoption.
Among active Agent Hub accounts, the share using only one agent type fell 42% over the observation period, while average agent types per account grew from 2.74 to 2.92. Rather than deploying agents broadly and shallowly, consider going deeper in the areas already in use — particularly the move from defensive monitoring toward optimization and opportunity surfacing.
Half of accounts return within a week, and the daily return rate holds flat through the first three weeks for those that do. The data suggests that early value is the determinant — accounts that find a reason to return in the first few days tend to stay. Onboarding investment in the first week is likely to have an outsized effect on long-term retention.
The most sophisticated users in the dataset treat the AI assistant as an analytical partner — forming hypotheses and asking it to test them, not just retrieve data. The quality of insight is proportional to the quality of the question. Teams using the assistant primarily for navigation and how-to queries should explore its capacity for cohort analysis, anomaly diagnosis, and attribution validation.
