vs. einem LLM mit MCP: Fragen stellen ist kein Growth-Management

Warum können wir nicht einfach ChatGPT oder Claude mit unserem Data Warehouse über MCP verbinden?

Du kannst und solltest es für die Analyse tun. Was es nicht tun wird, ist zu entscheiden, was jeder von zehn Millionen Kunden diese Woche bekommen soll, diese Entscheidungen in Geld zu bewerten und das Ergebnis gegen eine control group zu beweisen. Diese Schritte erfordern eine versionierte Methode und Ausführungskosten, die nicht mit Tokens skalieren.

Ist Markin nicht nur ein LLM mit besseren Prompts?

Nein. Sprachmodelle sind eine von mehreren Ebenen, die dort eingesetzt werden, wo Sprache tatsächlich hilft: Hypothesen schreiben, Erkenntnisse erklären, Briefings entwerfen. Die Scoring, uplift modelling, survival analysis und anomaly detection, die die Zahlen produzieren, sind klassisches machine learning und deep learning, und die meisten kundenbezogenen Arbeiten berühren überhaupt kein Frontier-Modell.

Wie verhalten sich die Kosten im Vergleich?

Gänzlich andere Einheit. Ein LLM mit MCP wird pro gestellter Frage abgerechnet. Markins Ökonomie basiert auf getroffenen Entscheidungen, weshalb kostengünstige Modelle und trainierte Modelle die Mengenarbeit leisten und teure Argumentationen für die wenigen Schritte reserviert sind, bei denen sie das Ergebnis verändern.

Was hindert ein LLM daran, gute Hypothesen zu erstellen?

Nichts. Es produziert viel, und einiges davon ist gut. Das Problem ist, dass es dir nicht sagen kann, welche den opportunity cost wert sind, ob die berechtigte Population groß genug ist, um den Effekt zu erkennen, oder ob dieselbe Idee vor zwei Quartalen gescheitert ist.

Verwendest du MCP intern?

Ja. Der Tool-Zugriff auf Systeme ist nützliche Infrastruktur und wir behandeln ihn als solche. Es ist eine Transportschicht, kein growth-Programm.

Wie unterscheidet sich Markin vom decisioning oder der KI, die bereits in An LLM with MCP access enthalten ist?

Eine decisioning-Engine ordnet Aktionen ein, die ein Mensch bereits definiert hat, innerhalb der vorgegebenen Kampagnenoberfläche. Markin bildet die Hypothesen selbst, sei es marketing, product, pricing oder eine technische Anomalie, die growth zurückhält, bewertet diese, führt sie innerhalb An LLM with MCP access und deiner Produktoberflächen aus und liest jede einzelne gegen einen randomisierten holdout aus. Es verhält sich wie ein data science- und growth-Team, nicht wie ein Optimierer.

Testet Markin nur Nachrichten und Angebote?

Nein. Alles, was ein menschlicher growth scientist untersuchen würde, ist im scope enthalten: onboarding-Reibung, Feature adoption, pricing und packaging, Dunning und technische Gesundheitsprobleme wie eine Checkout error rate oder ein fehlerhafter Deeplink, der stillschweigend die Konversion tötet. Marketing ist eine von vier Hypothese-Domänen, nicht die Grenze.

Was ist the business case for adding Markin on top of An LLM with MCP access?

On a large B2C base, Eine kleine Bewegung im ARPU ist absolut gesehen eine große Zahl, da sie jeden Monat auf die gesamte installierte Basis angewendet wird und nicht nur auf eine Kampagne. Bei Markin-Implementierungen liegt der verifizierte Bereich auf behandelten Kohorten bei +17 % bis +35 % ARPU gegenüber einem randomisierten holdout. Es geht nicht um mehr Nachrichten: Es geht darum, die wertvollste Aktion pro Kunde zu finden, sie zu starten und sie vor der Skalierung gegenüber der Kontrolle zu beweisen.

Wie lange dauert es, bis es sich amortisiert?

Erste bewertete Umsatzchancen sind innerhalb von sechs Wochen im Test und das erste durch holdout verifizierte Ergebnis liegt innerhalb von 90 Tagen vor. Die Amortisation hängt von deiner Basis, Marge und den Programmkosten ab. Der Rechner auf dieser Seite berechnet sie anhand deiner eigenen Zahlen, nachdem der von BCG festgestellte Abzug von 20 % bis 40 % angewendet wurde, wenn Next Best Action Programme inkrementell getestet werden.