vs un LLM con MCP: hacer preguntas no es gestionar el crecimiento

Por qué no podemos simplemente conectar ChatGPT o Claude a nuestro almacén con MCP?

Puedes hacerlo, y deberías, para el análisis. Lo que no hará es decidir qué debe obtener cada uno de diez millones de clientes esta semana, dimensionar esas decisiones en dinero y probar el resultado contra un control group. Esos pasos requieren un método versionado y un coste de ejecución que no escale con los tokens.

¿No es Markin solo un LLM con mejores prompts?

No. Los modelos de lenguaje son una capa de varias, utilizadas donde el lenguaje realmente ayuda: escribir hipótesis, explicar hallazgos, redactar informes. La puntuación, el modelado de uplift, el análisis de supervivencia y la detección de anomalías que producen los números son machine learning clásico y deep learning, y la mayoría del trabajo por cliente nunca toca un modelo de frontera en absoluto.

¿Cómo se compara el coste?

Una unidad completamente diferente. Un LLM con MCP se valora por pregunta formulada. La economía de Markin se basa en las decisiones tomadas, por lo que los modelos baratos y los modelos entrenados realizan el trabajo de volumen, y el razonamiento costoso se reserva para los pocos pasos donde cambia el resultado.

¿Qué impide que un LLM produzca buenas Hypothesiss?

Nada. Produce mucho, y algunas cosas son buenas. El problema es que no puede decirte cuáles valen el coste de oportunidad, si la población elegible es lo suficientemente grande como para detectar el efecto, o si la misma idea fracasó hace dos trimestres.

¿Usan MCP internamente?

Sí. El acceso a herramientas de sistemas es una fontanería útil y lo tratamos como tal. Es una capa de transporte, no un programa de growth.

¿En qué se diferencia Markin del decisioning o AI que ya están dentro de An LLM with MCP access?

Un decisioning engine clasifica las acciones que un humano ya definió, dentro de la superficie de campaña que se le proporcionó. Markin forma las hipótesis por sí mismo, ya sean de marketing, producto, precios o una anomalía técnica que frene el growth, las dimensiona, las ejecuta dentro de An LLM with MCP access y tus superficies de producto, y lee cada una frente a un holdout aleatorio. Se comporta como un equipo de data science y growth, no como un optimizador.

¿Markin solo prueba mensajes y ofertas?

No. Todo lo que un científico de growth humano investigaría está dentro del alcance: fricción en el onboarding, adopción de características, precios y paquetes, gestión de cobros, y problemas de salud técnica como una tasa de error en el proceso de compra o un deeplink roto que mata silenciosamente la conversión. El marketing es uno de los cuatro dominios de hipótesis, no el límite.

¿Qué es the business case for adding Markin on top of An LLM with MCP access?

On a large B2C base, un pequeño movimiento en ARPU es un número grande en términos absolutos, porque se aplica a toda la base instalada cada mes en lugar de a una campaña. En los despliegues de Markin, el rango verificado en cohorts tratados es de +17 % a +35 % ARPU frente a un holdout aleatorio. El objetivo no son más mensajes: es encontrar la acción de mayor valor por cliente, lanzarla y probarla frente al control antes de que escale.

¿Cuánto tiempo tarda en rentabilizarse?

Las primeras oportunidades dimensionadas están en test en seis semanas y el primer resultado verificado por holdout aterriza en 90 días. El retorno de la inversión depende de tu base, margen y coste del programa; la calculadora en esta página lo computa a partir de tus propios números, después de aplicar el recorte del 20 % al 40 % que BCG encuentra cuando los programas de Next Best Action se prueban incrementalmente.