vs un LLM avec MCP : poser des questions n'est pas générer de la croissance

Pourquoi ne pouvons-nous pas simplement connecter ChatGPT ou Claude à notre entrepôt avec MCP ?

Tu le peux, et tu le devrais, pour l'analyse. Ce que cela ne fera pas, c'est décider ce que chacun des dix millions de clients devrait obtenir cette semaine, évaluer ces décisions en termes monétaires et prouver le résultat par rapport à un control group. Ces étapes nécessitent une méthode versionnée et un coût d'exécution qui ne scale pas avec les jetons.

Markin n'est-il pas juste un LLM avec de meilleurs prompts ?

Non. Les modèles de langage sont une couche parmi plusieurs, utilisés là où le langage est réellement utile : rédaction d'hypothèses, explication de découvertes, élaboration de briefs. La notation, la modélisation de l'uplift, l'analyse de survie et la détection d'anomalies qui produisent les chiffres sont du machine learning classique et du deep learning, et la plupart des travaux par client ne touchent jamais un modèle de pointe.

Comment le coût se compare-t-il ?

Unité entièrement différente. Un LLM avec MCP est facturé par question posée. L'économie de Markin est construite autour des décisions prises, c'est pourquoi les modèles bon marché et les modèles entraînés gèrent le volume de travail et le raisonnement coûteux est réservé aux quelques étapes où il modifie le résultat.

Qu'est-ce qui empêche un LLM de produire de bonnes hypothèses ?

Rien. Il en produit beaucoup, et certains sont bons. Le problème est qu'il ne peut pas te dire lesquels valent le coût d'opportunité, si la population éligible est suffisamment grande pour détecter l'effet, ou si la même idée a échoué il y a deux trimestres.

Utilises-tu MCP en interne ?

Oui. L'accès aux outils des systèmes est une infrastructure utile et nous la traitons comme telle. C'est une couche de transport, pas un programme de growth.

En quoi Markin est-il différent du decisioning ou de l'IA déjà présents dans An LLM with MCP access ?

Un moteur de decisioning classe les actions qu'un humain a déjà définies, à l'intérieur de la surface de campagne qui lui a été donnée. Markin formule lui-même les hypothèses (marketing, produit, prix ou anomalie technique freinant la growth), les quantifie, les exécute à l'intérieur de An LLM with MCP access et de tes surfaces produit, et lit chacune d'elles par rapport à un holdout randomisé. Il se comporte comme une équipe data science et growth, pas comme un optimiseur.

Markin teste-t-il uniquement les messages et les offres ?

Non. Tout ce qu'un growth scientist humain investiguerait est inclus : la friction à l'onboarding, l'adoption de fonctionnalités, la tarification et le packaging, le recouvrement, et les problèmes de santé technique tels qu'un taux d'erreur de paiement ou un deeplink cassé qui tue silencieusement la conversion. Le marketing est l'un des quatre domaines d'hypothèse, pas la limite.

Qu'est-ce que the business case for adding Markin on top of An LLM with MCP access ?

On a large B2C base, une petite variation de l'ARPU représente un chiffre important en valeur absolue, car elle s'applique à l'ensemble de la base installée chaque mois plutôt qu'à une campagne. Sur l'ensemble des déploiements Markin, la fourchette vérifiée sur les cohortes traitées est de +17 % à +35 % ARPU par rapport à un holdout randomisé. L'objectif n'est pas d'envoyer plus de messages : il s'agit de trouver l'action à plus forte valeur par client, de la lancer et de la prouver par rapport à un groupe de contrôle avant de la généraliser.

Combien de temps avant qu'il ne soit rentable ?

Les premières opportunités dimensionnées sont en test dans les six semaines et le premier résultat vérifié par holdout arrive en moins de 90 jours. Le retour sur investissement dépend de ta base, de ta marge et du coût du programme. Le calculateur sur cette page le calcule à partir de tes propres chiffres, après application de la réduction de 20 % à 40 % que BCG constate lorsque les programmes Next Best Action sont testés en termes d'incrémentalité.