---
title: "MCP Workflow Examples for AI Market Research"
description: "[fr] Block-first MCP workflows for cohesive multi-question Studies."
canonical_url: "https://getminds.ai/mcp/fr/workflows"
last_updated: "2026-09-30T13:33:59.366Z"
---

# MCP Workflow Examples for AI Market Research

These examples assume you have connected the [Minds MCP server for ChatGPT, Claude, and Cursor](/mcp/overview). If not, follow the [Minds MCP setup guide](/mcp/setup) first.

## Guided Study Confirmation Workflow

For a broader task, multiple questions, a visual asset, structured outputs, or an explicit research method, the assistant follows this sequence:

```text
User request
  -> plan_study_questions (draft only)
  -> present captured intent, main source, questions, methods, and outputs
  -> ask every returned confirmation question
  -> plan_study_questions again if the user answers or changes anything
  -> explicit user confirmation of the exact revision
  -> run_study_questions
  -> get_study_run until collection settles
  -> get_study_summary
```

Le modèle ne doit pas approuver silencieusement ses propres questions ou méthodes. Gardez les Studies simples quand cela suffit. Consultez `list_research_methods` : Conjoint et les autres méthodes quantitatives disponibles exécutent leurs plans et calculs enregistrés ; les méthodes avancées exigent un accord explicite. Examinez toute alternative avant confirmation. Pour un asset associé à une question, `study_heatmap` lit ou lance son analyse visuelle distincte. Rapportez uniquement les données retournées.

The original `plan_study_questions.request` is planner input and is not sent verbatim to Minds. The preview labels the exact proposed respondent-visible question text; after confirmation, `get_study_run` exposes the confirmed or server-prepared question set as a visibility audit. By contrast, treat all text in a direct `ask_study.question` as respondent-visible input: the system may classify or reformat it, but any part can reach the Minds and influence their answers. Keep planner and MCP-client orchestration notes outside direct questions.

At the execution boundary, a `plan_limited` response means nothing was started: explain the Study-answer limit and required upgrade. During polling, `status: plan_limited` means the processor preserved partial answers but stopped the remaining questions at the paywall. Never call either case complete, and never hide it behind a generic error. After an upgrade, use a follow-up run for only the unanswered questions.

Une exécution confirmée est répondue comme un répondant remplit un questionnaire : les questions s'enchaînent dans l'ordre et chaque Mind ne voit que ses propres réponses précédentes dans cette exécution. Des effets d'ordre peuvent donc apparaître comme dans une enquête réelle. Faites tourner l'ordre des questions sur des exécutions séparées lorsque le protocole doit les contrôler. Pour un filtre, donnez à une question un `askIf` qui désigne une question à choix antérieure et ses options ; les Minds non interrogés sont exclus des résultats de cette question, et une question posée à personne indique `not_asked`, pas un échec. Après l'exécution, `answerConsistency` signale les réponses qui contredisent les autres réponses du même Mind. Ces signalements servent à la revue ; les réponses ne sont jamais modifiées.

This lifecycle plans research, not every Study action. A standalone “export this” request routes to `export_study`. “Show the same result differently” reads the existing Study or summary and changes presentation without queueing new respondents. Only create a new plan when the requested output changes what evidence the Study must collect.

## Consumer Research Workflow

A typical workflow for a brand team researching a product launch:

### Step 1: Create Consumer Personas

```text
"Create five consumer personas for our skincare launch:
 - 'Lena, 22, Berlin' — Gen Z student, eco-conscious, discovers brands on TikTok
 - 'Maya, 19, London' — retail worker, trend-driven, shops based on peer recommendations
 - 'Aisha, 24, NYC' — junior designer, budget-conscious, cross-references Reddit reviews
 - 'Sarah, 35, Munich' — part-time teacher, mom of two, safety-first buyer
 - 'Jessica, 38, Chicago' — marketing manager, mom, trusts dermatologists over influencers"
```

### Step 2: Organize into Demographic Audiences

```text
"Create an Audience called 'Gen Z Women (18-25)' with Lena, Maya, and Aisha.
Create another Audience called 'Millennial Moms (30-42)' with Sarah and Jessica."
```

### Step 3: Create a Research Study

```text
"Create a Study called 'Sustainable Skincare Launch Study' with both Audiences"
```

### Step 4: Run Survey Questions

```text
"Plan one launch-research question block for the Study with these sections:
1. Price sensitivity: On a scale of 1-10, how likely are you to switch to a sustainable skincare brand if it costs 20% more?
2. Discovery: Where do you typically discover new skincare products?
3. Switching barriers: What would make you stop buying from your current skincare brand?
Show me the complete plan for confirmation, then run all three questions together."
```

### Step 5: Analyze & Export

```text
"Show me the analytics for the Sustainable Skincare Study"

"Export the Study as a PDF report for the brand team"
```

## Valider une Audience

Pour vérifier à quel point les réponses d’une Audience se rapprochent de vraies enquêtes publiées, l’assistant suit cette séquence :

```text
Créer ou choisir une Audience (au moins 10 Minds prêts)
  -> validate_audience (trouve les enquêtes publiées les plus adaptées ou utilise les benchmarkIds indiqués)
  -> get_audience_validation avec batchId jusqu’à ce que status soit completed, failed ou cancelled
  -> lire le score combiné, le score et la plage à 95 % de chaque enquête, et les questions écartées
```

`validate_audience` et `get_audience_validation` sont appelables par leur nom depuis les clients MCP qui appellent directement les outils. Ils ne figurent pas encore dans la découverte d’outils des assistants ; la même fonctionnalité est disponible dès maintenant via l’API v1 et l’onglet Validation de l’Audience.

Une exécution dure généralement de 10 à 60 minutes : l’assistant interroge donc régulièrement le statut au lieu d’attendre un seul appel. Il présente le score de chaque enquête avec sa plage et les personnes interrogées, et laisse visibles les questions écartées avec leurs raisons. Sans `batchId`, `get_audience_validation` renvoie la validité globale de l’Audience et les validations incluses restantes ce mois-ci.

Pour un résultat portant sur une population partielle, l’assistant doit lire `respondentScope` avant de décrire la correspondance. Une enquête infirmière pourrait par exemple retenir 12 Minds parmi les 16 professionnels de santé d’une Audience. Présente le pourcentage avec « 12 Minds sur 16, personnel infirmier » ; ne le décris pas comme la validité de tous les professionnels. Les réserves distinguent l’appartenance confirmée par la cohorte, celle étayée par d’autres éléments du profil, les cas incertains et les incompatibilités explicites.

L’admissibilité est évaluée avant la collecte des réponses, indépendamment de celles-ci. Des éléments individuels peuvent combler les lacunes de cohorte ; les distributions agrégées ne prouvent pas l’admissibilité personnelle. Seuls les membres confirmés ou étayés participent, avec un minimum de dix. Si ce seuil n’est pas atteint, explique pourquoi l’enquête n’a pas été menée. La correspondance résulte d’un calcul numérique, tandis que le modèle effectue la sélection. Les coûts suivent les répondants sélectionnés et le score global omet les sous-ensembles. Limite l’interprétation à cette Audience, même si certains Minds appartiennent aussi à une autre.

Exemple de prompt :

```text
"Valide mon Audience 'German SaaS buyers' avec des enquêtes publiées et dis-moi à quel point elle s’en rapproche."
```

## Use Cases

### Product Concept Testing

Create Studies with target consumer Audiences to test product concepts, packaging, and naming before investing in production. Compare reactions across Audiences instantly.

### Pricing Research

Survey synthetic consumers on willingness to pay at different price points. Identify the sweet spot where value perception meets margin targets.

### Brand Perception Audit

Build Studies containing your target Audiences. Ask about brand awareness, trust, and purchase intent in one cohesive question block. Compare your brand against competitors through consumer eyes.

### Campaign Message Testing

Test ad copy, taglines, and visual concepts with synthetic target audiences before committing media spend. Identify which messages resonate with which segments.

### Market Entry Research

Entering a new market? Create consumer personas for the target region and test product-market fit, cultural sensitivities, and channel preferences.

## Example Conversations

### Quick Consumer Insight

**You:** "I need to understand how Gen Z and millennials in Europe feel about subscription-based skincare. Create one Audience for each segment and plan one cohesive Study asking what would convince them to subscribe."

**AI Assistant:** Drafts the Minds and audience structure, creates a Study, presents the exact proposed research question(s), and requests confirmation when the request expands into a broader Study. After execution, it reports the actual returned grouped responses without pre-writing a conclusion.

### Expert Consultation

**You:** "Talk to my Brand Strategy expert about positioning a premium organic baby care line in the German market."

**AI Assistant:** Uses `chat_with_mind` to query the expert Mind and presents its actual response, preserving any returned citations. It labels the output as synthetic expert perspective rather than independent legal or regulatory advice.

### Competitive Analysis

**You:** "Create a Study with 'Loyal Customers' Audiences for our top 3 competitors. Plan one block asking what they love most about their current brand and what frustrates them."

**AI Assistant:** Creates private synthetic Audiences, confirms the comparative multi-question research plan, runs the Study once, and reports only differences supported by the returned responses and calculations.

## Automation guardrails

- Keep new Audiences and Studies private unless the user explicitly requests a public link.
- Planning does not start research. Confirm the exact latest revision before `run_study_questions`.
- Poll status tools instead of treating a timeout or elapsed duration as completion.
- Require explicit confirmation immediately before lifecycle deletion actions.
- Preserve citations, resource IDs, workspace/shared links, and download links exactly.
- Treat `plan_limited` before execution as “nothing started” and `status: plan_limited` during execution as partial, preserved work.
- Use `list_research_methods` before promising a named method; only `executable: true` is runnable.
- Do not infer customer findings in advance. The example prompts in this guide describe workflows, not guaranteed conclusions.

For a full routing and safety contract, see the [MCP operating guide for agents](/mcp/agents).

Une collecte peut se terminer avec `status: "partial"` lorsqu’une question ou la réponse d’un Mind manque. Arrêtez l’interrogation périodique à cet état terminal et expliquez le manque, sans présenter le résultat comme complet. `progress.pct` mesure les questions terminées, pas la couverture des répondants. Les nouveaux résultats conservent `outputData.responseCoverage` avec `expected`, `received` et les associations Audience/Mind manquantes. `progress.partial` compte les questions dont la couverture est incomplète. L’absence de ces données dans un ancien résultat ne prouve pas que tous ont répondu. Conservez les réponses brutes valides et leurs résultats sans modification; examinez les éléments manquants avant une nouvelle tentative séparée.