AI营销十大趋势
与十大误区（2026）

本报告服务于企业董事长、CEO、CMO、市场负责人、数字化负责人、品牌与增长负责人。研究对象不是某一款模型或工具，而是截至 2026 年 7 月已经进入企业决策范围的 AI 营销能力、风险与组织变化。

报告将公开可核验事实、公司披露、第三方调查与基于机制的推演分层处理。公司案例中的业务结果若来自企业或平台披露，均明确标注；未披露财务结果时，不以曝光量、生成量或节省时间替代经营价值。

本报告所称“趋势”，指有足够信号强度且可能改变资源配置、组织边界、技术架构或风险偏好的变化；所称“误区”，指把局部能力、短期指标或供应商叙事误当成企业级结果的常见推断。

版权归竹势 AI 营销智库所有。引用时请注明报告名称、出品方与版本日期。

阅读方法

• 先读执行摘要与“信号强度 × 经营影响”矩阵，确定哪些议题需要进入董事会议程。

• 再读十组“趋势—误区”，每组均按判断、机制、证据、案例、边界、管理含义展开。

• 最后使用 90 天与 365 天行动路线、董事会决策门和 CMO 工具完成资源排序。

01 执行摘要

02 第一章 2026 年的判断基准：信号强度、经营影响与置信度

03 第二章 趋势一：AI 采用继续扩散｜误区：购买更多工具就等于完成转型

04 第三章 趋势二：智能体进入执行链｜误区：营销可以立即全面自主

05 第四章 趋势三：内容供给爆炸，原创判断与信任更稀缺｜误区：内容数量自然带来增长

06 第五章 趋势四：AI 搜索入口扩大｜误区：GEO 已经取代 SEO

07 第六章 趋势五：个性化深化但受数据、信任与隐私约束｜误区：越个性化越好

08 第七章 趋势六：媒体与投放自动化加深｜误区：平台最优自动等于企业利润最优

09 第八章 趋势七：第一方知识、业务状态与连接成为差异化能力｜误区：做一个 RAG 就解决企业数据问题

10 第九章 趋势八：人机组织与任务边界重构｜误区：AI 转型应以裁员数验收

11 第十章 趋势九：价值证明从效率转向增量经营结果｜误区：节省工时就是 ROI

12 第十一章 趋势十：治理、标识、权限、审计与业务连续性前置｜误区：治理只会阻碍创新

13 第十二章 十组趋势的组合效应与行业差异

14 第十三章 90 天与 365 天行动窗口

15 第十四章 董事会与 CMO 管理工具

16 结语

17 附录：经典思想、专业观点与来源索引

十组趋势的总体排序

1.1 “信号强度 × 经营影响”2×2 矩阵

信号强度回答“这件事是否已形成可重复、跨场景的证据”；经营影响回答“它是否会改变收入、成本、资产、风险或组织责任”。两者必须分开。媒体热度高但证据窄，属于弱信号；采用率高但只改善局部效率，可能是强信号、有限影响。

1.2 置信度标尺

1.3 证据分层

• 事实：法律生效日期、产品正式上线范围、公开财报数据、同行评审或可复核实证。

• 公司披露：可用于说明动作与自报结果，但不能单独证明因果。

• 第三方调查：必须看样本、地区、行业、职位结构与问题措辞。

• 推演：基于机制提出条件性判断，必须标明触发条件和不确定性。

1.4 误区诊断卡

核心判断

AI 使用已成为营销团队的基础能力，但价值分化正在扩大。2026 年的关键不再是“有没有 AI”，而是是否形成统一场景、数据、责任、预算和复盘机制。

作用机制

工具采购降低了个人使用门槛，却也制造账号分散、内容重复、数据外流、标准不一和成本不可见。真正的转型要求任务进入标准流程，产出写回业务系统，责任可追踪，指标连接经营结果。

证据与解释

McKinsey 2025 全球调查中，88% 的受访者称组织在至少一个业务职能规律使用 AI，较上一年 78% 上升，但报告同时指出多数组织尚未规模化。Thomson Reuters 2026 专业服务调查显示，组织级 AI 使用率由 2025 年 22% 升至 2026 年 40%。两项调查口径不同，但共同支持“使用扩散、规模化不足”。

适用边界

调查采用自报口径，不能直接等同于生产系统覆盖率，更不能证明收入或利润改善。营销团队使用公开工具的比例也不能代表企业已完成数据、流程与治理改造。

管理含义

• 停止以许可证数量、活跃账号数作为转型完成度。

• 建立应用组合台账：场景、用户、数据、模型、成本、风险、负责人、退出条件。

• 优先合并重复生成工具，把预算转向连接、评测、知识与变革管理。

误区诊断卡

案例 1｜企业 AI 采用率高，但规模化不足

主体与时间：McKinsey，2025 年全球 AI 调查

业务情境：企业普遍完成了个人工具试用，管理层开始追问规模化。

具体动作与机制：调查比较至少一个职能使用与规模化现状。

结果证据：88% 受访者称组织规律使用 AI，高于上一年的 78%；多数仍未规模化。

边界与归因限制：自报调查，不代表系统覆盖率，也不证明财务回报。

管理启示：把“采用”与“规模化”分开管理，转型必须有流程、数据和责任。

核心判断

任务型智能体正在从建议层进入执行层，尤其适合信息收集、初稿、规则校验、排期、报告、线索分流与低风险系统操作。全面自主仍不具备普遍条件。

作用机制

智能体价值来自连续完成“感知—判断—调用工具—写回状态—汇报异常”。风险也来自同一链路：错误可能被自动放大，权限可能被滥用，外部环境和页面变化会破坏流程。自主性必须与可逆性、损失上限和可观测性绑定。

证据与解释

Gartner 2025 年 8 月预测，到 2026 年底 40% 企业应用将集成任务型 AI agents，较 2025 年不足 5% 上升；这是预测而非事实。Deloitte 2026 企业 AI 报告显示，企业对生产化和规模化预期显著上升。更可靠的现实信号是主流 CRM、广告和办公平台已持续嵌入代理式功能。

适用边界

“可调用工具”不等于“可承担责任”。供应商演示通常在受控环境完成，难以覆盖权限冲突、异常恢复、业务例外和跨系统一致性。

管理含义

• 按 L0 建议、L1 草拟、L2 人工确认执行、L3 限额自主、L4 禁止自主（高损失、不可逆场景）划分场景。

• 任何外发、花钱、改客户权益、修改主数据的动作必须设置权限、额度和人工接管。

• 先建设日志、回滚与失败队列，再扩大自主性。

误区诊断卡

案例 2｜Air Canada 聊天机器人错误承诺引发责任判定

主体与时间：Air Canada，加拿大不列颠哥伦比亚省民事裁决，2024

业务情境：客户依据聊天机器人提供的丧亲票价说明购票，后被拒绝追溯退款。

具体动作与机制：机器人在公开网站回答政策问题，公司主张机器人是独立信息来源。

结果证据：裁决认为公司应对网站聊天机器人的信息负责，并判令赔偿。

边界与归因限制：案例属于客服与法律责任，不等同于营销 Agent；但说明外部交互不能把责任转给系统。

管理启示：任何客户权益、价格和政策回答必须连接权威规则并保留升级路径。

核心判断

生成式 AI 将文字、图像、视频的边际生产成本持续压低。结果不是所有品牌都获得更多注意，而是平均内容更快同质化，用户筛选成本上升，可信来源、第一手证据和鲜明选择更值钱。

作用机制

当供给增长快于注意力，平台分发和用户信任成为瓶颈。内容数量只有在选题、分发、转化与学习闭环成立时才可能带来增长；否则会增加审核成本、品牌稀释和内容债务。

证据与解释

Jasper 2026 营销调查称 91% 受访营销人员使用 AI，较上一年 63% 上升；该调查由供应商发布，适合说明其样本中的使用扩散，不宜外推为全市场。EU AI Act 透明度义务将在 2026 年 8 月适用，也说明生成内容的识别与信任已成为制度议题。

适用边界

在长尾商品、结构化目录、低风险本地化等场景，规模化生成仍有明确价值。问题在于把“可生成”误写成“值得发布”。

管理含义

• 建立内容进入门：独特证据、明确受众、可验证主张、品牌选择、行动路径。

• 把“生成量”降为生产指标，把有效阅读、品牌搜索、合格线索、复访和引用纳入结果指标。

• 对 AI 生成与人类编辑建立标识、审核和来源留痕。

误区诊断卡

案例 3｜可口可乐 AI 节日广告的效率与品牌争议

主体与时间：The Coca-Cola Company，2024-2025 节日广告

业务情境：品牌尝试用生成式 AI 复刻经典节日资产，引发行业对创作质量与劳动替代的争论。

具体动作与机制：品牌与制作伙伴使用生成工具生成多个镜头与版本。

结果证据：公司披露其为 AI 辅助制作；公开讨论显示传播关注与负面评价同时存在，未见可归因的销售增量披露。

边界与归因限制：舆论热度不等于品牌增长；争议样本不能证明 AI 广告普遍失败。

管理启示：高资产品牌应把 AI 用于探索与版本化，最终选择仍需品牌与创意负责人承担。

核心判断

AI Overview、AI Mode 与独立回答引擎正在改变用户获取信息的路径和站点流量结构。企业需要优化被检索、被引用和被验证的能力，但基础 SEO、网站技术质量与权威内容仍是底座。

作用机制

传统搜索以排序链接分配注意力，生成式搜索先合成答案再选择引用。品牌可见性取决于抓取、索引、实体一致性、来源信誉、内容结构和答案适配。由于答案引擎仍依赖网络内容与搜索基础设施，GEO 与 SEO 是重叠体系。

证据与解释

Google 官方指南明确表示，从 Google Search 视角，针对生成式搜索优化仍属于 SEO。2026 年一项覆盖 55,393 个趋势查询的测量研究发现，AI Overview 总体触发率为 13.7%，问题型查询为 64.7%，且 11% 原子主张未被所引页面支持。另一项基于 161,382 对 Wikipedia 文章的准实验估计，AIO 暴露使英文条目日流量约下降 15%。

适用边界

不同研究的查询集、地区、设备和时间窗口差异很大，不能拼接为统一市场比例。中国大陆搜索生态、内容平台和模型入口与 Google 市场不同。

管理含义

• 维持技术 SEO、站点可抓取性、结构化数据和高质量外链。

• 增加可引用资产：定义、对比、方法、数据、专家署名、更新时间和证据出处。

• 分别监测传统排名、AI 引用、品牌提及、直接访问与转化，不用单一“GEO 分数”。

误区诊断卡

案例 4｜Google AI Overview 对信息站流量的准实验

主体与时间：Khosravi 与 Yoganarasimhan，2026，Wikipedia 多语言准实验

业务情境：AI 摘要可能满足用户需求而减少来源点击。

具体动作与机制：利用分地区逐步上线和多语言版本构造差分中的差分。

结果证据：161,382 对文章—语言样本中，英文页面暴露于 AIO 后日流量约下降 15%。

边界与归因限制：对象为 Wikipedia，结果不应直接外推到商业查询、品牌站或中国生态。

管理启示：AI 可见性和站内流量必须同时测量，不能只追求被引用。

核心判断

生成式内容和实时决策降低了个性化成本，但企业可用的数据、合法基础、推断透明度与用户容忍度决定了上限。2026 年更可行的是“有价值、可解释、可控制”的个性化。

作用机制

个性化收益来自相关性提升；成本来自数据获取、身份解析、模型错误、差别待遇感知和合规义务。当用户无法理解“为什么看到这个”或无法退出时，相关性可能转化为被监视感。

证据与解释

FTC 2025 surveillance pricing 阶段性研究指出，被调查中介可能使用位置、人口属性、信用与购买历史、浏览行为等数据支持个体化展示和定价。ICO 的 AI 与数据保护指引要求组织为开发与部署分别识别目的和合法基础，并记录决定。

适用边界

监管要求随司法辖区、数据类型和具体用途变化。本报告不构成法律意见。个性化推荐与个体化定价的风险级别不同，不应混为一谈。

管理含义

• 将个性化分为内容、排序、优惠、价格、资格五级，逐级提高审批与解释要求。

• 提供偏好中心、退出机制和频控；减少对敏感推断的依赖。

• 先用场景和生命周期状态提升相关性，再追求“千人千面”。

误区诊断卡

案例 5｜Sephora 未尊重全局隐私控制信号

主体与时间：Sephora 与加州总检察长，2022

业务情境：零售网站涉及向第三方共享消费者数据，且未处理 Global Privacy Control。

具体动作与机制：执法和解要求尊重退出信号并改进披露。

结果证据：和解金额 120 万美元，并要求整改。

边界与归因限制：案件早于 2026，法律背景为加州隐私法；不代表所有个性化均违法。

管理启示：偏好与退出必须成为数据和营销架构的基础能力。

核心判断

自动出价、智能定向、创意组合与预算分配已成为主流广告平台的标准能力。平台算法能优化其可见目标，却不会自动承担企业的利润、库存、退货、渠道与品牌约束。

作用机制

平台根据可观测转化和设定目标优化。若转化事件定义偏低、归因窗口偏长、离线成交未回传或毛利差异未进入模型，算法可能高效获取“便宜但低价值”的转化。

证据与解释

Google 与 Meta 的官方产品持续将自动化作为核心能力。公司和平台案例常披露转化成本或广告回报改善，但通常缺少随机对照、完整利润口径和跨渠道增量，因而只能说明在特定设置下的表现。

适用边界

对数据量小、转化稀疏或商品结构复杂的企业，自动化学习可能不稳定。手工控制也不天然优于算法，关键是目标函数、数据和实验设计。

管理含义

• 将毛利、退货、取消、线下成交、客户价值等信号回传或用于预算约束。

• 保留地理、渠道、品牌词、库存与频次等企业级护栏。

• 用地理实验、holdout 或增量测试判断平台报告之外的真实贡献。

误区诊断卡

案例 6｜平台自动化广告案例的归因边界

主体与时间：Google/Meta 平台案例，持续发布

业务情境：平台用自动化出价、定向与创意组合展示效率提升。

具体动作与机制：系统以平台可观测转化训练和优化。

结果证据：案例常报告 CPA、ROAS 或转化提升，但多数未公开完整对照、毛利和跨渠道增量。

边界与归因限制：平台案例适合证明可行性，不足以证明企业利润最大化。

管理启示：采购或扩量前要求明确目标函数、数据回传和增量测试。

核心判断

模型能力趋同后，竞争差异更多来自企业自己的知识、状态、权限和连接。RAG 能改善回答依据，却不能替代数据治理、主数据、实时状态、写回机制和流程责任。

作用机制

知识回答需要文档；业务执行需要结构化对象与当前状态，例如客户阶段、库存、价格、授权、审批和任务进度。若把聊天文本当作状态，系统无法保证一致性、幂等性和审计。

证据与解释

企业 AI 调查普遍把数据质量、治理和系统集成列为规模化障碍。竹势 AI 营销智库现有产品素材也明确区分 Memory、Knowledge、Workflow State 与 Business Data，强调知识检索之外还需要真实业务状态与连接。

适用边界

对内部问答、知识搜索和合规查询，RAG 可以是高价值独立场景。问题在于把它外推为“企业数据问题已解决”。

管理含义

• 将数据分为知识、主数据、事件、状态、权限与审计六类。

• 先连接高价值最小数据集，不追求一次性数据湖大一统。

• 为每个写回动作定义系统记录、责任人、冲突规则和回滚。

误区诊断卡

案例 7｜企业知识库问答与业务执行的边界

主体与时间：典型企业 RAG 项目，2024-2026

业务情境：企业将品牌规范、产品资料和历史内容接入检索系统。

具体动作与机制：检索相关文档并将片段提供给模型生成答案。

结果证据：常能降低查找时间和改善有据回答；若无状态写回，仍不能更新 CRM、审批或库存。

边界与归因限制：属于机制性案例，不对应单一公司财务披露。

管理启示：把知识检索作为第一阶段，后续必须连接状态、权限和工作流。

核心判断

AI 正在改变岗位内部的任务组合、专业协作和管理跨度。短期价值更常表现为质量、速度、实验密度与能力普及，而不是简单减少编制。

作用机制

岗位由多种任务组成：可自动化、可增强、必须人工和需要新设。若仅以裁员验收，团队会隐藏使用、降低知识共享并忽略新出现的审核、数据、治理和客户沟通工作。

证据与解释

HBS/P&G“Cybernetic Teammate”随机现场实验覆盖 791 名专业人员，比较个人、团队与 AI 辅助完成产品创新任务。研究发现 AI 辅助个人可达到类似团队的表现，并增加高质量方案概率，同时改善跨职能知识共享。该研究针对特定专业任务，不能外推为所有营销岗位可被替代。

适用边界

实验任务、参与者、组织文化和使用模型特定。真实企业还存在客户关系、政治协调、法律责任、长期品牌判断与执行例外。

管理含义

• 按任务而非岗位做分解：频率、价值、风险、可逆性、数据要求。

• 设置人类责任角色：目标设定、判断、例外处理、审批、客户关系、复盘。

• 用单位产出质量、周期、实验数、响应速度和员工能力迁移评价组织变化。

误区诊断卡

案例 8｜P&G/HBS “Cybernetic Teammate”随机现场实验

主体与时间：P&G 与 Harvard Business School，工作论文 2025，791 名专业人员

业务情境：研究考察生成式 AI 如何影响跨职能产品创新任务。

具体动作与机制：参与者按个人/团队、有无 AI 等条件完成任务并由评审评价。

结果证据：AI 辅助提高方案质量，使个人达到接近团队的表现，并促进专业边界跨越。

边界与归因限制：特定企业、任务和模型；不等于岗位可整体替代，也不直接证明长期财务收益。

管理启示：组织设计应围绕任务互补、知识共享与责任，而非只看人数。

核心判断

管理层正在把 AI 评价从生成速度和工时节省，转向增量收入、毛利、转化、留存、风险损失和资本效率。效率仍重要，但只是因果链的中间变量。

作用机制

节省的时间只有被重新配置并产生有效产出，才形成财务价值。若员工空出的时间没有被用于更高价值任务，或生成量增加但审核成本同步上升，工时节省不等于现金收益。

证据与解释

Deloitte 与 McKinsey 的企业 AI 研究均强调从试验走向生产和业务价值。多数调查仍以自报收益为主，说明企业需要更严格的内部测量。

适用边界

新能力早期可先用领先指标，但必须设定转化为经营结果的时间和假设。创新项目不能因短期收入未显现就全部否决，也不能无限期停留在“潜力”。

管理含义

• 建立五层指标：采用、能力、流程、客户、财务。

• 在试点前写清基线、对照、归因窗口、全成本和停止条件。

• 区分成本避免、现金节省、收入增量与风险价值。

误区诊断卡

案例 9｜Klarna 的 AI 客服效率叙事与人工服务回补

主体与时间：Klarna，2024-2025 公司披露与管理层公开表态

业务情境：公司早期强调 AI 助手承担大量客服对话并节约成本，随后公开强调恢复更高质量人工服务的重要性。

具体动作与机制：先扩大自动化，再根据服务质量和客户体验调整人机配置。

结果证据：早期结果来自公司披露；后续调整显示效率不能单独替代服务质量。

边界与归因限制：客服不等同于营销，但同样涉及客户体验和长期价值。

管理启示：效率指标必须与满意度、重复联系、投诉和留存共同管理。

核心判断

治理正在由法律与安全部门的后置审查，转为产品和流程的设计输入。治理成熟度越高，企业越能授权 AI 执行更多动作。

作用机制

没有权限、日志、标识和回滚，组织只能把 AI 限制在低价值草稿层；有清晰护栏后，才能把可逆、低风险动作交给系统。治理的目标不是零风险，而是定义可接受风险、损失上限和责任。

证据与解释

欧盟 AI Act 第 50 条透明度义务自 2026 年 8 月 2 日适用，涉及机器可识别标记、深度伪造和特定公共利益文本的披露。欧委会 2026 年 6 月发布相关自愿准则，可作为履行透明度义务的合规支持。McKinsey 2026 AI trust 调查指出治理与风险管理仍存在持续缺口。

适用边界

法规适用取决于角色、用途、地区和内容类型。合规标识并不自动保证内容真实、安全或高质量。

管理含义

• 建立 AI 使用分级、允许/禁止场景、供应商清单和数据边界。

• 对外发、客户互动、广告声明、预算和主数据操作保留审计与人工接管。

• 制定模型或供应商不可用时的降级、替代和停机预案。

误区诊断卡

案例 10｜欧盟 AI 生成内容透明度义务进入执行窗口

主体与时间：欧盟 AI Act，2026 年 8 月 2 日起适用

业务情境：生成内容规模扩大，监管要求机器可识别标记与特定情形的显著披露。

具体动作与机制：欧盟委员会于 2026 年 6 月 10 日发布准则与图标方案；该自愿准则可支持履行法定义务。

结果证据：生效日期与义务范围为官方信息；具体适用仍需按角色和内容判断。

边界与归因限制：合规标识不等于真实性背书，也不自动适用于全球所有内容。

管理启示：跨境品牌应在内容供应链中预留标识、元数据和审计能力。

十条趋势不会独立发生。内容供给增加会强化 AI 搜索和信任问题；智能体进入执行链会放大权限与业务连续性要求；个性化和投放自动化会把第一方数据质量推到前台；价值证明则决定这些能力是否获得持续预算。

12.1 组合效应

12.2 行业差异

12.3 中国企业的特殊条件

• 平台生态分散：搜索、社媒、短视频、私域、电商和本地生活的数据与接口边界不同。

• 数据与内容合规要求需同时考虑中国法律、平台规则和跨境业务所在地要求。

• 企业微信、飞书、钉钉、CRM、广告平台与内容系统的连接质量，往往比单一模型性能更决定结果。

• 中小企业预算有限，应以高频、高价值、低风险闭环为起点，避免一次性建设“大而全”平台。

13.1 未来 90 天：建立可证明、可控制的最小闭环

13.2 未来 365 天：形成企业级能力组合

13.3 董事会决策门

14.1 AI 营销场景评分卡

建议：总分 28 分以上进入试点；21-27 分先补数据或流程；20 分以下保持人工或仅做低风险辅助。高风险场景即使总分高，也必须通过责任门和风险门。

14.2 误区快速诊断清单

14.3 CMO 月度经营看板

14.4 供应商评审问题

• 你们优化的目标函数是什么？客户能否加入毛利、库存、退货和长期价值约束？

• 哪些结果来自公司披露、平台案例、对照实验或独立研究？样本和分母是什么？

• 系统如何处理权限、数据隔离、日志、人工接管、回滚和异常？

• 客户数据是否用于训练？保存多久？能否导出和删除？

• 模型、平台或接口变更时，如何降级和替换？

• 总成本是否包括模型调用、集成、运维、评测、培训、内容审核和变革管理？

AI 营销已进入一个更困难也更有价值的阶段：生成能力快速普及，真正的差距转向目标、数据、连接、组织、测量与治理。管理层面临的选择不再是跟不跟热点，而是哪些变化足以改变经营决策，哪些只适合购买学习期权。

十条趋势共同指向一条原则：企业应把 AI 当作受约束的经营能力。它必须有明确目标、可用数据、授权边界、责任人、测量方法和退出机制。工具可以快速购买，经营能力只能通过真实流程积累。

最优行动并非一次性押注，而是用 90 天证明一个闭环，用 365 天形成可复用的能力组合。董事会需要推动的，不是更多演示，而是更好的问题、更清楚的证据和更严格的决策门。

1. European Commission. AI Act regulatory framework. 持续更新；透明度规则适用时间为 2026-08-02。

2. European Commission. Code of Practice on Transparency of AI-Generated Content. 2026-06 至 2026-07；适用主体与标识/披露措施。

3. European Commission. Commission Opinion on the assessment of the Code of Practice on Transparency of AI-Generated Content. 2026-07-09。

4. Google Search Central. Google Search guidance on optimizing for generative AI features. 2026；官方搜索优化口径。

5. Xu, Haofei; Iqbal, Umar; Montgomery, Jacob M. Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact. 2026；55,393 查询，19 类主题，40 天观察。

6. Khosravi, Mehrzad; Yoganarasimhan, Hema. Impact of AI Search Summaries on Website Traffic: Evidence from Google AI Overviews and Wikipedia. 2026；161,382 对文章—语言样本，准实验。

7. Aral, Sinan; Li, Haiwen; Zuo, Rui. The Rise of AI Search: Implications for Information Markets and Human Judgement at Scale. 2026；24,000 查询、243 个国家、2.8 百万结果。

8. Grossman, Riley et al. How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews. 2026；11,500 用户查询。

9. McKinsey & Company, QuantumBlack. The State of AI: Global Survey 2025. 2025-11；全球组织自报调查。

10. McKinsey & Company. State of AI Trust in 2026: Shifting to the agentic era. 2026-03；AI Trust Maturity Survey。

11. Deloitte. The State of AI in the Enterprise 2026. 2026；企业 AI 生产化、规模与治理调查。

12. Thomson Reuters. 2026 AI in Professional Services Report. 2026-02；专业服务机构组织与个人使用调查。

13. Gartner. Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026. 2025-08-26；预测口径。

14. Dell’Acqua, Fabrizio et al. The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. Harvard Business School Working Paper 25-043, 2025；791 名专业人员。

15. Federal Trade Commission. Surveillance Pricing Study Indicates Wide Range of Personal Data Used to Set Individualized Consumer Prices. 2025-01-17；阶段性研究。

16. Federal Trade Commission. Issue Spotlight: The Rise of Surveillance Pricing. 2025-01；研究范围与风险议题。

17. Information Commissioner’s Office (UK). Artificial intelligence and data protection guidance. 持续更新；合法性、公平、透明与风险工具。

18. California Attorney General. Sephora settlement concerning CCPA and Global Privacy Control. 2022；和解金额 120 万美元及整改要求。

19. Civil Resolution Tribunal of British Columbia. Moffatt v. Air Canada, 2024 BCCRT 149. 2024；聊天机器人错误信息责任。

20. Jasper. State of AI in Marketing 2026. 2026；供应商发布调查，营销人员样本。

21. Salesforce. State of Marketing, Tenth Edition. 2025/2026；营销团队与代理式 AI 调查，供应商研究。

22. 竹势 AI 营销智库. 竹势 AI 营销智库目标客群研究：中小民企老板的 AI 营销焦虑、顾虑、需求痛点与 GTM 沟通/推广策略. 2026-04-28；内部业务素材。

23. 竹势 AI 营销智库. 竹势 AI 营销智库产品及服务介绍素材. 2026；产品能力、知识/状态/连接与治理边界。

24. 竹势 AI 营销智库. 公司介绍与品牌定位. 2026；机构定位与品牌信息。

竹势 AI 营销智库关注企业增长、营销组织变革、智能体运营与 AI 治理，帮助企业老板、CEO、CMO 和数字化管理者把复杂技术议题转化为可讨论、可比较、可执行的经营决策。

本报告用信号强度、经营影响、误区反证与行动窗口，帮助管理团队把确定变化、早期信号和行业噪声分开，并据此决定试验、投资、治理或停止。