中国企业
AI 营销发展报告

报告名称：《中国企业AI营销发展报告（2026年度版）》

年度主题：从广泛投入到价值兑现

版本：V1.1（内容深化版）

发布日期：2026年7月（2026年7月20日更新）

资料更新：2026年7月9日

出品方：竹势 AI 营销智库

适用读者：企业创始人、CEO、CMO、市场与增长负责人、销售负责人、CIO／CDO、数字化与AI负责人、法务合规负责人、营销服务机构及研究人员。

本报告回答三个问题：中国企业AI营销发展到了哪一步；为什么投入迅速普及而经营价值仍然分化；企业在未来12个月应当优先建设什么。

未经书面许可，不得对本报告进行歪曲性修改、冒用署名或以误导方式摘编。学习、研究及内部讨论使用时，应注明报告名称、版本和出品方。

年度判断｜ 中国企业AI营销已经跨过“要不要投入”的讨论期，进入“能否把AI变成稳定经营能力”的分化期。未来的领先者，不是生成内容最多的企业，而是能够把正确目标、可信数据、人机流程、渠道行动、客户反馈、价值测量与治理机制连成闭环的企业。

2023年以来，企业学习AI营销的路径高度相似：先从写文案、改标题、做图片开始，再把AI扩展到视频、直播、投放、客服、分析和销售协同。到了2026年，AI已经不再稀缺。模型选择更多，价格下降，内容工具进入平台，员工也已经形成使用习惯。

稀缺的东西随之改变。

当所有企业都能快速生成一篇文案，速度不再自动构成优势；当平台可以批量生产图片和视频，素材数量不再自动等于增长；当智能投放开始管理真实预算，错误目标、错误数据与错误归因也会被更快放大；当消费者开始用AI比较商品，品牌既有的知名度和渠道位置不再保证被正确理解与推荐。

这使2026年成为一个重要的分水岭：AI营销从“工具采用问题”转向“经营系统问题”。企业必须回答，AI服务什么经营目标，使用哪些事实和客户上下文，进入哪一段流程，拥有什么权限，谁负责批准和纠错，如何证明产生了增量价值。

中国市场还具有三重特殊性。第一，短视频、直播、电商、社交、搜索、私域与本地生活高度平台化，AI会优先嵌入这些闭环生态。第二，大型企业与中小企业的数字基础、数据能力、组织资源差异显著，不能复制同一条路线。第三，生成内容标识、个人信息、自动化决策、广告真实性与行业审查已经从原则要求进入具体执行，速度必须与责任同时设计。

因此，本报告不把AI营销理解为“用AI做营销”，而把它理解为企业将AI嵌入洞察、内容、媒介、交易、客户经营和复盘的组织变革。年度研究的核心结论可以浓缩为一句话：在广告主样本和头部平台实践中，AI营销投入呈广泛化；全国总体比例未知。价值仍然稀缺，系统能力正在决定分化。

十二个年度判断

1.1 一句话年度判断

2026年中国企业AI营销最准确的描述，不是“全面智能化”，也不是“仍在试验”，而是：在广告主样本和头部平台实践中，投入呈广泛化；全国总体比例未知，能力和结果正在快速分化。

一方面，模型、用户、平台和政策共同把AI推入主流。多数广告主已经投入AI营销⁵⁰，头部平台把AI嵌入素材、推荐、投放与交易，企业员工和消费者也在日常使用AI。另一方面，内容和效率改善远快于增长、品牌、客户与利润改善；组织、数据和治理的建设速度又慢于工具采购。

因此，AI营销不再是一个由“有没有账号”定义的市场，而是一个由“嵌入多深、运行多稳、价值多真”定义的市场。

1.2 四个年度迁移

从生成走向行动。 AI的角色从起草内容扩展到检索、分析、调用工具、建立任务、调整投放、触发跟进和形成复盘。行动能力创造更大价值，也把错误从“文字问题”升级为“业务后果”。

从工具走向系统。 企业的竞争优势不再来自某个模型或工具，而来自目标、上下文、工作流、数据、渠道连接、组织责任、评测与治理共同形成的系统。

从流量走向关系。 传统曝光和点击仍重要，但消费者决策分散到短视频、直播、电商、社交、私域和AI问答。企业需要跨触点维护一致事实、客户状态与下一步行动。

从产量走向价值。 内容数量、模型调用、自动化比例只能说明活动。最终价值必须落在客户行为、转化、收入、利润、品牌资产、服务质量和风险变化上。

1.3 五个年度矛盾

采用与价值的矛盾。 投入比例很高，显著价值比例很低。最常见原因不是模型完全无用，而是目标不清、流程未改、数据不可用、组织不采用或没有增量测量。

效率与效果的矛盾。 AI可以更快产出，但更快不等于更相关、更独特、更可信，也不等于更多成交。效率指标需要与质量和经营指标配对。

规模与信任的矛盾。 AI可以规模化生成、投放和响应，但错误、偏见、虚假、侵权和不一致也会规模化。消费者在高频使用AI的同时保留核验行为。

平台与品牌的矛盾。 平台拥有数据、流量和闭环能力，品牌则需要跨平台的一致资产和长期关系。过度依赖单一平台会获得短期效率，却可能失去可迁移的客户与知识资产。

速度与治理的矛盾。 企业希望迅速试点，但生成内容标识、个人信息、广告真实性和账号权限不允许“先跑起来再说”。治理需要以最小必要方式嵌入速度，而不是在末端增加一道形式审核。

1.4 八维发展观察框架

本报告用八个维度观察企业AI营销发展：战略与预算、场景广度、流程深度、数据与知识、组织与人才、技术与集成、价值与测量、治理与信任。

八个维度不是并列采购清单。战略决定目标，场景决定切口，流程决定AI如何进入工作，数据与知识决定AI知道什么，组织决定谁使用和负责，技术决定如何连接和运行，测量决定是否继续投资，治理决定企业是否敢把AI从建议推向行动。

核心判断｜ AI营销成熟度取决于最短板，而不是最亮眼的演示。一个拥有先进模型却没有可信数据、流程负责人和停止机制的企业，成熟度低于一个自主程度不高但价值、质量和责任都清晰的企业。

1.5 效率之外：AI为什么必须回到战略与客户

2026年的关键分水岭不是谁更早接入模型，而是谁先回答三个经营问题：AI要改变哪一类客户选择，重构哪一段价值链，形成何种难以复制的能力。麦肯锡对营销技术与AI的多项调查显示，90%的CMO正在试验AI，但能在营销工作流中实现规模化或价值兑现的不足10%；2026年3月对521家组织的调查中，只有28%在实质性重构团队与工作流。这里的差距说明，广泛试用可以由工具供给推动，稳定价值却必须由经营设计推动。³⁶²

迈克尔·波特在战略研究中反复区分运营效率与战略定位：把同一件事做得更快、更便宜，能够改善成本，却不会自动形成独特价值。放到AI营销中，批量生成、自动摘要和智能投放属于运营效率；选择服务何种客户、舍弃何种需求、如何把洞察、内容、渠道与服务组合成独特体验，才属于战略。管理层若只比较模型能力和单位生成成本，最终得到的往往是行业平均水平的更快复制。³⁶³

彼得·德鲁克把企业目的归结为创造并留住客户。这个尺度迫使AI项目从内部热闹回到外部结果：客户是否更容易理解产品、是否减少决策摩擦、是否获得更及时的服务、是否更愿意复购和推荐。节省工时只有在被重新投入客户洞察、创意判断、服务改善或增长实验后，才会转化为企业价值。³⁶⁴

管理含义｜每个AI营销重点场景都应同时写出“效率命题”和“客户命题”。前者回答节省多少时间与成本，后者回答客户行为、体验或信任发生何种可验证变化。只有两条链路都成立，项目才具备扩大投入的条件。

本章结论

中国企业推进AI营销的外部条件已经发生根本变化：模型、工具和服务商形成规模化供给，数以亿计的用户形成使用习惯，完成备案或登记的服务、应用与功能数量持续增加。AI因此不再只是技术公司的创新项目，而正在成为企业连接市场、生产内容、理解客户和交付服务的通用能力。

但底盘成熟不等于企业已经创造价值。产业规模、备案项目数与个人用户数分别描述供给、监管程序和需求，均不能替代企业采用率或营销投资回报。市场讨论的核心问题正在从“要不要用AI”转向“能否把AI稳定嵌入客户经营并形成可验证增量”。

关键判断

中国AI核心产业2024年已超过9,000亿元；中国信通院预计2025年将超过1.2万亿元。后者是研究预测，不是2025年实际统计值。

生成式AI个人用户达到数亿规模，“向AI提问、让AI比较、由AI整理信息”正在改变品牌被发现和被理解的方式。

备案与登记数量快速增加，为企业产品选择提供监管程序信息，但“产品已备案”并不免除企业在数据、版权、内容和客户权益上的责任。

通用模型能力的差距趋于缩小时，专有数据、业务知识、品牌规则和运营纪律将成为企业差异化的主要来源。

2.1 产业供给：从技术突破走向规模化服务

中国信息通信研究院测算，2024年我国人工智能核心产业规模突破9,000亿元，同比增长24%；报告预计2025年将突破1.2万亿元。截至2025年底，我国人工智能企业超过6,000家，覆盖基础底座、模型框架和行业应用。1.2万亿元仍是预计值，“核心产业”也不等于企业AI支出或AI营销市场规模。⁶⁶

这轮扩张的意义不只是市场上有了更多工具。企业获取文本、图像、视频、语音、分析和智能体能力的成本持续下降，采购方式从单一软件许可扩展为平台订阅、模型调用、嵌入式功能、行业方案和定制开发。营销部门由此获得更大的创新主动权，也承担更高的选择责任。

中国信通院评测还显示，截至2025年12月，头部语言大模型综合能力较2024年底提升约30%，多模态理解能力提升50%以上。该结果来自特定评测体系，不能解释为营销任务准确率或商业回报同比提升。⁶⁷ 当通用能力快速普及时，真正形成差异的要素会向企业自身迁移：数据是否清洁、知识是否完整、品牌规则是否明确、结果验证是否严格。

供给充足也意味着选择更难。模型、平台和应用的功能边界日益重叠，企业若只按演示效果采购，容易形成重复订阅、数据孤岛和供应商锁定。技术选择应更重视可替换性、接口、数据可携带性、权限和审计能力；模型评测应使用企业自己的产品资料、客户问题和渠道规则，而不是只看通用榜单。

2.2 备案与登记：供给扩张与责任边界同步形成

截至2026年4月30日，我国累计有868款生成式AI服务完成备案，530款应用或功能完成登记；2026年3—4月新增72款服务备案和49款应用或功能登记。这是行政备案、登记项目数，不是去重企业数、活跃产品数或市场份额；备案或登记也不构成对产品全部功能、企业具体用法或持续合规状态的全面背书。⁶⁹

备案供给增加，使企业从员工自发试用转向批准使用具备了更丰富的选择，但“已备案”不等于企业可以无条件使用。AI营销还涉及客户数据授权、个人信息、广告真实性、商业秘密、生成素材权属、渠道规则与品牌声誉。企业至少应明确什么数据可以输入、哪些结果必须人工复核、哪些内容不得自动发布、发生错误时由谁暂停和纠正。

合规不应是上线前的一次审批，而应贯穿内容和客户运营。大型企业需要把AI纳入既有法务、数据、安全和品牌制度；中小企业则应以简短、明确、可执行的红线代替复杂却无人遵守的制度文本。

2.3 用户基础：6.02亿用户改变信息获取习惯

CNNIC第57次《中国互联网络发展状况统计报告》显示，截至2025年12月，我国生成式人工智能用户规模达6.02亿，较2024年12月增加3.53亿；在整体人口中的普及率为42.8%，提高25.2个百分点。该指标反映个人用户使用规模，不等于企业采购率、AI购物用户数或AI营销市场规模。⁷¹

这一规模首先改变消费者预期。当越来越多用户让AI回答、归纳和比较信息，品牌面对的不再只是传统搜索中的“人找信息”，还包括AI“替人理解信息”。产品资料是否结构清晰、公开信息是否一致、证据是否可信，将更直接影响品牌能否被机器准确理解与引用。

同一报告显示，2025年12月生成式AI用户中40岁以下占69.7%；76.0%用于回答问题，47.8%用于生成或处理图片和视频，37.6%用于生成或处理文本，32.5%用于工作总结、会议纪要或PPT，10.8%用于代码。该题为个人用户多选，不能解释为企业营销场景渗透率。⁷² 它说明问答、文本和视觉内容已经具备广泛用户教育基础，企业不必再证明“AI能否生成”，而应回答内容是否准确、有品牌识别度、能够进入分发和转化流程。

报告还披露，截至2025年7月，主流大模型应用平台注册量超过31亿、API用户总量超过1.59亿，并明确标注为不完全统计。一人或一企可跨平台注册，因而不能据此计算独立用户或企业渗透率。⁷³ 更值得管理层关注的是，员工可能早已在多个未经统一管理的平台使用AI；所谓“企业尚未采用”，有时只是使用处于不可见、不可控和不可测量状态。

2.4 从流量底盘到经营底盘

生成式AI普及后，企业需要同时经营三类对象：直接接触品牌内容的用户、决定内容分发的平台算法，以及正在承担发现、比较和决策辅助的AI系统。品牌信息不只要“被看见”，还要能被准确解析、可信引用、及时更新，并在不同渠道保持一致。

这不意味着传统搜索、广告和内容平台立即消失。更可能的变化是AI成为其连接层：降低内容变体和服务响应成本，帮助企业提取客户信号，也让用户在进入品牌自有触点前完成更多研究。若消费者已经在AI界面形成候选清单，品牌到达落地页时，竞争可能已经进行了一半。

因此，AI营销不能只被理解为内容提效。公开信息质量影响机器理解，内部知识质量影响员工和客服回答，客户数据质量影响个性化，流程纪律决定输出能否稳定，测量体系决定能否识别增量。外部规模提供底盘，真正的商业结果仍取决于企业如何把底盘转化为经营能力。

2.5 管理含义：从“抢工具”转向“建证据”

底盘成熟后，企业最容易把技术可用性误认为商业可行性。管理层应建立四类证据：用真实资料和异常样本检验工具的“任务证据”；记录AI参与、人工复核和修改过程的“过程证据”；观察准确率、转化、满意度和投诉的“结果证据”；记录幻觉、版权、隐私和品牌偏差的“风险证据”。

判断AI营销进展的首要问题不应是“采购了几个工具”，而应是“多少关键客户流程形成了可重复、可审计、可度量的改善”。只有当这一问题有稳定答案时，产业与用户规模才真正转化为企业竞争力。

本章结论

在大型上市企业样本与多源行业观察中，AI采用正在越过早期认知阶段，但距离企业级价值仍有明显距离。大型上市企业调查显示，接近一半的受访企业已把生成式AI嵌入部分关键或大部分业务流程，真正达到快速规模化和显著价值标准的比例却大幅降低。企业差异不再主要体现为是否购买工具，而是是否重构工作流程、能否治理数据、是否明确跨部门责任，以及能否用经营指标验证效果。

这种落差在营销领域尤其突出。内容生成很快就能展示效率，客户洞察、预算优化、个性化和销售协同却依赖更完整的数据与流程。企业若停留在“员工更快完成单项任务”，很难形成可归因的收入或利润改善。

关键判断

采用广度较高但价值率仍低：46%的大型上市企业样本达到流程嵌入维度，21%推进速度快于预期，只有9%达到研究定义的显著价值。

工具普及领先于组织变化：61%向员工提供生成式AI工具，只有34%重新设计组织与工作方式。

端到端重构仍是少数，数据质量、统一所有权、分类与访问机制成为规模化上限。

企业规模影响采用深度，但不同调查的母体和定义差异很大，不能用一个比例代表全部中国企业。

3.1 “46—21—9”：部署快于价值兑现

埃森哲于2025年2—3月调查163位中国企业高管，抽样框为754家2023年营收超过1亿美元的中国上市公司，覆盖七个行业。46%的受访企业已将生成式AI嵌入部分关键或大部分业务流程；21%认为规模化推进速度快于预期；只有9%达到报告定义的“显著价值”，其结果门槛包括生产率提升超过10%，或营收、利润提升超过5%。该样本偏大型上市企业，不能外推至全部中国企业。⁸⁴

三个比例描述规模、速度和价值三个维度，报告没有披露完整交叉表，不能画成未经验证的转化漏斗。它更适合作为成熟度的“三面镜”：规模回答覆盖多广，速度回答执行多快，价值回答经营结果是否出现。

营销部门容易高估第一阶段，因为内容数量、制作时间和响应速度很快改善，却未必带来额外触达、有效线索或转化。企业应把“采用”拆成四个问题：员工是否使用、团队是否标准化、流程是否嵌入、结果是否形成增量。只有最后一个问题回答投资价值，前三个问题用于解释价值为何尚未出现或能否持续。

3.2 工具供给快于工作重构

同一调查中，61%的企业向员工提供生成式AI工具，48%表示理解AI对员工和任务的影响，47%提供定制学习路径，只有34%重新设计组织与工作方式。四项为并列自报指标，不是同一群体的转化漏斗。⁸⁹ 工具供给指标与组织重设指标相差27个百分点，方向上提示样本企业存在“先工具、后组织”的现象；由于不是配对转化数据，不能据此判断具体企业的先后路径。

把AI叠加在旧流程上，可以获得局部效率，也可能把成本转移给下游：内容生成更快，审核队列却更长；线索摘要更多，销售却不信任质量；客服回复更快，知识来源却不一致。表面上是AI输出问题，本质上往往是输入标准、责任和交付关系没有同步变化。

调查中只有18%的中国受访企业正在以AI为中心重构端到端流程。报告另引一项全球“Pulse of Change”调查称，53%的中国企业正借助AI连接多个流程，但未披露中国子样本量，两项不能混合计算。⁹⁰ 对营销而言，端到端并非让AI完全替代人，而是打通市场信号、洞察、策略、内容、投放、线索、销售反馈与复盘的证据链，并重新定义人工判断点和异常处理。

3.3 智能体预期升温，计划不等于现状

大型上市企业样本中，20%预计未来一至两年在全公司广泛使用智能体，34%预计跨多个部门规模化，合计54%；34%预计有限试点，12%没有计划。该数据描述未来意向，不能写成54%的企业已经规模化应用智能体。⁹²

智能体把AI从单次生成推进到多步骤执行，也会放大连续错误和权限风险。企业越希望系统自主执行，越需要明确目标、工具调用范围、停止条件、人工接管和审计日志。营销部门可先选择结果易核验、过程可回放的任务，如资料汇总、活动复盘初稿、问题分类和内部知识检索；价格承诺、正式发布、预算调整及敏感客户决策应保留授权审批。

判断智能体成熟度的标准不是是否搭建一个“智能体”，而是能否在清晰边界内稳定完成完整任务。目标也不是追求最大自主性，而是在风险可控的前提下提高成功率。

3.4 数据、安全与治理决定规模化上限

大型企业样本中，64%认为安全对企业重塑至关重要，58%称已具备灵活安全工具和战略，36%使用AI自动识别和响应风险。这些是高管自评，不能替代独立安全审计。⁹⁴

数据治理结果更能解释价值落差：认为数据质量“非常好”的企业只有29%，拥有清晰数据愿景和统一所有权的只有19%，变革管理和快速决策17%，统一数据分类与合理访问15%。⁹⁵ 当客户标识不统一、产品信息冲突、素材权属不清、部门指标不同，模型只能更快地产生不一致结果。

AI营销需要的是“可用数据”而不只是“更多数据”。企业应区分可识别个人的数据、经授权可运营的数据、可用于模型提示的数据、可分析但不可外传的数据和可公开分发的知识，在明确目的、权限和责任后使用。

一项2025年6月面向128位企业负责人的媒体便利调查显示，11.72%建立正式AI治理机制，51.57%只有部分规则或正在规划。样本较小且存在自选择偏差，不能外推为全国比例，但可作为治理滞后于采用的方向性证据。⁹⁶

3.5 人才与规模：组织接受度影响实际深度

大型企业调查中，67%的高管认为必须赢得员工信任，才能充分发挥生成式AI自动化潜力。该数据反映管理者判断，不是员工真实信任水平。⁹⁹ 员工是否愿意使用、是否敢质疑输出、是否理解责任边界，都会影响工具从试用走向稳定使用。

AI人才能力至少包括三层：清晰表达目标并检查结果的任务能力；识别事实、品牌和客户风险的业务判断；把输出交给下一环节并依据反馈改进知识和规则的流程协作。只培训提示词，会得到熟练生成内容的个人，却难以形成企业级能力。绩效评价也需相应改变：若仍按旧流程只考核产量，员工可能用AI制造更多低价值产出。

麦肯锡2025年全球调查覆盖105个国家1,993份有效问卷，并按各国GDP贡献加权；中国大陆子样本量未披露。中文解读称，中国大陆83%的受访企业在至少一个职能常态化使用生成式AI，45%达到AI规模化或全面部署，高于全球38%。由于中国样本结构未知，该结果只能作为咨询调查观察。¹⁰⁰

同一全球调查显示，营收超过50亿美元企业中近半已规模化，营收低于1亿美元的为29%；39%认为AI对息税前利润产生某种影响，但多数贡献不足5%，达到“AI使息税前利润提升超过5%且创造显著价值”的高绩效企业约6%。这些均为全球基准，不是中国企业比例。¹⁰² 它们提示：大企业更容易规模部署，但高价值仍是少数；企业规模影响的是可选路径、部署深度和回报周期，而不是是否需要AI。

3.6 管理含义：用三级价值链管理AI营销

企业可以用“任务—流程—经营结果”三级价值链判断成熟度。任务层观察时间、成本、一次通过率和错误率；流程层观察交付周期、返工、跨部门等待和客户响应；经营层观察增量触达、有效线索、转化、留存、品牌和利润。

三级指标必须彼此连接。若生成时间下降而审核和渠道退回增加，任务效率不能算流程价值；若线索数量增加而有效率下降，也不能算经营价值。每个重点场景都应在上线前设定基线、对照、观察周期和停止条件。

2026年管理层最值得关注的不是“AI覆盖了多少营销人员”，而是三个比率：进入标准流程的场景占比、持续达到质量门槛的场景占比、产生可验证经营增量的场景占比。三者共同构成从采用到价值的真实进度。

3.7 案例：能力边界不是一条直线

哈佛商学院研究者与波士顿咨询公司开展的现场实验，覆盖758名咨询顾问，约占该公司个人贡献者群体的7%。实验任务包含创意、分析、写作与说服等日常知识工作。对于处在模型能力边界内的任务，使用GPT-4的参与者完成速度提高超过25%，人类评分的质量提高超过40%，任务完成率提高超过12%。³⁶⁵

同一研究最重要的管理结论并不是“AI让所有工作更快”，而是技术能力呈锯齿状：某些看似复杂的任务可以显著受益，另一些看似相近的任务却可能越过模型边界。研究者观察到两种有效协同方式：一种像“半人马”，由人拆分任务并决定哪些部分交给AI；另一种像“赛博格”，人在工作过程中持续与AI交替推进。两者共同点都是保留人的任务判断，而非把完整责任一次性交给模型。

对营销团队而言，这意味着不能以岗位为单位宣布“全面AI化”，而要以任务为单位建立能力地图。资料归纳、版本适配、初步分类等任务通常更接近稳定边界；事实判断、品牌取舍、异常客户处置和高风险承诺更依赖经验与责任。真正成熟的组织，会通过真实任务评价集持续更新这张地图，并在模型、知识和流程变化后重新测试。

案例边界｜该实验对象是咨询顾问，任务由研究团队设计，不能直接外推为中国企业营销岗位的固定生产率。它提供的是一种组织方法：先识别任务边界，再设计人机组合，最后用质量和结果验证，而不是根据工具演示决定自动化范围。

本章结论

在CTR广告主样本与头部平台实践中，AI营销投入已呈广泛化；但现有证据不足以推断全国企业总体采用率。本报告据多源证据判断，市场讨论重心正在从“是否采用”转向“如何形成可验证价值”。CTR对200余家企业营销中高层的调研显示，94.1%的广告主已进行AI营销应用投入，但60.3%对应用成效的评价仅为“一般”。¹⁰⁶ 这组数据揭示的不是AI营销失效，而是一个更重要的事实：工具普及速度已经快于流程再造、数据治理、组织协同和效果衡量能力的建设速度。

从应用结构看，内容生成和单点运营提效已经成为多数企业可获得的“基础能力”；跨渠道归因、预算分配、消费者旅程编排和自主决策仍处于少数企业的探索区。企业之间的差距，正在由“有没有使用大模型”转化为“能否把AI嵌入营销工作流，并以可验证的业务结果持续迭代”。因此，本报告将2026年视为中国AI营销从工具采用转向体系化经营的重要过渡期。

4.1 采用率快速上升，但“使用AI”不等于“AI营销落地”

早期调研已经显示出员工使用与业务落地之间的差距。秒针对228位成熟及新锐广告主、20多个行业的调查显示，广告主每周使用AI工具的比例为54%，但当期AI营销应用比例仅为28%；另有41%表示未来会使用AI营销，优先期待智能投放与优化、用户洞察和数据分析、产品创新及内容分发。¹¹¹ 该调研于2024年末发布，反映的是企业对2025年的判断，不能视为2025年实际投入；但它准确捕捉了一个阶段性特征：员工已经在办公、写作和信息整理中接触AI，营销流程本身尚未同步改造。

到2026年，CTR调查中的投入比例升至94.1%。¹¹³ 两项调查的样本、问题和时间不同，不能直接计算增长幅度；它们共同支持的结论是，AI营销已由少数创新团队的试验，扩展为广告主普遍面对的战略议题。这里的“投入”可能涵盖采购通用模型账号、使用平台内置工具、部署营销应用乃至自建数据与智能体系统，成熟度跨度很大。因此，企业不宜把账号数量、生成次数或培训覆盖率当作落地完成度，而应继续追问：AI是否进入正式流程，是否获得合规数据，是否有明确责任人，是否连接到可观测的业务指标。

消费者侧的快速普及进一步推动企业采用。截至2025年9月，QuestMobile测量的移动端AI应用月活规模达到7.29亿，PC端为2.00亿；原生App、In-App AI和手机厂商AI助手分别达到2.87亿、7.06亿和5.35亿。三类用户存在大量重叠，不能相加，但In-App AI月人均使用时长同比增长93.8%，说明AI正快速嵌入用户原有的社交、内容、工具和交易环境。¹¹⁴ QuestMobile为设备与应用监测口径，并覆盖In-App AI和手机助手；CNNIC为个人抽样调查口径，两者不可相减、相除或互作渗透率验证。 企业面对的已经不是一个独立“AI渠道”，而是一组散布于既有平台、设备与服务中的新交互层。

4.2 场景采用呈现明显梯度：创意领先，决策滞后

中国广告主当前最成熟的应用集中在高频、重复、容易人工校验的任务。CTR 2025年调查显示，广告创意或文案生成的应用率为77%，视觉内容生成达到60%；相比之下，广告效果评估、跨渠道营销归因、媒介策略智能优化和预算分配等复杂决策场景的应用率普遍低于15%。¹²⁰ 另一份CTR研究称，AI在广告标题和社交媒体文案环节带来的效率提升为71.3%，在效果监测和投放优化环节为50.5%；零售与快消企业中，89%正在业务运营中使用或建设AI项目。¹²² 后一组“效率提升”为调查或项目口径，公开页未披露统一基线，适合说明方向，不宜转化为行业ROI基准。

这种梯度符合营销任务的风险结构。文案改写、尺寸适配、素材裂变、会议总结和数据摘要，即使输出不理想，也容易由人工发现和纠正；而预算分配、受众排除、价格策略、客户权益和归因判断一旦错误，可能直接造成资金损失、消费者伤害或合规风险。复杂决策还依赖统一身份、历史事件、产品知识、实时库存、渠道成本和业务约束，单靠一个通用模型无法获得足够上下文。

因此，可将AI营销流程嵌入深度划分为五个层级：第一层是个人工具使用；第二层是内容、分析或客服等单点提效；第三层是AI嵌入跨角色工作流，具备人审、权限和日志；第四层是数据、实验和业务指标形成闭环；第五层才是智能体跨营销、销售和服务执行任务。本报告据现有样本作方向性判断，较常见状态是从单点提效向标准工作流迁移；不对全国企业给出层级分布。平台型和数字原生企业出现更深闭环，跨系统智能体仍属于前沿探索。

4.3 成效分化的核心，不是模型参数，而是经营基础

94.1%投入与60.3%成效“一般”构成了2026年最值得关注的剪刀差。CTR进一步指出，AI能力建设越体系化，应用越深入流程优化与ROI闭环，满意者占比越高。¹²⁵ 该结果是横截面相关关系，不能证明体系化建设单独导致更高满意度，但与全球研究呈现的瓶颈一致。Salesforce对4,450名全球营销决策者的调查显示，75%已经采用AI，但84%仍在运行通用营销活动，69%难以及时响应客户；对客户数据统一更满意的团队，更可能使用AI智能体和持续响应客户。¹²⁶ Adobe对3,000名全球CX高管与从业者的研究则显示，52%难以用客户体验指标证明AI回报，只有44%建立生成式AI衡量框架，75%把数据集成与质量列为Agentic AI首要挑战。¹²⁸

这些全球样本不能代替中国数据，但可以作为解释机制的对照：模型可用性正在商品化，差异来自企业自己的数据、知识、流程和治理。相同模型接入不同企业，得到的可能是一套加速既有问题的自动化工具，也可能是一套能够持续学习的经营系统。缺少品牌规则时，AI会快速制造同质内容；缺少商品与客户数据时，AI只能给出泛化建议；缺少实验设计时，团队会把自然增长误判为AI贡献；缺少权限控制时，智能体越主动，风险越大。

平台公司的披露进一步说明，规模化价值来自系统组合，而不是单点生成。阿里在2025年双11披露，AI推荐、复杂查询、竞价、商业分析和客服已形成多个协同模块；其中AI竞价引擎被公司称为带来12%的营销ROI提升，AI商业顾问累计生成1,000万份分析报告。¹³⁰ 这些指标来自平台内部、缺少公开实验细节，不能外推为广告主平均收益，但足以表明领先实践已经从“生成一张图”走向需求理解、分发、竞价、分析与服务的闭环。

4.4 价值衡量必须从“产能表”升级为“四张表”

企业在第一阶段通常统计生成内容数量、单条成本和节省工时，这些指标必要但不充分。内容营销研究的全球企业样本显示，在使用AI内容工具者中，84%认为生产率提升、76%认为运营效率提升、53%认为内容质量提升，但只有38%认为内容表现提升；12%甚至认为内容质量下降。¹³³ 该研究非中国样本，且公开页未充分披露企业子样本量，不能用于估计中国效果；它提示企业必须把效率与有效性分开测量。

本报告建议建立四张相互关联的AI营销价值表：第一张为生产效率表，记录周期、人工时、单位成本和复用率；第二张为内容质量表，记录品牌一致性、事实准确率、人工退回率、重复度和合规缺陷；第三张为市场效果表，记录增量触达、互动、线索质量、转化、复购和客户体验；第四张为风险与资产表，记录数据权限、生成内容标识、知识更新、模型错误、供应商依赖和沉淀的可复用资产。只有四张表同时改善，才能称为经营价值；只改善第一张表，最多只能称为局部提效。

归因上，应优先使用A/B测试、地域或人群留出组、分阶段上线和差分比较，而不是把上线前后变化全部归因于AI。平台案例尤其需要谨慎。巨量引擎的东风日产官方案例称，AI数字人等组合方案使AIGC素材平均消耗提升1,200%、CPQL降低4%、每条素材节省4小时、制作成本压缩50%。¹³⁵ 由于大数据人群、自动投放和5A策略同时实施，且周期、绝对值和对照未公开，只有生产效率与案例内指标可以引用，不能写成“AI数字人普遍降低一半成本”或行业平均。

4.5 2026年的管理重点：从工具采购转向营销操作系统

企业下一阶段应把AI项目治理单元从“工具清单”转向“用例组合”。每个用例都需要明确业务负责人、用户、输入数据、知识来源、输出对象、人工检查点、失败处置和价值指标。对于内容生成、社媒运营和报告摘要，可允许较高自动化；对于预算、价格、健康与金融建议、个人信息处理、重大品牌表达，应设置更高的人审和权限阈值。

组织上，营销、数据、技术、法务、采购和业务团队需要共同承担结果。营销负责目标、消费者和品牌判断；数据团队负责身份、口径与质量；技术团队负责集成、监控和安全；法务与合规负责边界和证据；采购负责供应商可替换性、数据使用和退出机制；业务团队负责验证建议是否可执行。AI卓越中心可以制定共性标准，但不能代替一线场景负责人对结果负责。

由此，中国企业AI营销的竞争不再是“谁先接入最新模型”，而是“谁能更快把高价值场景转化为可测量、可治理、可复用的工作流”。模型能力仍会快速变化，经营基础才是企业可以长期积累的优势。

本章结论

生成式AI显著降低了内容生产成本，却没有降低消费者注意力和信任的门槛。2025年，中国由AI生成的视频和音频累计超过20亿条，较2024年增长14倍以上；与此同时，埃森哲5,000名中国消费者调查显示，68%对营销内容无感或反感。¹⁴⁰¹⁴² 两组数据口径不同，不能建立直接因果，但共同描绘出内容市场的基本矛盾：供给越来越丰富，消费者并未因此更容易被打动。

AI时代的内容竞争不再首先取决于产量，而取决于内容是否有真实来源、独特观点、具体场景和可验证价值。品牌的核心任务，是用AI扩大优质知识与创意的表达能力，而不是用AI批量复制行业平均话术。内容营销将更像一套品牌知识、专家观点、用户证据和分发反馈共同构成的资产系统。

5.1 “内容更多”与“内容有效”正在分离

埃森哲2025年中国消费者在线调查覆盖一至五线城市、18—65岁人群，并按第七次人口普查结构配比。调查显示，46%的消费者已经习惯无处不在的营销，认为其对自己没有影响；22%认为营销内容烦人并使其失去购物欲；只有32%表示经常被营销内容吸引而购物。¹⁴⁸ 这不是说内容营销失去价值，而是说明同质、过量和意图过强的内容正在形成注意力税。

广告主对内容的重视并未下降。CTR 2026年调查中，85.8%的广告主认同内容营销是实现品牌差异化、加深消费者关系的最佳方式。¹⁴⁹ 两者放在一起看，结论不是“继续增加内容”，而是必须提高有用内容在总供给中的比例。对企业而言，AI内容生产的首要问题应从“还能生成多少”改为“哪些内容值得被生成、由谁负责、依据是什么、能否留下长期资产”。

平台级产能已说明供给端的变化。阿里官方披露，2025年双11期间其AIGC套件每月约生成2亿张图片和500万条视频，并称商品点击率提升超过10%。¹⁵⁰ 该数据没有披露商家样本、对照和“10%”的具体定义，不能视为全部企业的效果基准；它说明在电商场景，规模化内容流水线已经成为基础设施。产能普及之后，内容质量、商品事实和品牌差异将重新成为决定性变量。

5.2 内容风格由“精致完美”转向“真实、实用与生活化”

2025年以来，中国社媒内容出现清晰的价值转向。秒针《2026中国社交媒体营销趋势报告》把内容真实化、圈层融合、达人功能分化和人机协同列为主要趋势：种草达人解决“为什么买”，带货达人解决“在哪里买”，野生达人和普通用户则以非标准化的生活感提供信任线索。¹⁵² 该报告公开页未披露量化样本，适合用于趋势框架，不宜把其中的判断写成普遍效果数据。

美妆是这一转向最清晰的行业样本。秒针与快手的多源研究显示，2025年至2026年一季度，美妆品牌移动端投放中短视频广告流量占比超过55%，近七成品牌增投短视频；“真实审美”相关社媒讨论同比增长超过20%，简单教程内容声量是复杂技巧的2.5倍；超过80%的消费者为心情、仪式感和自我犒赏购买美妆，近90%认同美妆具有情绪疗愈作用。¹⁵⁴ 由于公开页未披露消费者样本量，这些数据只能用于美妆品类，不应外推为所有行业共同规律。

这类变化对AI内容提出了新的要求。传统模板往往擅长制造完整、流畅和“像广告”的内容，但消费者正在寻找使用痕迹、具体问题、真实限制和有辨识度的人格。企业需要在工作流中保留用户原话、门店现场、专家判断、实验结果和真实产品差异，让AI承担整理、变体、翻译、尺寸适配和分发优化，而不是抹平内容中的人性与摩擦。

5.3 消费者比较行为增强，品牌更需要证据与一致性

埃森哲调查显示，55%的中国消费者即使有喜欢的品牌也会频繁比较，较2021年上升13个百分点；45%仍会持续选择喜欢的品牌。¹⁵⁷ 同一调查中，有明确购买需求时，60%通过电商网站获取信息，50%使用直播间或视频平台，41%使用分享平台，37%询问AI工具。多入口比较意味着品牌不再能依靠单一广告触点控制叙事，官网、商品页、媒体报道、社媒口碑、达人内容、客服回答和线下体验之间的矛盾更容易被发现。

这使品牌建设从“塑造统一口号”升级为“维护统一事实”。产品参数、适用人群、价格权益、售后条款、供应链证据和责任承诺，需要在各渠道保持一致并可追溯。AI可以帮助发现不一致、生成结构化问答、监测舆情和快速修订内容，但品牌不能把最终判断外包给模型。埃森哲5,000人样本还显示，77%每周或每天使用AI，70%相信AI有助于更美好的生活，但62%会验证AI回答。¹⁵⁸ 消费者的态度并非盲目信任，而是“愿意使用、同时核验”。品牌赢得信任的关键是让消费者能够找到证据，而不是让内容看起来更像真人。

CTR监测的另一面值得谨慎理解。2025年1—7月，AI相关产品广告数量同比增长83.0%，投放费用同比增长442.8%；77%的受访消费者认为品牌营销中的AI元素提升其品牌喜好度。¹⁵⁹ 该公开页未披露消费者专项样本，且增长可能受到低基数和AI产品集中投放影响。它可以说明“AI”在科技与创新叙事中具有吸引力，却不能证明所有AI生成内容都会提升信任。技术感是一种品牌信号，真实性和履约仍决定长期关系。

5.4 白皮书与思想领导力：从流量内容转向可引用知识资产

在B2B、专业服务和高决策风险行业，AI提高了常规内容的产量，也提高了原创观点的相对价值。Edelman与LinkedIn对1,934名美国管理层专业人士的调查显示，71%的“隐形决策者”很少或不与销售互动，71%认为高质量思想领导力比传统营销与销售材料更能证明供应商价值，64%更信任思想领导力内容，53%认为内容足够好时品牌知名度的重要性下降，79%更愿在RFP中支持持续产出高质量思想领导力的企业。¹⁶² 该调查通过LinkedIn执行、市场为美国，不能改写为中国企业采购事实；它为中国B2B企业的白皮书战略提供了机制性参考。

高质量白皮书不应是产品说明书的延长版。它需要明确研究问题、样本、方法、数据限制和作者判断，区分事实、推断与主张，并允许读者追溯原始来源。AI适合用于资料发现、访谈整理、结构建议、图表说明和版本适配，但研究命题、样本设计、证据取舍、结论强度和署名责任必须由人承担。企业内部专家的经验只有经过访谈、案例复盘和数据验证，才能从“隐性知识”转化为可引用资产。

对白皮书运营而言，成功指标不应只看下载量。更完整的指标包括目标账户覆盖、专家引用、媒体与AI检索引用、销售对话质量、内容辅助的商机进展、关键观点的认知变化，以及内容在多个渠道的复用寿命。下载表单可以获取线索，但过度门槛会降低内容被搜索引擎和生成式引擎理解的机会。企业应在公开可索引的核心内容与需要注册的深度资料之间建立分层，而不是把全部知识锁在PDF中。

5.5 内容治理：建立“人类来源、AI加工、责任可追溯”的生产线

对通过相关网络信息服务生成、传播的人工智能生成合成内容，2025年9月1日起施行的《人工智能生成合成内容标识办法》及GB 45438—2025确立了显式与隐式标识要求。¹⁶⁵¹⁶⁶ 2025年11月，网信部门已对未落实相关标识、传播核验或用户声明功能的应用采取约谈、责令改正和下架等处置。¹⁶⁸ 企业应根据其在生成、提供、传播和分发链路中的具体角色落实义务，并为内部素材保留来源与编辑记录。

企业应建立五项基本控制：第一，明确可用数据、素材、肖像、声音和知识的权利来源；第二，在DAM或内容中台保留模型、提示、素材来源、编辑人和审批人记录；第三，对产品参数、数字、引语、政策与健康金融等高风险信息执行事实核验；第四，维护品牌语言、禁用表达、敏感主题与人工升级规则；第五，确保显式、隐式标识在格式转换和跨平台发布中不被意外删除。治理的目标不是降低创作速度，而是让规模化生产不以透支信任为代价。

最终，AI时代的品牌内容优势来自三类资产的组合：真实世界中的产品与服务证据，组织内部有独特判断的专家网络，以及能够把事实持续转化为多格式内容并从市场反馈中学习的生产系统。AI可以扩大三类资产的产出，不能替代它们本身。

5.6 真实不是美学标签，而是品牌承诺

赫伯特·西蒙早在信息系统研究中就指出，信息的丰富会带来注意力的稀缺。生成式AI把内容供给成本进一步压低后，稀缺资源不再是可发布的句子和画面，而是受众愿意停留的注意、可以核验的事实和长期一致的品牌行为。企业如果用AI放大同质信息，只会更快消耗这三种稀缺资源。³⁶⁶

西奥多·莱维特在《营销近视症》中提醒企业，不要用产品类别定义自己，而要用客户真正要解决的问题定义业务。AI内容生产同样容易陷入“内容近视”：团队围绕产品参数和平台热点不断制造表达，却没有回答客户处在何种情境、担心什么风险、需要什么证据。真正有效的内容从客户任务出发，再决定是否需要AI、何种形式以及在哪个触点出现。³⁶⁷

案例｜Dove在2024年更新“真实美丽”承诺，明确不使用AI生成图像取代真实女性形象，并发布面向生成式AI的提示词指南。其全球研究覆盖20个国家、约3.3万人；这是一项由品牌发起的研究，不能视为独立行业基准，但它展示了一种清晰做法：当技术能力与品牌核心信念发生冲突时，企业不是追求最大化使用，而是公开界定不用什么。³⁶⁸

Dove案例的价值不在于所有品牌都应拒绝AI人物，而在于品牌需要把价值主张翻译成可执行的生成规则。哪些主体必须来自真实拍摄，哪些场景允许合成，是否需要标识，谁拥有否决权，如何保留授权和编辑记录，都应在内容生产之前确定。真实性因此不是“看起来像真人”，而是来源、承诺和责任相互一致。

本章结论

2025—2026年，中国AI营销最具规模的落地并非出现在独立AI媒体，而是嵌入短视频、电商、社交、搜索和交易平台的既有商业系统。2025年中国互联网广告市场估算为7,257亿元，同比增长11.50%；电商广告、视频信息流和短视频平台是主要增长引擎。¹⁷² 与此同时，短视频覆盖十亿级用户，直播电商GMV超过5万亿元，品牌店播超过一半，内容、广告和交易的边界进一步消融。¹⁷⁴¹⁷⁶

平台披露显示，AI已经进入素材生产、推荐、竞价、自动投放、数字人直播、客服和交易反馈。但这些数据主要来自上市公司内部管理口径或平台成功案例，能够证明规模和方向，不能直接证明所有广告主获得同等增量。企业应把平台能力视为基础设施，并用自己的实验、利润和客户指标验证价值。

6.1 媒介结构继续向视频、电商和闭环平台集中

北师大新闻传播学院、中关村互动营销实验室和秒针联合报告估算，2025年中国互联网营销市场，包括电商推广和社交营销等，达到8,818亿元，同比增长13.56%；互联网广告与互联网营销合计约1.6075万亿元。按广告形式看，电商广告接近市场三成、同比增长15.58%，视频信息流同比增长18.85%，传统展示广告份额降至8%。¹⁸² 这些为市场估算，网页未完整披露企业采集清单和模型，不应与行政统计或公司财报直接相加。

按平台类型看，电商平台广告收入估算为2,797.47亿元，占38.55%；兴趣电商同比增长18.9%。短视频平台收入估算为1,432.09亿元，同比增长14.46%；按原报告的细分平台分类，短视频已超过“综合电商”子类，但仍低于电商平台大类合计2,797.47亿元。前十家公司市场份额估算达96.6%，抖音、阿里巴巴和腾讯前三合计66.2%。¹⁸³ 高集中度意味着，平台的数据、算法、产品和治理规则会显著影响广告主效率，也意味着企业不能把某一平台的效果简单视为整个市场的规律。

QuestMobile从“硬广收入”口径测得，2025年上半年中国互联网广告市场为3,598.5亿元，同比增长5.6%；淘宝、抖音和微信的硬广份额分别为22.5%、19.1%和10.8%，移动端占88.9%。¹⁸⁴ 该口径与前述平台收入估算不同，不能拼接；两者共同表明移动端、内容平台、电商与社交闭环仍是预算配置的核心。

6.2 短视频由注意力媒介升级为交易与服务基础设施

截至2025年12月，中国网络视频用户达到10.93亿，短视频用户10.74亿，占网民95.4%。¹⁸⁷ 此前网络视听报告显示，截至2024年12月三四五线城市用户占网络视听用户的62.0%。¹⁸⁸ 2025年由AI生成的视频和音频累计超过20亿条，报告所涉调查中，40%的受访者因网络视听内容购买食品饮料和日用百货，31.5%购买服饰箱包和美妆个护，26.7%因内容走进餐厅、影院或剧场。¹⁸⁹ 这些购买数据为消费者自报，不等于平台追踪的增量销售；但它说明视听内容已从曝光载体延伸至商品和服务决策。

短视频的商业价值来自三种能力叠加。第一，内容以场景、示范和情绪降低理解成本；第二，推荐算法把内容与兴趣、意图和商品连接；第三，站内商城、本地生活、支付和物流缩短交易路径。AI同时作用于三层：生成更多适配场景的内容，预测用户与商品匹配，自动管理投放和后链路。企业的媒介策略因此不能只按“品牌广告”和“效果广告”二分，而应设计从内容认知、搜索验证、商品比较、交易到会员沉淀的完整路径。

知识和专业内容也在成为短视频的重要组成。联合报告引用的平台数据称，抖音知识内容兴趣用户超过2.5亿，哔哩哔哩泛知识视频播放量占平台总量44%。¹⁹⁰ 这些数字来自报告对平台数据的汇总，尚需在高风险引用中回到平台原始口径；它提示专业服务、工业、教育和高客单价品牌不应把短视频等同于娱乐内容，而可以用专家解释、实验、拆解和场景问答建立认知。

6.3 直播电商进入“品牌店播+数字人+供应链”的常态化阶段

市场监管总局发展研究中心和中国社会科学院财经战略研究院课题组发布的白皮书显示，2019—2024年直播电商规模增长超过12倍；2025年GMV超过5万亿元，约占网络零售额近三分之一，用户规模预计6.6亿，品牌店播GMV占比超过50%。¹⁹² GMV是否扣除退货、用户预计值和平台覆盖范围在摘要中未充分披露，因此不宜据此计算直播电商对全国零售的精确贡献。

店播过半意味着品牌直播不再只是节点活动，而是持续经营岗位。内容策划、选品、库存、优惠、客服、质检和售后共同决定体验。AI数字人可以补足夜间与长尾时段、处理常规问答和快速生成多版本脚本，但无法替代主体责任和复杂问题处理。白皮书还显示，直播投诉举报数量增幅从2023年的52.5%收窄至2024年的19.3%，头部主播好评率92%、中小主播超过90%，超过九成消费者认可环境改善；消费者样本量和好评率定义未在摘要公开，适合说明治理方向，而非作精确行业质量排名。¹⁹³

京东官方披露可以观察数字人的平台化过程。2024年刘强东数字人首播首小时观看超过2,000万、整场销售额5,000万元；该结果强烈受到创始人IP影响，不能作为一般品牌基准。到2025年第四季度末，JoyStreamer使用商家超过5万。2026年618期间，日均使用商家同比增长500%，累计GMV同比增长100%，订单转化率提升77%。^194196198 “77%”未说明相对提升或百分点，大促还受补贴、流量和品类结构影响；它能支持数字人规模化及链路价值，不能证明数字人普遍替代真人或带来同等增量。

6.4 在部分头部平台，自动投放已进入预算运行层

快手和腾讯的披露显示，AI正在进入广告预算执行层。快手2025年第三季度称，AIGC营销素材驱动的在线营销消耗超过30亿元，UAX全自动投放占外循环营销消耗70%以上；公司估算OneRec等大模型带来国内在线营销收入约4%—5%的额外增长。²⁰⁴ 到2026年第一季度，AIGC短视频营销素材消耗占平台短视频在线营销总消耗10.0%，生成式推荐和智能竞价大模型被公司估算推动国内在线营销收入约3%—4%增长，UAX增加了自动创建营销单元、管理出价和投后复盘的Agent。²⁰⁶

腾讯2026年第一季度披露，自动化营销活动管理方案AIM+管理约30%的腾讯营销服务广告主总消耗，在小游戏、微短剧和微信小店广告主中采用较快。同期营销服务收入382亿元，同比增长20%，公司将AI广告推荐模型和微信闭环营销能力列为驱动因素。²⁰⁸ 2025年全年，腾讯营销服务收入1,450亿元，同比增长19%，公司同时提及AI定向、AI生成更多广告以及广告进入小程序、小店和小游戏等原生闭环。²¹⁰ 这些收入增幅还受展示量、用户参与、库存和定价影响，不能改写成“AI导致腾讯广告收入增长20%”。

自动投放渗透后，营销人员的工作重心会发生变化：从逐条建计划、手动调价，转向设定商业目标、准备高质量素材与商品信息、定义约束和护栏、设计实验、监测异常并审查模型建议。预算运行越自动，目标函数和数据口径越重要。如果只优化短期点击或成交，系统可能牺牲利润、退货、客户质量和品牌体验。因此，企业应把毛利、退款、线索有效率、复购、投诉和人群疲劳纳入平台优化之外的自有评估体系。

6.5 平台闭环加速交易，也增加生态依赖

阿里官方披露，2024双11期间AI电商工具服务400万商家，生成超过1亿张/条营销图片、视频和文本；80万商家完成200万次以上流量分析，“全站推”帮助近29万商家的160万件以上商品获得销售增长。²¹³ “服务商家”和“获得增长”没有公开活跃定义、幅度和反事实，不能当作平均ROI；它说明内容、分析与推广工具已具百万级覆盖。

国内平台的优势是内容、广告、商品、支付和服务能够形成快速反馈。QuestMobile测量显示，千问接入阿里生态后次月，与高德、淘宝闪购和飞猪的重合用户规模分别环比提高499%、598%和359%。²¹⁵ 重合用户并非AI导流量或交易量，低基数与集团推广也会影响环比；它说明AI入口能够改变集团内应用协同。类似地，腾讯把AI定向与微信交易闭环共同列为广告表现和定价驱动，表明闭环数据正在放大平台模型价值。

生态闭环也带来三类风险。一是归因黑箱，平台同时控制流量、竞价与交易，广告主难以独立验证增量；二是资产锁定，内容、受众和模型学习可能难以迁出；三是目标偏差，平台优化收入或GMV，不一定等同于品牌利润和长期客户价值。企业需要保留独立数据、跨平台实验和统一利润口径，并在合同中明确数据可得性、模型输出使用、归因窗口和退出机制。

综上，媒介与交易的未来不是“AI渠道取代传统渠道”，而是AI成为各平台的共同操作层。品牌竞争力取决于能否向不同平台提供一致而差异化的内容与商品事实，同时用自有数据验证平台带来的净增量。

6.6 案例：数字人何时能够创造经营价值

2024年4月，京东以创始人刘强东的数字人形象参与家电家居直播。京东官方披露，直播开始后一小时内观看量超过2,000万，整场直播成交额超过5,000万元。数字人基于内部大模型生成语气、动作和实时互动，并被用于多品类商品讲解。³⁶⁹

这个案例容易被误读为“形象逼真即可带货”。更关键的条件是平台已有交易场、商品供给、履约体系、用户心智和创始人IP，数字人只是把既有资产重新组织成可规模运行的内容界面。官方没有披露人工直播对照、增量订单和利润，因此不能把整场成交全部归因于数字人，也不能把观看量直接等同于经营价值。

对企业而言，数字人的优先场景应是信息结构稳定、重复频率高、表达可以标准化的任务，例如长尾商品讲解、门店夜间服务、多语言说明和售后答疑。其价值指标要同时包含有效观看、咨询解决率、转化、人工接管、错误承诺和投诉。只追求直播时长与生成量，会把一种服务能力退化成低成本的内容填充。

本章结论

AI正在把搜索从“返回链接”转变为“综合信息并给出建议”。对品牌而言，竞争对象不再只是关键词排名，而是模型能否在具体问题中找到、理解、核验并恰当地引用品牌信息。2025年“平台&AI搜索”广告收入被行业报告首次单独统计，估算同比增长107.4%；由于这是新分类且可能存在低基数效应，该数字更适合说明结构变化，而非预测长期增速。²¹⁹

GEO已进入预算规划与试点讨论，但计划不等于已执行预算，市场仍处在高预期、低标准化阶段。CTR 2026年调查显示，70.4%的广告主规划GEO预算，其中14%已视为刚需、47.9%计划于2026年试点；同时71.1%认同算法黑箱和信源污染可能阻碍GEO发展。²²⁰ 因此，企业不应把GEO理解为新的“刷排名”业务，而应把它纳入品牌信息治理、权威内容建设和跨模型监测。

7.1 消费者正在把AI作为比较器与决策顾问

埃森哲中国5,000人调查显示，37%的消费者已使用独立AI工具辅助购物，不含电商平台内置助手；在使用场景中，67%用于不熟悉的品类或领域，59%用于快速比较品牌或型号。²²⁵ 这意味着AI搜索首先在信息复杂、选择困难和决策风险较高的任务中创造价值。消费者不是简单寻找一个品牌名称，而是在询问“哪个适合我”“不同型号差异在哪里”“有哪些风险”“为什么值得购买”。

更广泛的用户基础也已形成。CNNIC第57次报告显示，截至2025年12月，中国生成式AI用户达到6.02亿，普及率42.8%，较2024年12月增加3.53亿、提高25.2个百分点。报告同时显示，40岁以下用户合计69.7%；76.0%用于回答问题，47.8%用于生成或处理图片和视频，37.6%用于生成或处理文本，32.5%用于工作总结、会议纪要或PPT。²²⁶ 这些数据为个人用户多选，不等于AI购物或企业营销场景渗透率；品牌仍需按年龄、行业与城市层级验证影响。

AI带来的变化并非完全替代传统搜索。行业报告估算，2025年传统搜索引擎广告收入约479.49亿元、基本持平，而“平台&AI搜索”高速增长，搜索类整体份额回到9%。²²⁷ 更可能出现的格局是多种发现机制并存：用户在短视频中产生兴趣，在AI中比较方案，在平台内搜索口碑或价格，再进入电商、官网、门店或私域完成交易。GEO必须与SEO、平台搜索、社媒内容和商品数据协同，而不能另设一套相互冲突的话术。

7.2 AI推荐不是中立目录，而是平台生态的结果

QuestMobile 2026年评测覆盖豆包、千问、文心的APP和网页端，选择抗衰面霜、粉底液、手机、洗地机四类高购买意图问题。结果显示，抗衰面霜推荐中，抖音电商和抖音为豆包合计贡献66.2%的内容，文心对百度内容引用达到81.7%；不同平台的头部信源贡献均较集中。²²⁹ 该评测没有在公开页披露问题总数、重复次数和置信区间，且模型会持续更新，不能把某次引用率当作稳定排名。

不同品类还呈现不同的“信任链”。手机推荐同时依赖垂直媒体的参数比较、官网的一手规格和内容平台的使用场景；洗地机除参数外更依赖长期口碑，什么值得买在豆包和文心的引用率分别为11.7%和6.2%，文心对知乎的引用率为19.6%；粉底液则更依赖视频表达色号、妆效和肤质差异。²³¹ 这说明GEO没有通用内容模板。品牌必须先理解消费者如何判断该品类，再建设相应的事实、评测、场景、口碑和服务信息。

平台生态偏向并不意味着品牌只能迎合单一平台。更稳健的策略是建设四层信源：第一层是官网、说明书、检测、白皮书和标准等一手事实；第二层是行业协会、权威媒体、学术与专业机构的独立验证；第三层是垂直媒体、专家和达人对真实场景的解释；第四层是电商评价、客服问答与用户社区的体验证据。四层信息一致时，模型更容易形成稳定判断；如果品牌在官网、商品页和社媒给出互相矛盾的参数，任何“优化技巧”都无法建立长期信任。

7.3 GEO需要一套可持续的运营系统，而不是一次项目

企业可用“问题—证据—引用—推荐—行动”五段链路组织GEO。首先从消费者访谈、搜索词、客服记录和销售对话中建立高价值问题集，并按认知、比较、风险、使用和购买阶段分类；其次为每个问题配置经审核的事实与来源；第三监测不同模型是否引用、引用何处以及是否准确；第四分析品牌是否被正确纳入候选、比较和推荐；最后追踪用户是否访问官网、进入商品页、咨询或购买。

衡量上，不应只报告“提及率”。建议同时观察答案覆盖率、事实准确率、来源多样性、品牌描述一致性、推荐适配度、错误严重度、更新时延、引荐访问质量与后链路转化。由于模型输出具有随机性，测试应固定问题、角色、地点、设备和时间窗口，执行多次重复，并记录模型版本。企业还需设置污染监测，识别虚假测评、批量低质内容、错误参数和竞争性误导，优先通过更新一手事实、联系来源与平台治理解决，而不是制造更多污染内容。

GEO的责任边界同样重要。品牌可以提高信息可读性和可验证性，不能保证模型一定引用或排名；任何供应商承诺固定推荐率、永久排名或“控制大模型答案”，都应被视为高风险。2026年的合理目标，是建立品牌在AI信息环境中的可观测性与纠错能力，为未来AI代理参与交易做好可信知识基础。

7.4 案例：从内容优化到机器可理解的知识工程

一家领先金融服务企业发现，客户正在从传统搜索转向AI辅助发现，因此没有把GEO当成标题和关键词项目，而是投资结构化数据与机器可读取的知识引擎，使搜索引擎和大模型能够更准确地理解、概括和引用其内容。与此同时，企业重构高价值工作流：AI智能体生成假设、测试表达和动态分配预算，人类决定哪些信号值得相信、哪些方向应继续投入。³⁷⁰

麦肯锡披露，在九个月内，该企业的自然流量提高到原来的六倍，并伴随客户质量改善、获客成本下降和留存提升。企业名称、基线和完整测量方法并未公开，这些结果属于咨询项目经验，不能作为普遍回报承诺；但它揭示了流量结果背后的机制：事实资产先被结构化，内容与预算工作流再被连接，最后才形成持续优化。

对中国企业的直接启示是，GEO团队不能只负责内容发布。产品、法务、客服、销售与数据团队需要共同维护一套可引用事实：适用条件、价格与权益、案例证据、常见问题、更新日期和责任人。只要事实分散或相互矛盾，增加文章数量也无法稳定提高机器理解与用户信任。

管理含义｜GEO的领先指标应包括核心问题覆盖率、事实冲突率、结构化字段完整度、权威引用获得率和错误纠正周期；流量、线索与转化属于滞后结果。先把前者做成持续运营机制，后者才具有可解释性。

本章结论

私域并未因AI搜索和平台电商兴起而失去价值，反而成为企业获得第一方数据、提供连续服务和验证平台流量质量的关键阵地。但公开市场证据仍以APP、小程序和品牌流量为主，缺少复购、LTV和利润数据。因此，本报告把私域AI定位为“客户关系基础设施”，而不是低成本群发工具。

8.1 私域正在由流量池转向客户旅程与服务入口

QuestMobile的案例显示，2025年5月古驰在抖音、微信等平台增加投放，硬广曝光环比增长70%以上，品牌私域流量也环比增长70%以上。²³⁹ 两者同期变化不能证明前者导致后者，更未披露成交与复购；它可用于说明公域内容需要私域承接，不能用于宣称ROI。

耐用品和服务业更能体现私域的长期价值。2025年上半年，QuestAuto测量的比亚迪私域活跃用户超过1,200万，长安汽车接近1,000万，小米汽车同比增长379.8%。²⁴⁰ 汽车私域可能包含品牌APP和小程序等多端，不等于车主或购车者；其业务意义在于连接试驾、交付、充电、用车、售后和社群。酒店领域，2025年6月华住会微信小程序与APP流量均超过千万，华住会APP同比增长41%，洲际酒店微信小程序同比增长188.5%。²⁴² 流量增幅可能受低基数和活动影响，但说明APP与小程序可以承担不同旅程阶段，而非二选一。

8.2 AI CRM的基础是统一身份、授权数据和可执行知识

AI私域运营需要三类上下文：消费者主动提供的零方数据，企业从自有触点获得的第一方行为数据，以及时间、位置、设备、天气和历史交互等情境数据。埃森哲研究提出，三类数据汇聚为智能消费者画像，才能支持真实而个性化的互动。²⁴⁸ 这是能力框架，不是效果数据；实施必须遵守个人信息保护、目的限定和最小必要原则。

企业架构上，应先解决OneID、同意与偏好、商品与服务知识、事件流和权益规则，再部署分群、内容、推荐和服务Agent。模型需要知道用户是谁、当前处于什么阶段、哪些信息可用、哪些权益可给、何时必须转人工。没有这些基础，所谓个性化往往只是把同一条内容换一种称呼，更容易增加打扰。

AI适合的高价值场景包括：识别流失风险并安排人工跟进；根据购买与服务历史生成下一最佳行动；汇总客服和社群问题反馈产品团队；为导购、经销商或客户成功人员准备会前简报；在明确规则内回答订单、权益和使用问题；根据用户偏好调节频率、渠道和内容。亿滋中国“亿想家”案例展示了另一种路径：系统整合门店环境、客户画像、库存、分销和历史销售，为一线与渠道团队提供补货等建议。²⁴⁹ 公开案例未披露准确率、采纳率或销售提升，只能作为工作流示例。

8.3 评价私域AI必须超越流量与打开率

私域AI的核心指标应分为关系、业务、效率与风险四组。关系指标包括有效会员、授权完整度、互动质量、退订和投诉；业务指标包括复购、留存、LTV、线索推进、服务恢复和毛利；效率指标包括响应时间、一次解决率、人工接管率和单位服务成本；风险指标包括错误答案、越权触达、敏感数据使用、优惠冲突和标识缺陷。

在组织上，私域不应只归属媒介或运营团队。销售、门店、客服、会员、产品和数据团队都需要参与旅程设计。AI可以提高响应速度，但客户关系的最终责任仍属于企业。任何自动化都应提供明确身份、退出机制和人工升级通道，尤其在投诉、退款、健康、金融和高价值客户场景中。

8.4 从人群标签回到客户要完成的任务

克莱顿·克里斯坦森等人提出的“待办任务”理论强调，客户不是因为属于某个静态人群而购买，而是在具体情境中“雇用”产品推进一项任务。对AI CRM而言，这一思想比继续增加标签更重要：同一个客户可能在首次了解、内部比较、风险核验、预算申请和复购补货时表现出完全不同的需求。系统必须识别当前任务和阻力，而不是只根据年龄、地域或历史点击生成下一条信息。³⁷¹

案例｜CarMax拥有大量车辆评价，但人工逐页归纳的工作量极高。微软客户案例披露，CarMax利用Azure OpenAI把约10万条客户评价归纳为约5,000个车辆页面摘要；原估计需要11年完成的工作在数月内完成，约80%的初稿通过编辑审核，并由人工检查每一份公开内容。³⁷²

这个案例的核心不是大模型替代编辑，而是把分散的客户语言转化为可用于决策的知识资产。输入来自真实评价，输出对应具体车型，人工负责事实、语气与发布责任，结果直接嵌入客户选车旅程。其数字来自技术供应商的客户故事，缺少独立对照；但任务边界、审核机制与客户价值之间的连接值得借鉴。

CRM团队可以据此重构客户洞察：先归纳高频任务、障碍与证据需求，再设计触达和服务；不要先让模型决定“应该发什么”。当客户状态不确定时，最优动作可能是提出一个澄清问题、补充一条证据或转交人工，而不是继续增加自动触达频率。

2026年，企业讨论AI营销的技术问题，已经不能只问“用哪个大模型”。模型仍然重要，但模型正在成为一套系统中的推理与生成部件。真正决定生产价值的，是模型能否获得正确上下文、连接业务工具、在权限内行动、接受评测并被持续运营。换句话说，AI营销的竞争单元正在从“单次生成质量”转向“业务任务完成质量”。

这也是2026年技术演进最值得管理者关注的变化：文本、图像、声音和视频逐步进入同一个创作链；智能体从回答问题转向调用工具；开放协议降低连接成本；企业数据、知识、权限和可观测性成为模型之外的共同底座。技术供给更丰富，并不意味着价值会自然发生。系统越能行动，错误、越权和成本扩散的速度也越快。企业需要同时提高能力上限和控制下限。

9.1 模型能力扩展，应用瓶颈转向系统工程

过去两年，大模型在长上下文、推理、多模态理解、工具调用和内容生成方面持续进步。对营销团队而言，这扩大了可被AI辅助的任务边界：从写一段文案，扩展到读取多份资料、比较竞品、分析评论、生成图像与视频、形成活动方案，再把结果写入内容或客户系统。中国信通院将这一变化概括为从“能思考”向“能实干”迁移，并在2026年企业级智能体研究中进一步把技术能力、研发、运营和业务应用放入同一框架。²⁵⁶

但当基础模型达到“多数常见任务可用”的水平，企业之间的差距会越来越少由一次演示中的模型回答决定，更多由五项系统能力决定。

第一是上下文。模型是否获得了当前版本的产品、品牌、价格、渠道、客户和政策信息；第二是连接。模型是否能安全读取和更新CRM、CMS、商品、广告、客服等系统；第三是流程。任务是否被拆成可验证的步骤，异常是否能升级人工；第四是评测。企业是否知道什么叫合格、错误出现在哪里、上线后是否退化；第五是运行。企业能否管理版本、成本、延迟、权限、日志和供应商。

因此，模型选型不宜成为AI营销建设的唯一中心。更稳妥的做法，是先定义业务任务和质量门槛，再以任务级路由选择模型：高复杂度策略和研究任务可使用推理能力更强的模型；分类、抽取、改写等高频任务可使用成本和延迟更合适的模型；涉及敏感数据或特定行业的任务还要考虑部署位置、供应商责任和数据边界。所谓“模型路由”，本质上是让质量、成本、速度和风险按任务得到平衡，而不是永远调用参数最大或最新的模型。²⁵⁸

这会带来一个重要管理变化：技术评估单位应从“模型榜单分数”转向“真实营销任务”。企业需要用自己的商品、客户、知识和失败样本建立评测集，比较合格率、事实与引用、品牌一致性、人工修改时间、延迟和单个合格任务成本。只有进入真实任务，模型能力才会被转化为经营能力。

9.2 多模态让内容生产从单点工具变成连续流水线

2025—2026年，多模态技术的变化不只表现为“视频更逼真”。Google Veo、阿里Wan2.2、腾讯HunyuanVideo和字节Seedance等官方资料与原始论文显示，视频模型正在增加图生视频、原生音频、运动控制、镜头延展和多镜头等能力。²⁶⁰ 对营销的直接影响，是文字、画面、声音和视频不再需要在完全割裂的工具中逐段生产。

一条新的内容流水线正在形成：团队先把市场洞察和产品证据转成创意简报，由模型生成脚本备选；再快速形成风格帧和分镜，验证人物、场景和产品呈现；之后生成可用镜头、配音、字幕与不同尺寸的渠道变体；最终由人工完成事实、品牌、节奏、授权和发布判断。过去只有高预算项目才会进行的预演和多版本实验，开始向中小团队和长尾内容下沉。

这种变化最先提高的，可能不是“完全自动完成一支广告片”的比例，而是三个更朴素的指标：创意方案被看见的速度、可测试素材的数量，以及已有素材被重新组合和本地化的利用率。品牌不应只统计生成了多少条视频，而应统计多少条达到发布标准、每条合格素材需要多少人工修复、素材是否带来增量效果。

多模态同时放大了质量风险。商品包装文字、Logo、颜色和功能演示如果不准确，视觉越逼真，误导性可能越强；人物在镜头间不一致、声音未经授权、虚构用户证言，也会把技术问题变成品牌问题。因此，AI视频的生产标准应至少覆盖商品准确性、人物和声音授权、镜头一致性、事实与广告承诺、内容来源，以及生成标识能否在剪辑和分发中保持。具体法律与标识要求见第14章，本章只强调一个工程结论：这些检查应嵌入素材流水线，而不是全部留到发布前。

9.3 智能体从“给建议”走向“调用工具、完成任务”

智能体（Agent）不是一个更会聊天的界面，而是能够围绕目标感知信息、保留状态、制定或调整步骤、选择工具并执行动作的系统。²⁶⁶ 它与传统生成式AI的关键差异，是输出不再止于文字，而可能改变业务系统中的真实状态。

以一次行业活动为例。助手可以根据材料写邀请函；自动化可以按既定名单和时间发送邮件；智能体则可能读取活动目标与客户状态，补充联系人资料，选择沟通模板，生成个性化内容，在限制条件内安排触达，监控回复，再把高意向线索交给销售。前两类能力分别解决“认知辅助”和“固定规则执行”，智能体解决的是不确定环境中的多步骤协调。

这使营销从业者第一次可以把部分跨系统、跨时间的工作交给AI持续执行。潜在场景包括：监测品类问题并形成选题；维护官网与知识库中的过期事实；补全、去重和分流线索；协调内容、邮件、私域和销售跟进；识别广告异常并生成处理建议；汇总客户反馈并触发产品或服务工单。

但“能调用工具”同时意味着“可能执行错误”。网页、邮件和附件都可能包含错误或恶意指令，智能体也可能在目标含糊时采取企业不希望的动作。营销系统因此需要借鉴生产系统的控制方式：为每个智能体设置独立身份，只开放完成任务所需的工具；对收件人、域名、频率、预算和数据范围设置硬限制；对发布、群发、改价、花费、导出和删除等动作设置人工授权；记录模型、证据、工具调用和审批；允许停止、撤回和回滚。²⁶⁷

企业不应把“自主性越高”当成成熟度越高。更成熟的标志，是在可接受的风险和成本下稳定完成任务。低风险内部整理可以自动运行，中风险内容可以抽检或按阈值审批，高风险预算、价格、敏感画像和对外承诺则应保留事前批准。人工不必点击每一步，但组织必须始终知道系统在做什么、为什么做以及由谁承担最终责任。

9.4 2026《智能体规范应用与创新发展实施意见》的产业信号

2026年5月，国家网信办、国家发展改革委、工业和信息化部联合发布《智能体规范应用与创新发展实施意见》。文件把智能体定义为具备自主感知、记忆、决策、交互与执行能力的智能系统，并同时部署技术底座、工具链、标准协议、安全治理、典型应用和产业生态。²⁷¹

对企业而言，这份文件最重要的不是增加一个新的政策名词，而是明确了智能体规模化的五个方向。

一是权限边界。文件区分仅限用户本人决策、需要用户授权决策和可由智能体自主决策的方式，要求用户拥有知情权和最终决策权，智能体不得超出授权。二是行为可控。规则内嵌、行为围栏、异常检测、拦截和恢复将成为产品能力，而不是上线后的补丁。三是可验证和可追溯。重要场景需要记录智能体行为，使问题能够定位、复盘和问责。四是供应链治理。模型、API、扩展工具和部署运维都属于风险链条，企业不能只审查底层模型。五是分类分级。办公等低风险场景与敏感行业、重点场景不会采用相同的准入和运行方式。

文件还提出智能体互联协议、数字身份、能力声明、可信互联和合规支付等方向。这意味着智能体市场可能从“每家公司做一个封闭助手”，逐步走向可发现、可连接、可协作的生态。国际上，MCP用于连接模型应用与数据/工具，A2A用于不同智能体之间的通信与任务协同，也体现了类似分层。²⁷²

需要强调，《实施意见》是产业与治理指导文件，不等于一部覆盖所有企业内部智能体、已经直接设定处罚的统一行政法规。报告不应写成“所有智能体必须备案”。它更适合被理解为技术与治理的方向盘：权限、身份、围栏、追溯、供应链和分类分级将成为企业建设智能体时的默认要求。具体适用义务和监管边界见第14章。

9.5 企业需要六层AI营销操作系统

当模型、多模态和智能体进入同一业务流程，企业需要的不是又一组彼此孤立的AI订阅，而是一套AI营销操作系统。它不一定是单一软件，更常见的是由现有业务系统、数据与知识、模型、编排、连接和运行控制共同组成。

这套架构中最容易被低估的是知识与运行层。RAG，即检索增强生成，可以让模型在回答前查询企业知识，使内容更及时并提供可追溯的证据。²⁷⁶ 但向量库里“有文档”并不意味着文档正确、有权使用或适合对外。每条关键知识还需要来源、所有者、版本、有效期、适用区域、敏感级别和外部使用权限。系统在证据缺失、冲突或过期时，应当停止猜测并转交人工。

运行层则回答“AI能否长期工作”。企业需要追踪一次任务使用了什么模型和知识、调用了哪些工具、谁批准了高风险动作、花费多少、结果是否合格。所谓可观测性，就是让复杂AI流程的内部状态和执行轨迹能够被查看、分析和告警。²⁷⁸ 没有可观测性，企业只看到最终输出，很难判断问题来自模型、检索、数据、提示、工具还是流程。

9.6 Agent不是所有问题的答案：助手、自动化、Agent三分法

选择技术形态时，可以用两个问题判断：任务环境是否稳定？系统是否需要自主决定下一步？

当目标是帮助人理解、创作或判断，且不直接改变外部状态，优先使用AI助手。

当步骤、规则和输入稳定，可用明确条件覆盖主要异常，优先使用确定性自动化。

当任务跨多步、环境会变化、需要在多个工具间选择并根据反馈调整，才考虑Agent。

企业还应坚持“从最小可行闭环开始”。先让一个工作流或单Agent在有限工具、有限数据和有限用户中稳定工作，再根据上下文隔离、专业分工或权限差异拆成多个Agent。管理者Agent与专业Agent的组合确有价值，但多Agent会增加通信错误、上下文丢失、成本、延迟和问责难度。多并不代表先进，能被评测和运营才代表成熟。

因此，2026年的技术行动重点可以浓缩为一句话：不要先建设一个无所不能的AI市场部，而要先建设一个能被验证、能被控制、能产生业务结果的AI营销闭环。

9.7 案例：智能体的价值来自端到端连接

埃森哲把企业级AI架构概括为连接数据、流程与智能体的“智能高速公路”。其客户Ecolab正在围绕从线索到回款的端到端流程重新设计销售运营：基础智能体处理标准任务，编排智能体协调跨系统步骤，更高层的超级智能体根据业务目标组织多个能力。³⁷³

公开案例没有给出已经实现的收入或成本结果，因此它更适合用于说明架构方向，而不是证明ROI。其关键变化是把AI从单个销售助手移动到完整经营链路：线索识别、账户研究、报价、订单、服务和回款不再由相互孤立的工具分别优化，而是共享业务状态、规则与异常处理。

这也解释了为什么企业不应过早追求一个“万能营销智能体”。先把客户、产品、价格、库存、合同和渠道状态连接起来，再为每一步设置明确目标、权限和回滚，价值才可能跨过部门边界。否则，智能体只是把原有信息断点和责任断点执行得更快。

AI进入营销组织后，最显眼的变化是内容生成更快，最深层的变化却是责任重新分配。过去，一个任务通常由人读取信息、作出判断、操作系统并检查结果；现在，AI可以承担其中一部分认知和执行工作。组织需要重新回答：谁定义目标，谁提供可信上下文，哪些动作可以自动完成，谁处理异常，谁对最终结果负责。

现有证据更支持“任务组合重组”，而不是“岗位按固定比例消失”。ILO的全球职业研究认为，生成式AI对大量职业存在不同程度暴露，但由于每个职业包含多类任务，转型与增强通常比整岗替代更可能先发生。²⁸² 对中国营销团队而言，这意味着内容、投放、CRM、销售支持和客户服务岗位都可能改变，但改变速度取决于流程标准化、数据基础、行业监管、客户体验和组织采用，而不是只取决于模型能力。

10.1 CMO从传播负责人走向增长系统负责人

在传统组织中，CMO主要管理品牌、传播、媒介和市场活动。AI把内容、流量、客户数据、销售跟进和服务反馈连接起来后，CMO需要对一个更完整的增长系统负责：从客户问题和品牌事实出发，组织内容与渠道，承接线索和关系，再用经营结果反向更新策略。

这并不意味着CMO要成为首席技术官，而是要拥有四种新的管理能力。第一，选择值得AI化的经营问题，而不是追逐工具；第二，把营销目标转成可度量的任务、流程和质量门槛；第三，与CIO/CDO、销售、客服、法务和安全共同决定数据、系统、权限和责任；第四，管理AI投资组合，知道哪些项目继续、扩大、暂停或停止。

2025年埃森哲中国企业调查显示，受访企业的生成式AI规模化比例与显著价值比例之间仍存在较大落差，领先企业更强调以AI为核心重构端到端流程。²⁸⁴ 这提示CMO：购买工具和鼓励员工使用，只能产生局部效率；当内容、媒介、客户和销售流程没有连接，AI很难形成可持续经营增量。

因此，CMO的AI议程应从“团队用了多少AI”转向四个问题：AI帮助完成了哪些客户与经营任务？合格结果占比是多少？人机总成本和风险是多少？这些能力是否已经沉淀为可重复的组织资产？

10.2 人类岗位不会消失，但任务组合会改变

营销工作可以拆成目标、上下文、生成、判断、执行和责任六类任务。AI最先接管的是高频、可数字化、反馈清楚的部分，如资料抽取、初稿、分类、变体、报告和固定系统操作。人更集中于目标取舍、品牌与文化判断、证据验证、跨部门协调、例外处理和责任承担。

这种重组会出现两种相反风险。一种是“自动化偏见”：员工因为系统给出答案而降低质疑；另一种是“影子AI”：员工为了效率绕开批准的工具和数据规则。解决办法不是禁止一切，也不是默认一切可用，而是让员工清楚知道可用场景、不可用数据、需要审批的动作和出现问题后的升级路径。

组织还需要重新设计绩效。如果仍以文案数量、活动数量或手工工时评价员工，团队会把AI用于制造更多产量；如果以合格线索、内容辅助转化、客户解决率、实验质量和风险事件评价，员工才会把AI用于提高结果。AI提高了产能之后，稀缺的不是“做得更多”，而是“选择做什么和判断什么值得发布”。

10.3 五类新职责进入AI营销组织

AI营销会催生新职责，但不一定全部对应新增岗位。小企业可以由少数人兼任，中型企业适合建立跨职能小队，大型企业则更适合“中央能力中心+业务嵌入团队”。关键是职责有人承担，且责任边界清楚。

AI营销产品负责人负责把经营问题转成用户、场景、流程、数据和评测。他不是工具采购员，也不只是Prompt专家，而要对一个AI营销能力从试点到运营的全生命周期负责。

工作流与智能体运营负责配置流程、工具、权限、版本、告警、人工接管和回滚。随着Agent进入生产，这个角色类似营销自动化运营与产品运营的结合体，关注的不是一次输出，而是每天能否稳定工作。

数据与知识负责人维护产品事实、品牌规范、案例证据和客户数据的来源、版本、权限与有效期。他要保证“AI能检索的知识”也是“组织有权使用、适合当前场景的知识”。

模型与工作流评测负责人建立真实任务样本、通过标准、故障分类和回归测试。其价值在于把审美争论和演示印象转化为可重复的质量判断，并在模型、知识或流程更新后及时发现退化。

AI治理负责人连接业务、法务、隐私、安全和采购，建立风险分级、供应商准入、审批模板、日志要求和事件响应。治理不应替业务承担全部责任，也不应只在最后否决项目；更有效的方式是在设计阶段提供可复用的护栏，让低风险创新更快、高风险动作更可控。

对中型以上企业，推荐以AI营销产品负责人牵引跨职能小队：业务域负责人拥有场景和结果，数据/IT提供连接与平台，治理团队提供独立挑战和底线，运营与评测保证持续运行。大型企业可由中央团队统一模型、连接器、评测、供应商和治理，事业部团队负责具体客户、知识和业务结果。这样既避免每个部门重复造轮子，也避免中央平台脱离业务。

10.4 培训重点不是Prompt，而是目标、判断、验证与流程设计

Prompt技能仍有价值，但它容易随产品界面和模型能力变化，也无法独立解决数据、流程和判断问题。营销团队的培训应从“如何写一句万能指令”升级为五级能力。

第一级是安全使用：知道哪些数据可以输入、如何选择批准工具、何时需要人工审批。第二级是任务表达：能够给出目标、受众、证据、约束和验收标准。第三级是验证：检查事实、引用、计算、品牌和偏差，识别模型何时只是在流畅地猜测。第四级是流程设计：把工作拆成输入、步骤、责任、异常和反馈，选择助手、自动化或Agent。第五级是产品与经营：用评测、实验、增量和总成本决定是否上线与扩展。

培训方式也应改变。单次课程很难形成能力，最有效的载体通常是真实任务：选取一项高频工作，建立基线，让员工与AI共同完成，记录失败样本，形成团队模板和检查表，再把经验写入工作流和知识库。每次模型或流程更新后，使用同一组任务回归测试。培训由此不再是一场“学工具”活动，而成为组织持续改进机制。

管理者还应允许员工报告AI失败。若团队只奖励成功案例，错误会被隐藏，治理也无法学习。把错误按事实、品牌、数据、权限、工具、流程和体验分类，既能改进系统，也能判断哪些任务暂时不应自动化。

10.5 员工信任、采用与激励是生产力变量

AI项目失败经常被解释为技术不够好，实际原因可能是员工不信任、不理解、不愿使用或担心被替代。IBM对全球营销与销售高管的调查显示，流程碎片、员工准备和治理护栏都是Agentic AI落地障碍；该调查不是中国专门样本，但提醒企业，组织准备不能被当作上线后的沟通工作。²⁹³

员工信任来自可预期，而不是宣传。团队需要知道AI为什么进入这项工作、怎样影响绩效、哪些判断仍由人负责、错误如何处理、数据和日志如何被使用。管理者如果一方面要求员工分享经验，另一方面又以节省人头为唯一叙事，员工会隐藏流程知识或绕开正式系统，AI所需的高质量上下文反而更难获得。

更有效的激励有三类。第一，奖励可复用资产，包括真实任务评测集、知识条目、工作流和故障复盘，而不只奖励个人“做得快”。第二，把采用与业务质量绑定，避免以登录次数、Prompt数或生成量作为主要KPI。第三，为员工设置升级和申诉渠道，当AI建议与专业判断冲突时，允许员工要求解释、覆盖或暂停。

中国“人工智能+”政策解读强调AI进入战略、组织结构和业务流程，同时要求因地制宜、循序推进。²⁹⁵ 这为企业提供了一个务实原则：不要把AI转型理解为一次性组织重组，而应把它当成持续的工作设计。先在高频、可测、可逆的任务中形成小闭环；当数据、员工、流程和治理同时准备好，再扩大自主性和业务范围。

最终，AI营销组织的优势不会来自“拥有最多AI账号”，而来自三种组织能力：能够把业务问题转成机器与人共同完成的任务；能够把经验沉淀为数据、知识、评测和工作流；能够在速度、质量、客户信任和责任之间作出稳定判断。技术改变了谁来执行，组织决定了价值是否发生。

10.6 人机协同要落实到团队设计

哈佛商学院对791名宝洁产品开发专业人员开展现场实验，参与者以个人或团队形式完成真实创新任务。研究发现，使用AI的个人可以达到与传统双人团队相近的表现，AI还帮助不同专业背景的人提出更完整的方案；高质量创意不再只集中在原有职能边界内。研究者因此把AI称为一种“赛博格队友”：它不仅提高个人产出，也可能改变协作方式。³⁷⁴

这项结果不等于企业可以取消团队。实验任务、参与者和评价环境均有特定边界，长期执行、组织承诺、客户关系与责任仍需要人。对营销组织更重要的启示是：当AI降低信息和表达壁垒时，岗位价值会从“掌握某项制作技能”转向提出好问题、整合多专业判断、选择方案并对结果负责。

BCG 2025年对11个地区、超过10,600名员工和管理者的调查提供了另一面证据：一线员工经常使用生成式AI的比例为51%；在感受到强有力领导支持的人群中，对AI持积极态度的比例从15%上升到55%，接受五小时以上培训并获得面对面辅导的人群也更常使用AI。相关性不能证明培训单独造成采用，但说明领导示范、学习时间和现场支持是组织变量，而非软性福利。³⁷⁵

菲利普·科特勒、赫尔玛万·卡塔加雅和伊万·塞蒂亚万在“营销5.0”框架中把技术定位为创造、传递和增强客户价值的手段，同时强调人仍是营销的中心。对企业的操作含义是：AI负责扩展感知、生成和执行，人负责目的、同理心、取舍与责任；组织设计必须同时明确两者，而不能只给员工一个工具账号。³⁷⁶

本章结论

中国企业AI营销的成熟度由三组条件共同决定：业务数字化程度、决策链复杂度和数据/治理基础。平台电商和互联网企业拥有高频行为与交易反馈，最容易形成推荐、竞价和Agent闭环；快消、美妆和餐饮首先在内容与互动上规模化；汽车、3C和耐用品更重视比较、线索和私域服务；B2B与专业服务依赖专家知识和思想领导力；金融、医疗等高监管行业必须以准确性、权限和人工复核为前提。

企业规模也不是成熟度的唯一决定因素。大型企业有数据、预算和专家资源，但系统复杂、部门壁垒和审批成本高；中小企业可借平台内置AI快速起步，却更依赖平台、缺少独立数据与测量能力。分层策略的目标不是给企业贴“先进/落后”标签，而是帮助其选择与经营条件匹配的用例和治理强度。

11.1 按企业规模分层：资源优势与组织摩擦并存

大型集团与行业龙头通常具备品牌资产、多渠道数据、专业团队和采购能力，适合建设企业知识、内容中台、客户数据与跨渠道实验。但它们往往有多个品牌、区域和系统，数据口径不一致，审批链长。其优先级不应是采购更多孤立工具，而应统一身份、指标、品牌规则和模型治理，再选择跨品牌复用的高价值工作流。平台披露中，腾讯、阿里、快手之所以能进入推荐、竞价和交易闭环，基础是高频数据与统一平台，不应把其结果直接移植到普通企业。^300301302

成长型中型企业通常有明确产品市场与数字渠道，但数据、内容和运营分散。最适合从两到三个可测量场景切入，例如内容供应链、销售线索分级、客服知识与复购运营。它们的优势是决策链较短，能够更快完成流程调整；风险是同时启动过多试点、缺少统一口径。建议以90天为周期，要求每个用例同时形成效率、质量、业务和风险指标，并保留人工基线或留出组。

小微企业和个体商家最现实的入口是电商、短视频、广告和办公平台内置AI。阿里2024双11披露AI工具服务400万商家，证明平台型能力已经具备广覆盖。³⁰³ 但“被服务”不等于持续使用或获得稳定增长。小微企业应优先用于商品整理、基础素材、翻译、客服草稿和投放建议，避免将账户、客户数据与品牌资产完全锁定在单一平台，并对夸大承诺、隐性收费和自动投放失控保持警惕。

11.2 按行业分层：六类AI营销重点

11.3 按经营模式分层：四种典型路径

第一类是平台依赖型规模经营者。其增长依赖平台流量与交易，优先采用平台AIGC、自动投放和数字人，价值实现快，但数据与归因受平台控制。策略重点是保留自有商品事实、利润口径和跨平台资产，避免把平台消耗增长等同于企业利润增长。

第二类是品牌驱动型消费企业。其竞争依赖差异化、内容和渠道协同，AI首先用于洞察、创意变体、社媒运营和会员关系。策略重点是建立品牌知识、真实证据和内容质量控制，防止产量增加稀释品牌。CTR调查中85.8%认可内容营销的差异化价值，而68%的中国消费者对营销内容无感或反感，正说明这一类企业必须从“更多内容”转向“更有价值内容”。³¹⁶³¹⁷

第三类是高考虑度线索经营者。汽车、家电、企业服务等需要解释复杂方案、筛选线索并跨销售团队推进。AI适合做比较内容、GEO、销售简报、线索分级和会后跟进；最终成交仍依赖专业人员与真实体验。此类企业应特别重视线索有效率、销售周期和毛利，而不是表面咨询量。

第四类是关系与服务驱动型企业。酒店、餐饮、零售会员、金融与客户成功团队更关注复购、留存和服务体验。AI可以编排下一最佳行动、提高响应效率并把反馈转化为产品洞察；前提是统一身份、授权数据、权益规则和人工兜底。衡量重点是LTV、留存、一次解决率、投诉与信任，而不是发送量。

11.4 分层推进路线：先选择适配场景，再升级组织能力

所有企业都可以采用“基础—协同—闭环”三阶段路线。基础阶段选择低风险高频任务，建立品牌规则、知识来源、数据权限、人工审查和基线指标；协同阶段把AI嵌入内容、媒介、销售或服务工作流，连接至少两个部门，并通过实验验证净增量；闭环阶段才允许智能体在受控权限内跨系统执行，实时监测业务结果和风险。

进入下一阶段应设置明确门槛。内容用例需要事实准确率、人工退回率和品牌一致性达标；投放用例需要留出组、利润和客户质量验证；CRM用例需要授权完整、退订和投诉受控；GEO用例需要跨模型重复测试、错误纠正和信源治理。没有达到门槛时，继续扩大自动化只会放大问题。

行业领先并不等于采用最多AI工具。真正的领先者能够说明每个用例解决什么经营问题、使用哪些数据、由谁负责、如何验证、何时转人工以及失败后如何恢复。中国企业AI营销的下一轮分化，将发生在这些看似基础、实际最难复制的组织能力上。

本章结论

中小民营企业不是AI浪潮的旁观者。中国大陆小企业调查显示，近半数受访企业在2025年投资AI，AI成为首位技术投资；超过三分之一把AI作为经营建议来源。与此同时，专精特新企业调查显示，不少企业数字投入有限、成熟度偏低，基础系统和数据连通程度不一。中小民企的典型状态不是“不采用”，而是“采用积极、投入分散、基础不均、回报要求更快”。

因此，中小民企不能照搬大型企业路径。更合适的做法是围绕真实经营瓶颈，用轻量工具快速验证，获得稳定收益后再增加集成深度；同时以最小必要治理守住客户数据、商业秘密、内容真实性和账号权限底线。需特别说明，现有公开调查多按员工数、营收或企业资质分组，并未单独识别民营所有制；本章用中小企业证据刻画共同经营约束，不把样本直接解释为全国民营企业总体。

关键判断

小企业AI投入已经相当普遍，但“投资”可能只是购买订阅，不能等同于深度部署或获得回报。

营收规模越高，AI采用总体越深；资金、人才、数据和试错能力仍决定采用上限。

内容、客户问答、销售支持和经营分析适合优先验证；复杂个性化和高自主智能体应等待数据与流程成熟。

对中小民企，治理应“少而硬”：规则无需复杂，但数据边界、发布复核、账号权限和供应商责任必须明确。

12.1 采用现实：近半数小企业样本报告已有AI投资

CPA Australia于2025年11—12月调查亚太11个市场4,166名小企业所有者或高级管理者，其中中国大陆751家，“小企业”定义为少于20名员工。大陆样本中，48.0%在2025年投资AI，AI位列技术投资首位；商业智能与数据分析为39.2%，ERP为34.2%。“投资”可能只是购买轻量订阅，不能理解为完成系统集成、拥有独立预算或已经获得回报。³²²

同一调查中，36.5%的大陆小企业使用AI获取经营建议，略低于商业伙伴或导师37.9%和商业顾问36.9%；7.3%没有寻求任何建议。该题允许多选，使用AI也不等于自动决策。结果说明，AI正在成为低成本的信息整理和方案比较工具，弥补小企业缺乏专职研究、分析和顾问资源的不足。

中国信通院报告给出的分组结果显示，年营收8亿元及以上企业AI采用率55.44%，年营收0—2亿元企业为47.13%，相差8.31个百分点。公开摘要没有披露样本量、抽样框、调查期和显著性检验，不能据此推断全国真实采用率，只能支持“采用与营收规模正相关”的方向。³²⁴

上述证据纠正了两种误解：中小企业并非没有预算或不会使用；轻量工具普及也不会自动消除大小企业能力差距。AI降低了能力门槛，却没有取消数据、流程和管理门槛。

12.2 数字基础：AI上限由最薄弱的环节决定

专精特新企业是中小企业中技术基础相对较强的群体，其数字投入仍明显分化。中国信通院研究显示，受访企业上一年度数字化投入中，约20%没有投入，40.1%不超过100万元，19.9%在100万—300万元，5.8%在300万—500万元，14.2%超过500万元。公开文本未给出该题完整有效样本数，且这是数字化总投入而非AI预算。³²⁸

约41%的专精特新样本处于数字化一级、17%处于二级、约41%处于三级，四级极少；制造业样本约39.1%达到三级，约四成低于二级。调查企业ERP应用率73.8%、OA为59.8%、MES为25.3%。比例存在四舍五入，数字成熟度和系统使用也不等同于AI成熟度或数据互通。

这意味着企业可能已经会生成内容，却没有统一产品资料、客户标识、素材库、销售反馈和经营指标。关键数据若仍分散在老板、销售、客服、平台后台和个人表格中，AI输出越快，错误传播也越快。中小企业应先整理会直接影响客户承诺和交易结果的最小数据集，而不是一开始建设庞大平台。

国家中小企业数字化转型公共服务平台已有超过24万家企业完成数字化水平自评；截至2024年底，科技和创新型中小企业超过60万家，专精特新“小巨人”1.46万家，专精特新中小企业超过14万家。这些是平台参与量和企业数量，不是AI采用量或全国覆盖率。³³⁰ 它提示公共服务应从企业分层诊断开始，而不是从统一产品推销开始。

12.3 场景选择：优先高频、耗时、可核验任务

资源有限时，企业可用四个条件选择场景：任务是否高频、人工是否耗时、结果是否易核验、错误是否可控。符合四项的任务更可能在短周期内证明价值。

第一类是产品资料整理、渠道文案初稿、短视频脚本和活动物料变体；第二类是常见问题整理、售前资料检索、跟进提醒和沟通纪要；第三类是平台数据汇总、异常识别、竞品公开信息整理和复盘初稿。三类场景分别对应内容、客户服务和经营分析，输入输出相对清晰，适合人工复核。

128位企业负责人便利样本中，已用场景以数据分析与决策57.03%、研发49.22%、客户服务46.09%居前；计划用途以产品或内容生成58.59%、客户洞察45.31%、内部自动化32.03%居前。样本小、行业与规模混合且为多选题，不能作为全国排名，但可验证内容、洞察和客服是高频方向。³³⁶

场景越接近客户承诺和资金决策，越要谨慎提高自动化程度。AI可以高比例参与初稿、分类和检索；价格、合同、售后承诺、正式发布和预算调整仍应由授权人员确认。目标不是“无人化”，而是把有限人力留在最需要责任和判断的位置。

12.4 投资逻辑：先证明、后集成，先稳定、后扩张

第一阶段可用成熟平台或嵌入式工具验证真实任务；第二阶段把稳定场景固化为模板、知识和标准步骤；第三阶段再考虑API、跨系统连接或专用智能体。每轮投入都应建立在可观察结果上。

小企业不必先建立复杂财务模型，但至少应记录人工时长、外包支出、交付周期、一次通过率、错误和退回、有效线索及成交贡献。内容产量上升但有效触达不变，不能称为价值；客服响应缩短但投诉增加，也不能算成功。

投资还需计算学习、复核、重复订阅、数据整理、接口维护、供应商切换和错误输出等隐藏成本。采购时应确认能否按月试用、导出内容和知识、进行权限分级、保留操作记录，以及终止服务后数据如何处理，而不是只比较单次生成价格。

12.5 最小必要治理：规则要少，但必须能执行

中小企业通常没有专职数据、法务和AI治理团队，照搬大型企业复杂制度容易导致制度悬空。更有效的是四条底线：客户个人信息、未公开价格、合同和商业秘密不得输入未经批准的公共工具；产品性能、价格、优惠等客户可见表述必须由授权人员复核；企业统一管理付费账号、权限和离职交接；采购前明确供应商是否留存数据、是否用于训练、能否导出及如何响应问题。

治理强度应与场景风险联动。内部头脑风暴可以采用较轻控制；公开内容、客户沟通和自动执行必须提高审批与留痕要求。员工需要知道“哪些可以做、哪些必须问、哪些绝不能做”，而不是只收到一句“谨慎使用AI”。

媒体便利样本中，65.63%的负责人表示企业已经设立、整合或计划建设AI相关组织；42.97%称AI进入三年以上战略，22.66%仍处于短期试验。“已设立、已整合或计划建设”混合现状与意向，不能理解为近三分之二已有成熟AI部门。³³⁹ 对中小民企而言，是否设部门不是首要问题，是否有人对场景结果和风险负责才是首要问题。

12.6 人才与生态：让业务骨干成为能力载体

中小企业难以通过大量招聘AI专家解决问题，也没有必要为每个场景设独立团队。更现实的做法是由最理解客户、产品和流程的业务骨干担任场景负责人，外部服务商提供工具和方法，企业负责人决定优先级与风险边界。培训也应使用真实产品资料、客户问题、优秀内容和错误案例，以返工、准确性和交付改善衡量成效，而不是以学会多少功能衡量。

中国信通院将中小企业AI应用概括为规模化初期：预期乐观但投资谨慎，应用集中于研发、生产、供应、销售和服务等环节的点状试点，并存在行业和城市差异。这是研究判断，不是全国量化比例。³⁴¹ 园区、商协会、龙头企业和平台可以通过行业知识、合规模板、标准工具、试用支持和案例验证降低单家企业试错成本，但公共服务不应只统计注册和签约，还应跟踪持续使用与经营效果。

相关政策提出，到2027年，规上工业中小企业关键工序数控化率达到75%，中小企业上云率超过40%。这是政策目标，不是2026年实际采用率。³⁴² 从“上云、数控”到“AI创造营销价值”，企业仍需完成数据整理、场景嵌入和结果测量。

12.7 管理含义：用分层目标释放短链决策优势

中小民企可按数字基础和经营复杂度设三类目标。“工具增效型”优先减少资料整理、初稿和重复问答时间，重点管理批准工具与敏感数据；“流程协同型”利用已有CRM、ERP或平台数据连接营销、销售与客服，重点管理知识更新和跨岗位责任；“增长重构型”在数据和持续投入较稳定后探索个性化、跨渠道运营和智能体，重点管理增量测量与系统风险。

三类不是企业的固定身份。同一企业可以在一个场景进入增长重构，在另一个场景仍处于工具增效。关键是让部署深度与数据条件、风险和回报匹配，避免追逐概念导致过度建设，也避免因为基础不完美而停止一切试验。

中小民企的真正优势是决策链短、客户距离近、反馈速度快。要把速度转化为收益，应坚持五项原则：每次只解决少数高价值问题；每个重点场景都有负责人；上线前留下基线；客户可见输出必须复核；没有稳定效果就不扩大集成。

衡量AI是否真正普惠，不应看中小企业注册了多少工具，而应看它能否以可承受成本获得过去难以负担的研究、内容、服务和运营能力，并把能力沉淀在企业知识、流程和数据中，而不是留在个人账号中。

12.8 案例：平台能力如何降低中小企业试验门槛

阿里巴巴披露，2025年“6·18”期间，图生视频工具累计生成超过150万条推广视频，自动投放产品服务约140万商家，面向商家的AI工具包累计服务约700万商家。这些数字说明，过去需要专业团队和软件完成的内容与投放能力，正在以平台服务的形式下沉。³⁷⁷

到2025年“双11”，平台披露AI生意管家自10月以来生成超过500万份经营报告，店小蜜处理约3亿次咨询；使用AI辅助客服的商家，转化率同比提高30%。这些均为平台公司披露，公开材料没有给出随机对照、商家构成和成本，不能把30%当作所有中小企业可复制的收益率。³⁷⁸

中小企业真正可以复制的不是具体百分比，而是“借平台完成低成本试验”的路径：选择一个高频任务，保留人工基线，在限定商品或客户范围内运行，观察质量、转化和投诉，再决定是否连接更多数据和流程。平台降低了试验门槛，却没有替企业完成产品事实、客户理解和经营判断。

边界与风险｜平台内工具通常最了解本平台的数据和交易规则，但结果未必可迁移到其他渠道。企业应同步沉淀可导出的商品知识、客户问题、优秀素材、评价规则和复盘结论，避免能力只存在于某个平台的账号和黑盒指标中。

13.1 AI营销必须回答“比不用AI多创造了什么”

AI营销最容易证明的是速度，最难证明的是增量。内容数量、节省工时、自动生成率、模型调用量和自动化步骤数都属于活动或效率指标。它们可以解释过程，但不能单独证明客户更愿意购买、品牌更被信任或企业获得更多利润。

真正的价值问题是反事实：如果没有这项AI能力，同样的预算、团队和时间会发生什么。企业需要比较上线前后、实验组与对照组、地区或渠道、不同创意版本，以及AI与人工流程的净差异。

13.2 五层价值树

经营结果。 增量收入、增量利润、获客成本、销售周期、留存、复购、客户终身价值和品牌资产。

客户结果。 有效触达、互动质量、线索质量、响应速度、转化、满意、投诉、退订和人工升级率。

流程结果。 周期、等待、返工、通过率、自动完成率、异常率、跨部门交接和知识复用。

质量结果。 事实准确、品牌一致、内容原创性、渠道适配、建议采纳率和人工修改率。

风险与成本。 软件、模型、数据、集成、运维、人工复核、培训、事件处置、错误发布和机会成本。

价值证明必须同时观察收益与护栏。例如，自动客服提高响应率但投诉和人工升级也上升，不能只报告前者；AIGC素材增加广告消耗但利润、退货与品牌质量下降，不能把消耗增长当作最终价值。

13.3 AI营销总成本

建议把AI营销总成本定义为：

软件与平台费 + 模型与算力 + 数据与内容资产 + 系统集成 + 运维与监控 + 人工复核 + 培训与变革 + 合规与事件成本

许多项目只计算软件订阅和Token，因此高估ROI。对中小企业而言，真正容易失控的往往是定制、接口、维护和负责人时间；对大型企业而言，则是跨系统集成、数据治理、供应商与模型风险。

13.4 四类可信评估方法

上线前基线。 在引入AI之前记录周期、成本、质量、业务和风险指标，避免上线后只能凭感觉评价。

随机或准实验。 对内容、渠道、地区、门店、客户或销售团队设置实验组与对照组。条件不足时，可采用分批上线、时间序列、差分或匹配方法。

黄金测试集。 用真实业务任务建立参考答案与评价标准，模型、知识、提示词或工作流变更后做回归测试。

利润和风险复核。 平台归因结果需要回到订单、毛利、退款、退货、投诉和客户长期价值，避免只在点击或GMV层面优化。

13.5 Go／Hold／Stop投资组合

Go： 质量达到门槛，业务指标改善，成本可接受，风险在护栏内，可以扩大样本和连接范围。

Hold： 有方向性价值但证据不足，或数据、流程、采用、集成仍有明显短板，需要限定范围继续验证。

Stop： 未改善关键指标，人工负担上升，风险不可接受，成本长期高于收益，或场景本身没有稳定业务价值。

企业应按月复盘场景，按季度复盘投资组合，而不是让低价值项目因为“已经投入”而永久存在。

13.6 把价值树变成经营仪表盘

罗伯特·卡普兰和大卫·诺顿提出平衡计分卡，核心不是增加一张指标表，而是让财务、客户、内部流程与学习成长形成因果链。AI营销的价值树也必须这样使用：节省工时属于流程层，内容准确率属于质量层，线索与留存属于客户层，利润和现金回收属于财务层；四层不能用一个“采用率”替代。³⁷⁹

案例｜一家全球食品企业围绕AI重构营销内容供应链，重点建设内容版本化、本地化与资产适配工作流。麦肯锡披露，项目初期活动成本下降约80%，内容生产周期缩短约90%，素材产出提高约15%—20%。企业名称、绝对成本和长期品牌结果未公开，这些数字属于咨询项目经验，不能直接作为采购回报承诺。³⁸⁰

这个案例显示，成本、周期与产量可以同时改善，但仍只是价值链的前半段。企业若要证明经营价值，还需继续追踪本地化素材的一次通过率、渠道表现、增量转化、品牌一致性和被淘汰素材占比。否则，80%的活动成本下降可能只是把成本移到知识整理、审核或系统维护，15%—20%的产量增长也可能没有产生新增需求。

每个重点场景都应有一页价值卡：写清价值假设、基线、目标、负责人、观察周期和停止条件，并列出效率、客户、经营与风险指标。管理层季度复盘只回答两件事：价值假设是否成立，释放的资源是否回到增长和客户。

14.1 中国企业AI营销的五类合规重点

个人信息与自动化决策。 收集、使用、共享和跨境处理客户与员工数据，需要合法基础、明确目的、最小必要、告知与权利响应。通过自动化决策开展信息推送和商业营销，应提供不针对个人特征的选项或便捷拒绝方式。³⁵⁶

生成内容标识。 对通过相关网络信息服务生成、传播的人工智能生成合成内容，2025年9月1日起施行的《人工智能生成合成内容标识办法》和GB 45438—2025确立了显式与隐式标识要求。企业应根据其在生成、提供、传播和分发链路中的具体角色落实义务，并为内部素材保留来源与编辑记录，而不是只在发布前临时加注。³⁵⁸

广告真实性与可识别性。 AI生成不改变广告主对真实性、合法性和可识别性的责任。³⁵⁹ 体验分享、测评、达人、数字人、专家形象和购买链接可能触发不同主体责任与行业要求。

版权、肖像、声音与商业秘密。 素材来源、训练或参考数据、生成结果、外部工具条款、真人形象与声音授权、客户资料和未公开产品信息，都需要资产台账和授权边界。

智能体行动与系统安全。 当AI可以调用CRM、广告账户、社媒账号、企业微信、邮件、日历和数据库时，治理对象从内容变为身份、权限、参数、副作用和业务状态。³⁶¹

14.2 2023—2026政策时间线

政策演进显示出三个方向：从模型服务走向内容全链路，从原则治理走向技术标准与审计，从生成式AI走向智能体的规范应用。企业不应把合规理解为一次性审批，而应建立持续更新的义务清单和用例台账。

14.3 智能体的七个控制点

身份： 每个智能体、用户、服务账号和系统凭证均可识别；

权限： 最小权限、白名单、短期凭证和环境隔离；

数据： 数据分类、目的限制、字段最小化、脱敏和保留期限；

策略： 品牌规则、内容禁区、预算、频率、客户承诺和行业限制；

审批： 外部发布、预算调整、客户承诺、批量触达和敏感数据动作设置具名审批；

日志： 记录模型、提示词、检索来源、工具参数、执行结果、人工决定和最终业务结果；

停止与恢复： 超时、异常、预算上限、Kill Switch、回滚、降级和事件响应。

14.4 风险分级

以下R0—R4为本报告提出的企业管理分级，不是法律规定的风险等级。它用于把动作自主性、影响对象、可逆性和潜在损失映射到相应控制。

风险高低不是由“是否用了AI”决定，而由影响对象、数据敏感性、公开程度、动作自主性、可逆性和潜在损失共同决定。

合规提示｜ 本章用于建立企业管理框架，不构成法律意见。医疗、药品、保健食品、金融、教育、房地产、招商加盟等行业，应结合内容、渠道、产品和业务流程由专业人员确认。

14.5 失败案例：AI承诺最终仍由企业负责

2024年加拿大不列颠哥伦比亚省民事解决法庭审理Moffatt诉加拿大航空案。旅客在亲属去世后查询丧亲票价，加航网站聊天机器人告知可以先购买普通票、旅行后90天内申请差价；但加航正式政策不接受旅行后的追溯申请。旅客依此购票并被拒绝退款，最终提起争议。³⁸¹

法庭认定，加航没有尽到合理注意义务，需为其网站聊天机器人提供的不准确信息负责，并裁定支付650.88加元损害赔偿、36.14加元判前利息和125加元法庭费用，合计812.02加元。损失金额不大，但该案把一个关键治理原则具体化：企业不能把面向客户的AI界面视为独立于企业责任的主体。

从控制角度看，问题不只是一条回答“幻觉”，而是知识版本、页面一致性、客户承诺和纠错路径同时失效。机器人甚至链接到与其回答矛盾的正式政策页面，却没有识别冲突并升级人工。企业需要对价格、退款、合同、资格和售后等高风险知识设置唯一事实源、版本日期、冲突检测和强制人工接管。

管理含义｜风险不应只按模型类型分级，而应按业务后果分级。同一个模型用于内部草拟属于低风险，用于对外承诺则进入更高风险。测试集也不能只考语言流畅度，必须覆盖过期政策、互相冲突的页面、边界条件、拒绝回答和人工升级。

15.1 趋势判断的边界

以下判断基于截至2026年7月的政策、调查、技术和平台经营信号。它们用于帮助企业做情景规划，不代表确定结果。企业应为“快速普及”“理性回调”和“治理收紧”三种情景保留选择权。

15.2 十个趋势

1. 竞争从“有没有AI”转向“AI值不值”。 大多数企业已有工具，管理层将提高对增量、利润、质量和风险证据的要求。没有基线和对照的项目更容易被停止。

2. 自动投放成为更多平台的默认运行层。 人工操作将更多转向目标、创意策略、预算边界、异常处理和跨平台组合，手动调参的重要性下降。

3. GEO从试点预算转向信息资产治理。 企业将从追逐单次回答，转向产品事实、结构化数据、权威引用、口碑信号、问题集和跨模型监测。

4. 数字人直播走向长尾、专业与服务型场景。 单纯追求“像真人”会降温，24小时讲解、标准问答、多语言、门店和售后服务等稳定场景会增长。

5. 多模态内容继续商品化，品牌证据更稀缺。 生成图、视频、音频和虚拟场景的边际成本继续下降；真实体验、一手数据、专家与客户证据、独特IP和审美判断更重要。

6. 智能体进入跨系统行动，但高风险动作仍由人批准。 CRM更新、任务创建、报告、素材适配等可在护栏内自动化；公开承诺、预算、敏感客户和重大品牌动作保留人工责任。

7. 第一方数据、企业知识与权限成为营销基础设施。 企业会把客户身份、同意、事件、产品、价格、库存、素材、案例和规则从分散文件升级为可治理上下文。

8. CMO与CIO／CDO共同拥有AI营销运行系统。 市场负责价值、场景与客户体验，技术负责数据、集成、可靠性和安全；任何一方单独主导都容易失衡。

9. 治理从发布前审核延伸至全过程可观测。 企业会要求追踪AI使用了什么来源、调用什么工具、谁批准、产生什么业务结果，并对模型和工作流版本做持续评测。

10. 中小企业从单点订阅转向“诊断＋试点＋持续运营”。 轻量工具仍然存在，但越来越多企业会为场景选择、流程搭建、集成、培训、评测和持续优化购买服务。

15.3 三种情景

15.4 趋势背后的四个先行信号

信号一：预算开始从“买工具”转向“重构工作”。麦肯锡的调查同时出现90%的CMO试验率、低于10%的规模价值率和28%的工作流重构率，说明下一轮竞争不再是覆盖人数，而是能否把洞察、创意、个性化、交易和编排连成系统。

信号二：客户入口正在机器化。AI搜索开始承担比较、筛选与建议，金融服务案例显示结构化知识和机器可读事实可以在九个月内显著改变自然流量；这使产品事实、评价、专家证据和售后规则从内容素材升级为交易基础设施。

信号三：组织优势取决于边界管理。758名咨询顾问实验和791名宝洁专业人员实验都没有给出“AI全面替代人”的结论，它们共同显示：当任务处在适合的能力边界、目标清楚且人保留判断时，速度、质量和跨专业协作可以同时改善。

信号四：责任会沿客户界面回到企业。Dove主动划定品牌边界，加拿大航空则因聊天机器人错误承诺承担责任；两者一正一反地说明，治理将从合规文本变成品牌和经营能力。2027年的领先企业不会追求最大自主性，而会追求在明确边界内更高的任务成功率。

16.1 CEO与创始人：把AI营销变成经营议题

选择一个明确经营问题，而不是提出“全面使用AI”；

任命最终业务负责人，明确预算、风险偏好和Go／Hold／Stop机制；

要求项目同时报告经营、客户、流程、质量、成本和风险；

保护组织学习时间，避免用短期裁员目标替代流程重构；

按季度复盘AI营销场景组合。

16.2 CMO与增长负责人：从工具清单转向流程组合

盘点营销任务、等待、返工、数据断点和责任断点；

选择高频、可测、可逆、上下文可获得的首批场景；

建立品牌、产品、客户、案例、渠道和合规知识包；

重新定义人机分工、审批、异常与升级到人工的机制；

把节省出的时间转向客户洞察、创意判断、关系和实验。

16.3 CIO／CDO与AI负责人：建设可替换、可治理的底座

统一身份、权限、凭证、工具调用和模型网关；

区分知识、记忆和实时业务状态；

建立模型、提示词、知识、工作流、Skill和连接器版本；

建立端到端日志、成本、质量、延迟、错误和业务结果监控；

避免把关键业务逻辑锁定在单一模型或不可迁移平台。

16.4 法务、合规与风控：从审核人变成共同设计者

建立AI营销用例台账与风险分级；

把个人信息、广告、版权、标识和行业要求转化为流程控制；

为公开内容、个性化营销、数字人和工具调用设计标准模板；

定期审查供应商、模型、数据与跨境路径；

建立事件分级、停机、回滚、证据保存和复盘机制。

16.5 团队：把真实工作变成评价集和可复用能力

记录人工修改、否决和错误，而不是只展示成功样例；

用20—50条真实任务建立第一版黄金测试集；

把有效提示词、知识、SOP、工具和复盘沉淀为团队资产；

学会核验来源、识别不确定性、管理客户承诺；

对重复劳动提出自动化建议，对高风险动作保留判断。

16.6 30／90／365天路线

前30天：完成诊断。 盘点工具、账号、数据、流程与风险；选择1—2条优先闭环；记录上线前基线；建立最低使用规则和知识包。

31—90天：完成价值验证。 影子运行与小流量上线；建立评价集、审批、日志、成本和对照；每两周复盘错误与人工修改；第90天做Go／Hold／Stop决定。

91—365天：完成组织化复制。 将成功场景连接上下游系统；沉淀共享Skill和工作流；建立角色、服务目录、培训与治理机制；按季度扩展一个闭环，而不是同时铺开所有场景。

最终判断｜ 中国企业AI营销的下一阶段，不是把更多任务交给AI，而是把更多正确任务，以正确上下文、正确权限、正确责任和可验证价值交给人机系统共同完成。

16.7 把路线图变成管理节奏

行动清单只有在进入经营节奏后才会产生变化。CEO负责确定少数业务问题和资源再配置原则；CMO负责端到端结果与客户体验；CIO／CDO负责数据、集成和可靠性；法务与风控负责把义务转化为可执行控制；一线团队负责记录错误、人工修改和客户反馈。五方缺一，路线图都会退化为孤立工具试验。

30天的交付物不是“完成培训”，而是一张真实场景组合图：每个场景有基线、责任人、知识来源、风险等级和停止条件。90天的交付物不是“上线智能体”，而是一组有对照的价值证据：哪些任务稳定、哪些任务仍需要人、哪些收益可以兑现、哪些成本被低估。365天的交付物则是可复用的组织能力，包括共享知识、评价集、工作流、角色和季度投资机制。

管理层还需要决定如何使用节省出的资源。若AI把某项任务时间缩短20%，但团队目标、预算和岗位安排不变，这20%往往只会被新的低价值任务填满。可以预先约定：释放工时优先投入客户访谈、创意探索、销售协同、实验和知识维护；释放预算优先投入高潜场景，而不是平均摊回所有项目。

最终判断｜AI营销不是一次技术上线，而是一套持续做出更好客户决策的经营制度。真正值得复制的不是某个提示词、机器人或爆款，而是企业能够反复完成“发现问题—形成证据—设计人机流程—验证价值—控制风险—沉淀能力”的闭环。

每项按0—4分评分：0＝没有；1＝个人或零散试用；2＝团队已有规范；3＝跨流程运行；4＝持续测量与优化。本自评用于企业内部诊断，不代表全国指数，也不建议只计算总分而忽略治理、数据和价值门槛。

解释建议： 0—16分为零散试用；17—31分为受控辅助；32—47分为标准工作流；48—57分为跨流程协同；58分以上具备适应性运营基础。上述分段仅用于企业内部讨论，不用于跨企业排名；任一高风险维度的低分不能被总分抵消。若数据与知识、价值与测量、治理与信任三类维度中任一题评分低于2分，建议暂不进入高自主行动阶段。

AI营销： 将大模型、机器学习、智能体、自动化与企业数据应用于洞察、内容、媒介、交易、客户经营和复盘的经营实践。

AI市场部： 以经营目标为导向，由人类组织、AI智能体、工作流、企业上下文、业务工具与治理机制共同运行的营销行动系统。

生成式AI： 能够生成文本、图像、音频、视频、代码或其他内容的模型与应用。

AI智能体（Agent）： 能理解目标、规划步骤、调用工具、观察结果并继续行动的AI系统。

自动投放： 依据目标、预算、素材、受众和反馈自动执行广告创建、出价、分配或优化的系统；不等同于所有内容由生成式AI制作。

GEO： Generative Engine Optimization，面向生成式AI和答案引擎的品牌信息、内容与信源优化。本报告更强调信息健康、结构化事实、权威来源和跨模型监测。

第一方数据： 企业在与客户直接互动过程中依法获得并管理的数据，包括身份、交易、服务、会员和行为事件。

零方数据： 客户主动、明确提供的偏好、意图或需求信息。

RAG： 检索增强生成，在模型回答或生成前检索企业知识，以提高相关性和依据性。

Human in the Loop： 人类在目标、数据与工具授权、关键决策、外部行动或正式发布节点参与批准、修改或终止。

黄金测试集： 来自真实业务任务、具备参考答案或评价标准、用于准入和回归测试的样本集合。

增量： 与没有AI或没有该营销行动的反事实相比，产生的净变化，而非上线后的全部结果。

竹势 AI 营销智库聚焦 AI 市场部与 AI 营销，面向企业创始人、CEO、CMO及市场增长团队，构建“6+1”知识架构。六大核心模块组成“道、法、术、器、技、例”六脉体系：“道”负责认知刷新，研究 AI 时代的营销本质与战略判断；“法”关注体系建设，沉淀可持续、可复制的方法论；“术”提供落地路径，把策略转化为具体行动；“器”评测工具与平台，帮助企业选择合适的能力组合；“技”分享可以立即应用的实战技巧；“例”通过标杆案例验证方法与成效。“+1”专题围绕 AI 营销的重要趋势与关键经营问题，推出系统、深入、可下载的专题白皮书。

竹势智库通过专业研究、实践经验与管理框架连接认知、决策和执行，帮助企业看清方向、减少试错，逐步建设能够创造真实经营价值的 AI 市场部。

V1.1新增案例与思想来源