AI市场部白皮书：定义、架构、组织与实施

过去几年，企业对AI营销的理解经历了三次明显变化。

第一次，是把AI当作内容工具。员工用它写文案、改标题、做海报、生成视频，结果是生产速度显著提升，但也出现内容同质化、事实错误、品牌声音失真和“产出更多、线索没有变多”的新问题。

第二次，是把AI当作自动化工具。企业开始用工作流连接选题、内容、发布、数据拉取和周报，部分重复任务被机器接管。然而，当流程跨越多个部门、多个系统、多个账号和多个审批节点时，单点自动化很容易变成新的技术孤岛。

第三次正在发生：AI开始具备理解目标、拆解任务、调用工具、推进流程和根据反馈调整行动的能力。中国信息通信研究院将这一变化概括为AI从“能思考”向“能实干”转变，并指出AI正从工具走向伙伴、从单点走向系统。¹ 国务院《关于深入实施“人工智能+”行动的意见》进一步提出，鼓励企业把AI融入战略规划、组织架构和业务流程。²

这意味着企业面对的已不再只是“选哪个模型”“买哪个工具”的问题，而是一个新的组织设计问题：

哪些营销任务应该交给AI，哪些必须由人判断？

AI如何获得正确的品牌、产品、客户和业务上下文？

多个智能体和工作流如何围绕同一经营目标协同？

AI可以调用哪些工具、操作哪些账号、改变哪些业务状态？

谁对AI输出、客户承诺、广告预算和公开发布承担最终责任？

如何证明AI真正改善了增长、效率、质量或风险，而不是制造了更多内容与数据？

本白皮书尝试回答这些问题，并给出一套可以被企业讨论、诊断、试点和持续演进的“AI市场部”参考框架。

十个核心结论

一、AI市场部是一套经营系统，而不是工具集合。 其最小构成不是“一个大模型+若干提示词”，而是“业务目标—人类责任—AI角色—流程—知识与数据—工具连接—治理与评测”的完整闭环。

二、营销是最早出现AI采用和收入价值信号的企业职能之一，但采用不等于规模化，更不等于经营价值。 McKinsey 2025年全球调查中，88%的受访者表示所在组织至少在一个职能中经常使用AI，但只有约三分之一进入企业级规模化；AI带来的收入增长最常见于营销与销售等职能。³

三、真正拉开差距的不是模型能力，而是工作流、数据、组织、衡量和治理。 埃森哲对中国大型企业的研究显示，46%的受访企业正在规模化应用生成式AI，21%具备较快规模化能力，只有9%实现显著价值。⁴

四、AI市场部的改造对象是任务、流程、决策权和知识，而不是简单裁撤岗位。 人类应保留目标、判断、关系、创造、价值取舍和最终问责；AI更适合承担检索、归纳、草拟、适配、执行、监测和分析等经验证的任务。

五、内容产能不是最终价值。 CMI 2026年企业内容研究中，84%的受访者认为AI改善了生产率，76%认为改善了运营效率，但认为内容表现改善的只有38%。⁵ AI市场部必须从“做了多少”升级到“质量如何、客户是否行动、是否产生线索与收入”。

六、AI智能体不是所有问题的答案。 简单检索用助手，确定性任务用自动化，需要规划、判断和工具调用的复杂任务才适合智能体。自主性越高、影响越大、越难回滚，人工控制就越强。

七、AI可以承担执行责任，但不能承担最终问责。 每一条端到端营销流程都必须有明确的人类负责人；公开发布、重大预算、价格承诺、敏感客户触达和危机回应必须设置人工审批或双人复核。

八、治理不是上线后的补丁，而是架构原生能力。 权限、审批、日志、数据分类、内容标识、供应商管理、事件响应、回滚和停机机制，应与智能体、工作流和业务连接器一起设计。

九、最有效的起点不是建设完整平台，而是验证一个高频、可测量、可逆的业务闭环。 先用14天验证可行性，30天让闭环重复运行，90天连接相邻流程和系统，再用一年把试点升级为组织能力。

十、AI市场部的长期优势来自企业专有上下文与持续学习。 公共模型能力会快速普及，真正难复制的是企业对客户、产品、行业、品牌、流程和经营结果的知识，以及把这些知识转化为行动并持续优化的能力。

中国企业生成式AI价值兑现漏斗

图1 中国企业生成式AI价值兑现漏斗。来源：埃森哲《2025中国企业数字化转型指数》；样本为七个行业、2023年营收超过1亿美元的163家中国大型企业，不代表全部中国企业。

本白皮书给出的五项核心成果

一套可用于品类沟通和企业共识的AI市场部定义与边界；

一套覆盖业务、组织、智能体、模型、工具、数据和基础设施的“七层两纵”参考架构；

一套人机协同组织、AI自主程度、风险分级与RACI框架；

一套涵盖战略、流程、组织、数据、技术、治理和衡量的五阶段成熟度模型；

一套从场景筛选到14／30／90／365天落地的实施方法。

1.1 四股力量同时汇合

AI市场部并非由某一款模型或某一个热点直接催生，而是四股力量同时汇合的结果。

第一，模型能力从生成走向推理与执行。 大模型不再只负责回答问题，而是逐步具备理解复杂目标、规划多步任务、调用工具和根据环境反馈继续行动的能力。McKinsey把AI智能体描述为能够规划并执行工作流中多个步骤的系统；2025年全球调查中，23%的受访者表示所在组织已在至少一个职能中规模化某种Agentic AI系统，另有39%处于试验阶段。⁶

第二，企业使用率快速提升，但价值鸿沟日益明显。 当AI工具进入每一位员工，组织很快发现：个人效率提高，不会自动带来流程效率；流程效率提高，也不会自动带来收入、利润和客户价值。高绩效企业更常见的做法，是重设工作流、由高层持续推动、明确人工验证规则，并把AI嵌入业务过程和KPI。⁷

第三，CMO的责任正在经营化。 IBM对1,800名全球营销和销售高管的研究显示，64%的CMO对盈利负责，58%对收入增长负责；但只有23%认为员工已准备好应对AI智能体带来的文化与运营变化，只有17%认为所在职能已准备好把智能体整合进流程。⁸ 这要求市场部不再把AI仅作为创意生产工具，而要把它纳入经营系统。

第四，中国企业AI应用进入政策与治理并行阶段。 “人工智能+”行动把战略、组织和流程列为企业AI融合对象；生成式AI服务、个人信息、互联网广告和生成合成内容标识等制度，又对数据、发布、透明度和责任提出明确要求。企业需要的是既能行动、又能被管理的AI组织能力。

1.2 “工具多、流程散、内容多、线索少”成为新常态

多数企业的AI营销起点都是员工自发使用：内容人员使用写作模型，设计人员使用生图工具，视频人员使用生成与剪辑工具，运营人员使用表格和自动化工具，销售人员用AI准备话术。每一个点都可能更快，但组织层面通常出现五种断裂：

目标断裂： 每个人优化自己的任务，却没有共同经营目标和优先级；

上下文断裂： 品牌、产品、客户和案例资料散落在个人电脑、群聊、网盘与旧文档中；

流程断裂： 研究、内容、发布、线索、销售和复盘之间依靠人工转发；

数据断裂： 内容平台、广告平台、CRM、企业微信与经营数据互不连接；

责任断裂： AI生成错误、内容违规或自动化误操作发生时，不清楚谁审批、谁停止、谁承担责任。

因此，企业缺少的往往不是更多AI工具，而是一套把工具、人员、知识与流程收束到同一经营闭环中的运行机制。

AI内容营销效率与效果差异

图2 AI对企业内容营销的影响：效率改善明显快于内容表现改善。来源：Content Marketing Institute，2026年企业内容营销研究。数据为受访者自评。

1.3 AI市场部的机会与警告

AI市场部最大的机会，是让原本受制于人手、时间和组织边界的营销动作，变成可以持续运行、快速试验和不断复盘的系统。它可以让小团队获得更大的覆盖面，让成熟企业减少跨部门等待，让品牌把专有知识沉淀为可复用能力。

最大的警告则是：当AI从“建议”走向“行动”，错误也会被放大。错误内容可以批量生成，错误动作可以自动执行，错误数据可以被写回知识库，错误判断可以在多个智能体之间传递。McKinsey的调查中，51%的AI使用组织报告至少出现过一次负面后果，近三分之一提及AI不准确带来的后果。⁹

判断｜ 企业级AI营销的分水岭，不是模型会不会写，而是组织是否能够让AI在正确目标、正确上下文、正确权限和正确责任机制下行动。

2.1 本白皮书的定义

AI市场部是由人类营销团队承担最终责任，以企业战略和客户价值为目标，以品牌、产品、客户、内容与经营数据为上下文，以大模型、智能体、工作流和业务工具为执行能力，并通过人机协同、治理、安全、评测与持续运营机制，打通洞察、策略、创作、发布、获客、销售协同和经营复盘的企业级营销行动系统。

这一定义包含六个缺一不可的构件。

AI市场部六个必要构件

图3 AI市场部的六个必要构件。本白皮书提出。

2.2 六个本质属性

目标驱动。 AI市场部从经营目标出发，而不是从“能用AI做什么”出发。每一条工作流都应能解释它服务的客户、业务问题、阶段目标和价值指标。

上下文驱动。 通用模型掌握公共知识，但不了解企业当下的产品版本、目标客户、渠道状态、价格政策、品牌边界和业务进度。AI市场部必须让模型在受控权限下获得正确上下文。

行动驱动。 AI不只生成建议，还能在工作流中调用经过授权的工具，完成资料检索、任务创建、内容适配、数据查询、CRM建议、监测与报告等动作。

人机协同。 AI承担适配且经验证的任务，人类保留目标设定、价值判断、关系沟通、创意取舍、风险决策和最终问责。

企业治理。 每一次模型调用、知识检索、工具执行、人工批准和对外发布，都应受到身份、权限、策略、日志和风险控制。

持续学习。 业务结果、人工修改、错误分类和客户反馈进入复盘，推动提示词、知识、工作流、模型选择与组织SOP持续更新。

2.3 AI市场部不是什么

2.4 从个人助手到适应性运营

AI市场部通常不是一步建成，而是经历五个阶段：

分散试用： 员工自行选择工具，形成个人效率，但难以复用和审计；

受控辅助： 企业批准工具、建立最低规则，AI主要用于检索、草拟和创意；

标准工作流： 关键任务形成SOP、知识库、审批、评价集和可复用流程；

跨系统协同： 内容、渠道、CRM和分析系统连接，AI参与端到端任务；

适应性运营： 低风险场景在护栏内持续运行，根据数据与反馈进行实验和优化。

自动化程度并不是唯一尺度。一个可以自动发布却无法解释来源、无法回滚、无法归因的系统，成熟度低于一个自主程度较低但目标、数据、责任和评测都清晰的系统。

2.5 “最小AI市场部闭环”

企业无需一开始建设所有能力。一个最小可行AI市场部闭环，应至少包含：

一个明确、可衡量的业务目标；

一名对结果最终负责的人类流程负责人；

一条可以描述输入、步骤、输出和异常的营销流程；

一组合法、可用、有权限和有时效的企业知识或数据；

一个或多个承担检索、草拟、执行或分析任务的AI组件；

明确的人工审批、升级、停止和回滚机制；

一组质量、效率、业务、成本和风险指标；

一次把结果转化为改进动作的复盘。

AI市场部闭环

图4 AI市场部的“感知—行动—学习”闭环。本白皮书提出。

2.6 战略活动系统：AI市场部必须回答做什么与不做什么

迈克尔·波特区分运营效率与战略定位：把同一件事做得更快、更便宜，可以改善成本，却不会自动形成独特价值。放到AI市场部中，批量生成、自动摘要和渠道改写属于运营效率；选择服务何种客户、围绕何种价值主张组织洞察、内容、渠道、销售与服务，才属于战略。企业如果把所有同行都能采购的模型当作差异化来源，最终只会更快地趋同。¹⁰

彼得·德鲁克把企业目的归结为创造客户。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，是否获得更及时的回应，是否更愿意购买、复购或推荐。节省工时只有被重新投入客户洞察、创意判断、关系经营或增长实验，才会从效率转化为价值。¹¹

案例｜可口可乐在2023年推出Create Real Magic平台，向创作者开放经过选择的品牌档案资产，并把GPT-4与DALL-E用于创意试验；入选作品有机会进入纽约时代广场和伦敦皮卡迪利广场的数字广告牌。其经营逻辑不是让模型自由改写品牌，而是先限定品牌资产、参与范围和展示机制，再把AI用于扩大共创与学习速度。¹²

这项公开资料没有披露增量销量或投资回报，不能把创作者参与直接等同于增长。但它说明了一个可复制的组织动作：AI试验需要建立在清晰品牌平台之上。企业应先定义核心资产、不可改变的识别元素、允许探索的表达空间和最终编辑权，再决定生成工具与工作流。

管理含义｜在立项书中同时写明三件事：AI要改善的客户选择、需要重构的活动组合，以及明确不自动化的判断与承诺。没有取舍的AI战略，只是一份更长的工具清单。

3.1 从降本增效升级为经营价值

企业启动AI项目最常见的理由是提高效率，但效率只是价值链的起点。AI市场部的价值可分为六类：

增长价值。 提高有效触达、线索质量、转化率、复购和客户生命周期价值；缩短从市场信号到行动的时间。

效率价值。 缩短研究、创作、审批、发布、数据整理和报告周期；减少重复劳动、等待和返工。

质量价值。 提高事实准确、品牌一致、渠道适配、内容采用、客户响应和决策质量。

敏捷价值。 让企业更快发现变化、形成假设、生成方案、执行小规模实验并复盘。

资产价值。 把个人经验、客户问题、案例、话术、创意和复盘沉淀为企业可复用知识与工作流。

治理价值。 通过统一权限、审批、日志、标识和评测，减少影子AI、数据泄漏、违规发布和不可追溯风险。

3.2 价值不是“自动产生”的

从工具使用到经营价值之间，至少需要经过五个转换：

模型能力转化为任务能力： 模型必须在真实任务上达到可接受质量；

任务能力转化为流程能力： AI输出必须进入SOP、审批和上下游系统；

流程能力转化为组织采用： 员工愿意使用，责任、培训和绩效同步调整；

组织采用转化为业务结果： 速度与质量改善必须影响客户行为、成本或收入；

业务结果转化为可复制能力： 通过评测、版本和复盘把偶然成功变成稳定机制。

任何一环断裂，企业都可能出现“工具使用率很高、业务结果没有变化”。

3.3 一条可检验的价值因果链

AI市场部的价值证明应从因果链开始：

投入（模型、工具、数据、人员、集成） → 能力（研究、生成、执行、分析） → 流程变化（更快、更准、更少返工） → 客户/渠道行为（触达、互动、线索、购买） → 经营结果（收入、贡献毛利、CAC、留存、品牌资产）

如果企业只能说明“生成了多少内容”“调用了多少次模型”，说明价值链停留在能力或产出层，还没有完成经营闭环。

3.4 企业专有上下文将成为核心壁垒

公共模型能力会持续进步并趋于普及。长期差异将更多来自企业独有的六类上下文：

品牌上下文： 定位、价值观、声音、视觉、禁区与证明材料；

产品上下文： 功能、版本、价格、适用边界、竞争差异和常见问题；

客户上下文： 画像、旅程、需求、异议、行为与关系状态；

市场上下文： 行业、政策、竞品、渠道、舆情与趋势信号；

业务上下文： 当前目标、Campaign、预算、任务、库存、线索与销售进度；

组织上下文： 岗位、权限、审批、SOP、风险偏好和绩效标准。

AI市场部不是把这些资料一次性导入知识库，而是建立持续更新、权限继承、来源可查、版本可识别的“企业营销上下文系统”。

3.5 从客户待办任务反推AI价值

克莱顿·克里斯坦森等人提出的“待办任务”思想强调，客户不是因为属于某个静态标签而购买，而是在具体情境中“雇用”产品推进一项任务。对AI市场部而言，真正值得优化的不是“多生成一篇内容”，而是客户从提出问题、比较方案、消除疑虑到采取行动的过程。系统只有识别客户当前要完成的任务和阻力，才能决定应提供证据、工具、内容还是人工帮助。¹³

案例｜美国二手车零售商CarMax积累了大量真实车主评价，但让编辑为约5,000种车型与年款逐页生成摘要，按原有人工流程估计需要约11年。CarMax使用Azure OpenAI将约10万条客户评价归纳为页面摘要，在数月内完成首批目标；公司披露，经过微调后约80%的初稿通过编辑审核。每份公开内容仍由员工检查语境与品牌声音。¹⁴

机制｜CarMax没有从“模型会写什么”出发，而是从客户购车研究中的信息负担出发：真实评价是输入，车型页是稳定触点，摘要是降低选择成本的中间产品，人工编辑承担公开发布责任。AI把原本无法以人工覆盖的长尾知识转化为客户可用的决策资产，同时释放编辑去做深度研究和长篇内容。

边界｜数据来自微软客户案例，缺少独立对照和完整成本口径；80%编辑通过率也不等于事实零错误。企业可以借鉴的是任务设计与审核机制，而不是把“11年压缩到数月”当作任何内容项目都能复制的回报承诺。

管理含义｜为每个候选场景画一条客户任务链：客户要推进什么、在哪一步受阻、企业掌握何种可信事实、AI改变哪个摩擦、最终由什么行为与经营指标验证。无法画出这条链的场景，不应因为演示效果好而优先投资。

4.1 架构设计原则

本白皮书提出“七层两纵”参考架构，用于帮助企业讨论AI市场部需要哪些能力、各类能力如何分层、哪些控制必须贯穿全生命周期。它不是某一厂商的产品清单，也不要求企业一次性建设全部组件。

七层架构遵循六条原则：

业务目标在上，技术能力在下。 技术选型必须能够追溯到场景和价值；

业务应用不绕过编排与权限机制直接调用模型。 防止数据、提示词和工具使用失控；

智能体不直接持有底层系统的永久高权限。 外部写操作统一经过可信工具网关和短期凭证；

企业知识有来源、版本、权限与失效机制。 进入向量库不意味着失去原有访问控制；

自主性与风险匹配。 越高影响、越难回滚的动作，越需要人工审批和更强控制；

全链路可观察。 模型、知识、工具、人工审批、输出版本、成本与业务结果可以关联追踪。

AI市场部七层两纵参考架构

图5 AI市场部“七层两纵”参考架构。本白皮书提出。该架构参考了中国信通院企业级智能体、AI CRM研究以及NIST AI风险管理框架的分层与治理思想。¹⁵¹⁶

4.2 L7：营销场景与体验层

这一层直接面向不同使用者和业务场景，包括老板与CMO的经营驾驶舱、营销人员工作台、销售协同端、渠道运营端和客户触点。

典型场景覆盖洞察研究、战略规划、内容与创意、短视频与直播、渠道发布、广告投放、活动战役、线索运营、销售赋能、客户运营、数据分析与经营复盘。

场景层最重要的不是“功能最多”，而是每个场景都有明确的业务边界：服务谁、解决什么问题、允许AI做到哪一步、什么指标证明有效、出现异常如何转人工。

4.3 L6：组织、流程与人机协同层

这一层定义AI如何成为组织的一部分，包括：

人类岗位与AI数字角色的职责；

任务、流程、决策权和最终问责；

RACI、SOP、审批流、异常升级和服务目录；

组织、团队、项目、账号和工作区的权限关系；

AI角色的注册、授权、评估、变更与停用；

人员培训、采用、绩效和变革管理。

很多AI项目失败，不是模型无法完成任务，而是没有回答“谁使用、谁批准、谁维护、谁对结果负责”。组织层是把技术能力转化为稳定业务能力的关键。

4.4 L5：智能体协同与工作流层

这一层把业务目标转化为可执行任务，负责：任务拆解、角色路由、上下文传递、工作流状态、长短期记忆、并行与串行执行、冲突处理、超时、重试、补偿和回滚。

确定性、稳定性要求高的流程，应尽量用显式工作流；需要根据不完整信息进行规划、判断或动态选择工具的任务，才适合交给智能体。复杂流程可以采用“智能体负责规划+工作流负责受控执行”的组合，避免让模型直接操作关键系统。

4.5 L4：模型与智能能力层

这一层包含大语言模型、多模态模型、Embedding、Reranker、模型网关、提示词、品牌规则、Skills、Guardrails和评测器。

企业不应把模型选择永久写死在场景中，而应通过模型网关根据任务类型、质量、延迟、数据要求和成本进行路由。高风险任务还需要独立的事实核验、品牌检查、隐私识别和合规规则，不能只让主模型“自我审查”。

4.6 L3：工具、资源访问与集成层

AI只有连接真实工具，才能从建议系统变成行动系统。这一层通过API、MCP、RPA或企业集成平台，连接CRM、CDP、ERP、CMS、DAM、广告平台、社媒平台、企业微信、邮件、客服、日历、项目管理和数据分析系统。

工具连接必须遵循最小权限、工具白名单、用途绑定、调用审计、限流、沙箱和短期凭证。发布、删除、外发、预算变更、客户状态变更等写操作，应设置审批闸门、金额或范围上限、幂等控制和回滚路径。

4.7 L2：数据、知识与上下文层

AI市场部需要的不只是文档知识库，还包括实时或准实时的业务状态。应至少区分三类信息：

知识： 相对稳定、需要检索和引用的品牌、产品、行业、案例、方法、规则与合规资料；

记忆： 某个用户、客户、项目或智能体在持续互动中的历史、偏好和已做决策；

业务状态： 当前Campaign、任务、预算、内容版本、线索阶段、库存、投放表现和审批状态。

把三者混为一谈，容易造成过期知识被当成实时状态、个人记忆跨权限泄漏，或错误业务结果被直接写回知识库。数据与知识层必须建立分类分级、来源、授权、质量、时效、血缘、版权、保留和删除机制。

4.8 L1：基础设施与运行时层

企业可根据数据敏感度、延迟、成本和运维能力选择公有云、专有云、本地或混合部署。基础设施层包括算力、推理服务、存储、网络、消息队列、容器、Secrets、监控、备份和容灾。

“私有部署”并不天然等于安全。真正的安全仍取决于身份与访问控制、网络隔离、加密、密钥管理、漏洞管理、供应链安全、日志、备份和事件响应。对中小企业而言，选择成熟的受控云服务和最小必要数据接入，可能比自行维护复杂基础设施更可靠。

4.9 两套纵向体系

治理、安全、伦理与合规。 贯穿立项、采购、设计、开发、测试、上线、运行、变更与退役，涵盖风险偏好、用例台账、数据与隐私、品牌与广告、版权、人工监督、供应商管理、投诉申诉、事件响应和审计。

运营、可观察性与评测。 贯穿模型、提示词、知识库、工作流和智能体的版本管理，覆盖离线评测、红队测试、上线准入、实时监控、漂移、成本、延迟、用户反馈、人工纠偏和业务结果。

4.10 为什么称为“操作系统”

AI市场部OS并不是取代企业已有的CRM、CMS、广告平台或社媒平台，而是提供四类跨系统能力：

统一目标与任务： 把OKR、Campaign、会议决策、行动项和营销日历连接起来；

统一上下文： 让人和AI在权限范围内使用同一品牌、产品、客户和业务状态；

统一编排与治理： 管理智能体、Skills、工作流、审批、权限和日志；

统一反馈与学习： 把执行结果、人工修改和业务表现转化为下一轮优化。

它位于模型与业务应用之间，也位于企业知识与真实行动之间，是让分散AI能力成为组织能力的中枢。

4.11 架构的真正目的：降低组织协调成本

赫伯特·西蒙指出，信息丰富会制造注意力稀缺，而组织设计的任务之一，是让有限注意力集中到真正需要判断的例外。AI市场部架构因此不应只是把更多信息推到员工面前，而要把目标、上下文、权限和评测组织起来：常规任务稳定流动，异常被准确升级，关键决策获得足够证据。¹⁷

案例｜Moderna在2023年初推出内部mChat，公开案例称其被超过80%的员工采用；随后公司把ChatGPT Enterprise部署到数千名员工。采用后的两个月内，公司形成750个内部GPT，40%的周活跃用户参与创建GPT，活跃用户平均每周发起约120次对话。一个用于临床开发的Dose ID试点能够分析与可视化数据、给出依据并引用来源，但仍定位为辅助团队判断。¹⁸

这个案例的重点不是750个GPT本身，而是平台化扩散与风险分级同时存在：员工可以围绕真实任务快速构建能力，高风险临床用例则保留验证、来源和人类决策。对于营销组织，同样应允许业务团队在受控工作区试验，同时把公开发布、客户承诺、个人信息和预算动作纳入更严格的服务目录与准入门。

边界｜上述数字来自OpenAI与客户联合发布，主要反映采用强度，不代表财务回报；医药研发场景也不能直接外推到营销。但它清楚展示了“统一底座+分布式创新+高风险人工负责”的组织方式。

架构决策｜七层两纵不是七个采购包。企业首先要建设的是跨层的最小闭环：一个目标、一名负责人、一组受控上下文、一条工作流、一套工具权限和一页价值看板。只有当相邻场景需要复用时，再把能力上收为平台。

5.1 三种容易混淆的能力

助手（Assistant）主要响应人的问题，完成检索、解释、归纳或草拟。它通常不主动推进跨步骤任务，也不直接改变业务状态。

自动化（Automation）按照预先定义的规则执行确定性流程，稳定、可预测、易审计，适合数据搬运、格式转换、定时发布、字段写回和报表生成。

智能体（Agent）可以理解目标、规划步骤、选择工具、观察结果并继续行动，适合信息不完整、路径不完全固定、需要一定判断的复杂任务。

成熟的AI市场部会组合使用三者，而不是把所有自动化和聊天工具都包装成智能体。

5.2 三类AI角色

“岗位”是一种便于组织理解的隐喻，但治理上应使用更准确的语言：注册、授权、评估、变更和停用AI数字角色，而不是把AI拟人化到模糊责任边界。

5.3 十大营销能力域

AI市场部可以覆盖十个相互连接的能力域：

洞察研究： 热点、竞品、用户声音、趋势、关键词和证据采集；

战略规划： 定位、目标、市场策略、战役规划、预算与任务拆解；

文案与内容： 文章、社媒、新闻、广告、销售资料和客户问答；

创意与视觉： 创意方向、KV、海报、社交卡片、产品与场景视觉；

音视频生产： 脚本、分镜、配音、短视频、直播、数字人与切片；

渠道运营： 多平台适配、排期、发布、互动、社群与内容资产管理；

广告与增长： 素材测试、投放诊断、预算建议、实验和增量分析；

线索与客户运营： 线索识别、评分、培育、CRM建议、销售话术和客户旅程；

分析复盘： 数据解释、周报、战役复盘、归因、知识沉淀和下一步建议；

基础设施与协作： 知识、数据、连接器、工作流、权限、评测、日志和成本。

单个能力的价值有限。真正的组织价值来自能力被编排成流程、结果写回统一数据层、人工在关键节点审核，并能跨周、跨月、跨战役持续运行。

5.4 工作流设计的八个要素

一条可运营的营销工作流应明确：

触发： 何时、由谁、根据什么事件启动；

目标： 完成什么业务结果，服务哪个客户或流程；

输入： 数据、知识、权限、Brief和业务状态；

步骤： 人、智能体、自动化与工具如何协同；

决策： 哪些条件决定分支、升级、重试或停止；

输出： 交付物、写回字段、发布动作或任务状态；

控制： 审批、风险、预算、范围、回滚和日志；

评测： 质量、效率、成本、业务和风险指标。

5.5 示例：从客户问题到线索跟进的闭环

一条面向B2B企业的内容获客闭环可以这样运行：

从销售访谈、客服记录、搜索和社媒中收集真实客户问题；

洞察智能体聚类问题并生成有证据的选题候选；

市场负责人选择命题、受众、观点、CTA和成功指标；

内容智能体结合品牌、产品、案例和合规知识生成初稿；

人类完成事实、品牌、专业和法律审核；

渠道工作流适配公众号、短视频、小红书、新闻稿和销售资料；

经审批后发布，并绑定来源标签、落地页或咨询入口；

线索进入CRM，由AI给出摘要、评分和下一步建议；

销售人员确认后跟进，关键对话和结果写回；

月度复盘内容表现、线索质量、成交推进和人工修改，更新知识与流程。

这条闭环的目标不是“每天多发十篇文章”，而是把客户问题转化为可信内容，再把内容转化为可追踪的业务行动。

5.6 多智能体协同的五项纪律

每个智能体拥有清晰的输入、输出、工具和知识范围；

共享业务状态，但不无边界共享全部记忆和数据；

使用结构化交接包，而不是把整段对话随意传给下一个角色；

对循环、重试、并发、超时和成本设置上限；

最终结果必须由工作流验收规则或人类负责人确认。

5.7 从内容工具走向品牌内容供应链

案例｜WPP与NVIDIA在2023年公布生成式AI内容引擎，连接Omniverse、Adobe、Getty Images以及品牌的3D产品资产。创意团队可以基于品牌准确的数字孪生生成不同场景、图像与视频，而不是每次从空白提示词开始。这里的关键设计，是让产品事实、品牌资产、创意工具与交付格式进入同一供应链。¹⁹

机制｜传统内容生产的瓶颈往往不在一次创意，而在版本、尺寸、语言、渠道与市场适配。生成式能力只有连接经过批准的产品模型、素材授权、品牌规范和人工编辑，才能把“生成更多”变成“以更低边际成本保持准确与一致”。内容智能体因此需要调用资产与规则，而不是仅依赖对话历史。

边界｜WPP的公告说明了技术与流程架构，没有提供客户级成本、转化或品牌提升数据，不能据此推断固定ROI。对于没有稳定产品资产、版本规范和渠道模板的企业，先上生成引擎可能只会扩大返工。

大师观点｜西蒙的注意力逻辑在内容供应链中尤其重要：AI把素材供给从稀缺变为过剩，新的瓶颈转向选择、核验和分发。团队应把最强的人类注意力放到洞察、核心创意、事实与风险上，把确定性适配交给自动化，把变化较大但可验证的任务交给智能体。

管理含义｜内容工作流至少应保存资产来源、产品版本、品牌规则、生成模型、人工修改、批准人和发布去向。没有这条可追溯链，企业得到的是一次性作品，不是可运营的内容能力。

6.1 从“岗位替代”转向“任务重构”

市场岗位通常同时包含研究、判断、创作、沟通、执行、核验和复盘任务。AI对这些任务的影响并不相同：格式转换和标签分类可以高度自动化；策略假设和创意方向适合人机共创；危机回应、重大预算和客户承诺必须由人决策。

因此，组织设计的正确顺序是：

岗位任务盘点 → 任务风险与复杂度判断 → 人机分工 → 流程与审批设计 → 工具和智能体配置 → 指标与岗位调整

如果先采购AI，再让员工寻找用途，通常只能形成零散试用。

6.2 四层人类组织

人机协同的四层组织模型

图6 人机协同的四层组织模型。本白皮书提出。

价值与问责层： CEO、CMO和业务负责人确定目标、预算、风险偏好与最终问责。

产品与编排层： AI营销产品负责人、营销运营或工作流负责人管理场景组合、需求优先级、智能体版本、流程和价值看板。

业务执行层： 洞察、品牌、内容、增长、CRM、销售协同和分析人员承担专业判断、客户关系、对外输出与业务结果。

支撑与治理层： 数据与知识、IT、安全、法务、合规和财务人员负责授权、稳定性、合规、成本与ROI验证。

AI数字角色可以跨层提供研究、草拟、转换、执行、监测与分析，但不能单独构成问责层。

6.3 三种组织模式

6.4 “三个人的AI市场部”参考模型

对于产品和渠道复杂度有限、已有一定营销流程基础的中小企业，可以采用三个核心人类角色：

市场负责人／AI营销产品负责人： 负责目标、策略、优先级、预算、品牌和最终审批；

品牌内容与增长负责人： 负责创意判断、内容、活动、渠道、投放与品牌质量；

营销运营与客户数据负责人： 负责工作流、知识库、线索、CRM、数据和复盘。

三者可由策略研究、内容创意、渠道运营、投放分析、线索运营和复盘智能体辅助，并共享IT安全、法务合规、财务及必要的外部制作资源。

这一模型是小型企业参考架构，不是对所有企业规模的人员承诺。当企业同时经营多个品牌、大量线下活动、复杂媒体采购、强监管业务或大规模客户运营时，需要相应增加专业岗位和治理能力。

组织原则｜ 岗位可以合并，责任不能消失；AI可以承担执行，人类不能转移问责。

6.5 人类与AI任务分配矩阵

6.6 AI自主程度五级模型

本白皮书不设置“无人问责的完全自治”等级。A4仍必须具有人类流程负责人、范围限制、日志、异常升级和Kill Switch。

6.7 人机协同RACI示例

缩写：ES＝高管发起人；PO＝AI营销产品负责人；BO＝业务/流程负责人；OPS＝营销运营与数据知识负责人；GRC＝IT/安全/法务合规；FIN＝财务；AI＝智能体或自动化。

R*表示AI负责检索、草拟、执行或分析，但不能承担最终问责。正式落地时，涉及金额、客户权益或受监管内容的事项，应按阈值拆成更细流程，确保每项只有一个明确的A。

6.8 AI营销人才八项能力

未来营销人才不需要人人成为工程师，但需要形成八项共同能力：

AI基本原理、边界与风险认知；

业务问题和客户价值定义；

任务拆解与流程设计；

上下文、Brief和知识组织；

事实核验、批判性判断和择优；

数据、实验、归因和ROI理解；

品牌、版权、隐私、广告与平台合规；

人机协同、变革沟通与持续学习。

培训应基于真实岗位任务和真实工作流，不应停留在一次性的通用提示词课程。

AI营销组织准备度断层

图7 AI营销组织的认知共识与准备度断层。来源：IBM Institute for Business Value，2025 CMO Study。不同指标含义不同，仅用于展示准备度差距。

6.9 锯齿状能力边界：组织必须按任务重构

案例一｜哈佛商学院研究团队与BCG开展现场实验，覆盖758名咨询顾问，约占该公司个人贡献者群体的7%。在模型能力边界内的创意、分析、写作与说服任务上，使用GPT-4的参与者完成速度提高超过25%，人类评分质量提高超过40%，任务完成率提高超过12%。研究同时发现，相近任务可能落在能力边界之外，AI使用者反而更容易自信地提交错误答案。²⁰

研究者用“锯齿状技术前沿”解释这种不均匀性，并观察到两类有效协作：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，人在工作过程中不断与AI交替推进。两者的共同点不是更高的自动化比例，而是人保留任务判断、检查中间结果并知道何时越界。

案例二｜哈佛商学院对宝洁791名产品开发专业人员进行现场实验。参与者被随机分为个人、跨职能团队，以及有无AI支持等条件。研究发现，使用AI的个人能够达到传统双人团队相近的表现，技术与商业背景的参与者也更容易形成兼顾两类知识的方案；AI在这里更像“赛博格队友”，帮助跨越专业边界。²¹

边界｜两项研究都在受控任务与特定组织中进行，不能直接换算成中国市场岗位的固定人效，也不意味着长期团队可以被个人加工具取代。客户关系、组织承诺、异常处理和最终问责仍需要真实团队。它们提供的是任务设计方法，而非裁员公式。

组织动作｜不要以岗位为单位宣布“全面AI化”。把岗位拆成真实任务，记录复杂度、风险、可验证性和可逆性；通过20-50条金标任务识别当前边界，再选择AI执行、人机共创、建议待批或纯人工决策。模型、知识或流程变化后重新测量。

7.1 治理的目标不是阻止AI，而是让企业敢于授权

如果没有治理，企业往往只允许AI写草稿，无法连接真实系统；一旦授权，又担心数据泄漏、越权操作、错误发布和成本失控。治理的价值，是用清晰边界换取可控行动能力。

NIST AI风险管理框架以Govern、Map、Measure、Manage四个函数组织AI风险管理。²² AI市场部可在此基础上加入营销特有的品牌、广告、内容、客户关系和业务结果控制。

AI市场部持续治理循环

图8 AI市场部持续治理循环。参考NIST AI RMF，由本白皮书结合营销场景改绘。

7.2 治理组织与责任

企业应根据规模建立AI治理委员会或跨部门治理机制，至少覆盖以下责任：

经营层确定AI战略、风险偏好、禁止事项和重大用例准入；

CMO或业务发起人对业务价值和营销结果负责；

流程负责人定义SOP、验收标准、风险等级和审批点；

平台负责人对架构、模型、智能体、工具和稳定性负责；

数据与知识负责人对来源、质量、权限、更新和血缘负责；

品牌与内容负责人对公开表达、证据和声誉风险负责；

法务、隐私、安全和合规负责人对适用规则与控制负责；

AI评测与运营负责人对测试、准入、监控、事件和改进负责。

小企业可以由一人兼任多个角色，但不能因为人员少而取消这些责任。

7.3 风险分级

场景风险可由五个因素综合判断：对个人、企业和社会的影响；AI自主执行程度；是否面向公众或客户；数据敏感程度；动作是否可逆以及损失是否可控制。

7.4 Human in the Loop的四个位置

人工监督不能只放在最终发布一步，至少应设置在四个位置：

任务是否应该由AI完成；

AI可以访问哪些数据、知识和工具；

AI是否可以采取外部动作；

输出是否可以形成正式发布、客户承诺或经营决策。

人工审批人应有充分信息理解AI做了什么、依据是什么、将改变什么业务状态，并有权修改、否决、暂停和终止。系统还应记录人工推翻AI建议的频率与原因，用于发现模型、知识或流程问题。

7.5 数据与知识治理

企业应为每项数据处理明确来源、目的、范围、权限和保存期限。默认不向未经批准的公共模型发送个人信息、客户秘密、未公开经营数据或受版权限制的完整材料。

RAG知识库必须继承原系统权限，记录来源、文档版本、更新时间和责任人。需要防范过期知识、恶意文档、提示注入、数据投毒和错误结果回流。营销效果数据写回知识或“最佳实践”之前，应经过数据质量验证和人工确认。

7.6 模型、提示词与内容安全

建立经批准的模型白名单，记录提供商、版本、部署地区和适用范围；

评估供应商的数据保留、训练使用、分包商、事件通报和知识产权条款；

对系统提示词、品牌规则、合规词库和输出策略进行版本管理；

高风险任务要求引用企业知识或权威来源，无法确认时拒绝断言；

测试幻觉、越权、越狱、隐私泄漏、偏见、版权相似性和提示注入；

用独立规则、评测器或人工审核形成第二道防线。

7.7 智能体与工具执行安全

智能体工具调用应使用最小权限、短期凭证、用途绑定和租户隔离。建议把“规划”与“执行”分离：AI生成操作计划和参数，受控执行器检查权限、策略与审批后再执行。

对外发送、公开发布、删除、预算变更、客户状态和价格修改等动作，应设置审批闸门、对象和频次上限、时间窗口、幂等键、事务或补偿机制，并提供紧急停止、账户冻结、降级到只读或人工模式的路径。

7.8 可观察性与审计日志

端到端日志至少应包括：用户、智能体、用例与风险等级；模型和提示词版本；检索来源、权限决策与引用片段；工具、参数、执行结果和副作用；策略引擎判断；人工审批人、时间与决定；输出版本和内容哈希；延迟、Token、成本、错误、重试；最终业务结果、投诉与事件编号。

日志自身也应遵循数据最小化。敏感内容应遮蔽或哈希，避免为了审计而制造新的隐私泄漏源。

7.9 中国市场的五类合规重点

个人信息与自动化决策。 《个人信息保护法》要求处理个人信息具有合法基础，遵循明确目的、最小必要和公开透明；通过自动化决策进行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。²³ 网上可查到的电话、法人或联系人信息，不等于企业可以无限制抓取、画像和自动触达。

生成内容标识。 《人工智能生成合成内容标识办法》已于2025年9月1日施行，建立显式和隐式标识要求。²⁴ AI市场部的素材资产应记录是否由AI生成、使用何种模型、是否保留隐式标识以及发布时是否需要显式声明。

广告真实性与可识别性。 AI生成的广告和商业内容仍由广告主等责任主体承担真实性责任。以知识介绍、体验分享、消费测评等形式推销商品或服务并附加购买方式的，应根据法规要求显著标明广告。²⁵

版权、肖像与声音。 企业应保留素材来源、授权范围、人物肖像和声音授权、字体、音乐及训练数据许可记录。不得把模型生成的引用、用户评价、媒体报道或专家观点直接视为事实。

面向公众与内部使用的区分。 生成式AI服务相关备案、评估和标识义务，应根据企业是服务提供者还是使用者、系统是否面向公众、是否具有舆论属性或社会动员能力、是否处理个人信息等因素具体判断，不能笼统宣称“所有内部AI系统都必须备案”。

合规提示｜ 本节用于建立管理框架，不构成法律意见。医疗、药品、保健食品、金融、教育、房地产、招商等受监管行业，应结合具体内容、渠道和业务流程由专业人员确认。

7.10 失败案例：AI承诺最终仍由企业负责

案例｜在Moffatt v. Air Canada案中，一名旅客根据航空公司网站聊天机器人提供的信息，认为可以在行程结束后申请丧亲票价差额；机器人同时链接的正式政策页面却与其回答矛盾。加拿大不列颠哥伦比亚省民事解决法庭在2024年裁定航空公司应对网站信息承担责任，并判令支付损害赔偿、利息与费用。²⁶

这不是一个“提示词写错”的孤立问题，而是知识与责任系统失效：同一企业触点出现互相矛盾的政策，机器人能够直接回答影响客户权益的问题，缺少有效来源优先级、冲突检测、转人工与版本更新机制。对于营销、销售和客服一体化场景，价格、权益、交付时间和退款规则都属于高风险承诺。

W. Edwards Deming的质量管理思想强调，稳定质量来自系统设计，而不是依靠一线人员在最后一步发现所有错误。AI治理同样不能只在发布前增加一次人工阅读；应把权威知识、权限、测试、异常升级、变更控制和事件反馈嵌入流程，使错误在更早位置被发现和阻断。²⁷

控制设计｜对客户权益有影响的回答必须显示依据与适用条件；当来源冲突、知识过期、模型置信不足或客户提出例外情形时自动转人工。系统还要定期使用真实争议问题回放测试，而不是只用理想问句验收。

管理含义｜事故成本不只包括一次赔付，还包括客户流失、品牌损害、监管响应、人工补救和系统停机。ROI模型必须把这些预期损失与控制成本纳入总体拥有成本。

8.1 为什么不能只看“用了多少AI”

AI工具调用量、生成内容数和自动完成率只说明系统在运行，不说明企业获得了价值。如果把它们设为核心绩效，团队可能为了提高数字而生成更多低质内容、减少必要审批，甚至把本来不该自动化的任务交给AI。

AI市场部指标应形成从运行、流程到业务结果的因果链，并同时约束质量和风险。

8.2 六层指标体系

单个试点不宜选择十几个“核心指标”。建议采用“1+2+2+1+1”：一个业务结果指标、两个流程指标、两个质量/风险指标、一个采用指标和一个成本指标。

8.3 指标口径示例

首次通过率＝无需重大返工的成果数 ÷ 被审核成果总数；

品牌规范通过率＝通过品牌检查的样本数 ÷ 抽检样本总数；

标准流程采用率＝通过正式工作流完成的适用任务数 ÷ 全部适用任务数；

单个合格成果成本＝模型、工具、人工审核与摊销运维成本 ÷ 合格成果数；

高风险审批覆盖率＝具有有效人工审批的高风险动作数 ÷ 高风险动作总数；

人工升级率＝转入人工处理的任务数 ÷ AI参与任务总数。

人工升级率不是越低越好。过低可能意味着风险没有被识别，过高则说明模型、知识、流程或授权设计不足。

8.4 AI投资回报率

AI总体拥有成本应包括：软件订阅和模型调用、集成与数据准备、人工审核、培训与变革管理、运行监控和维护、安全与合规、外部顾问及供应商成本。

建议使用：

AI ROI＝（增量贡献毛利＋已实现成本节约＋经确认的产能价值－AI总体拥有成本）÷ AI总体拥有成本

收益应分开呈现：

如果节省的时间没有被重新用于高价值任务，也没有减少实际费用，就不应把全部时间价值计为硬收益。外包费用节省、人工时间节省和人员成本下降也不能重复计算。

8.5 基线、对照与增量

AI上线前应记录现有流程的周期、成本、质量、业务结果和风险事件。没有基线，企业只能知道“上线后发生了什么”，无法知道“AI带来了什么变化”。

有条件时采用随机对照或留出组；不能随机时，可采用匹配团队、匹配Campaign、分阶段上线或前后对照，并控制预算、季节、渠道和促销变化。内容质量可采用盲评，线索和收入尽量使用增量或贡献口径。

“AI参与的商机”只能作为影响型指标，不能自动等同于AI创造的收入。

8.6 端到端系统评测

企业不应只比较基础模型排行榜。AI市场部的真实质量取决于：

模型 × 企业知识 × 提示词与规则 × 智能体编排 × 工具执行 × 人工协同 × 业务环境

建议建立来自真实任务的“黄金测试集”，覆盖常规、复杂、边界和禁止任务；正常、模糊、恶意和提示注入输入；最新知识、过期知识、矛盾来源与缺少证据的情形。

评测维度包括任务完成、事实与依据、品牌一致、RAG质量、工具执行、安全合规、公平性、人机协同、运行质量和业务价值。测试集、参考答案、评分标准和评审人都需要版本化。

8.7 上线准入与持续评测

上线前： 单元测试、集成测试、端到端任务测试、对抗与红队测试、隐私/广告/版权/品牌评估、沙箱模拟、故障注入、业务用户验收和Go/No-go审批。

上线阶段： 先影子运行，再小流量Canary；高风险能力先只读、再建议、后执行；设置自动回滚条件。

上线后： 持续抽检、实时告警、用户反馈和漂移监控；当模型、提示词、知识源、工具权限或场景发生重大变化时重新评测。

8.8 案例：速度、体验与成本必须放在同一张价值卡

案例｜Klarna在2024年披露，其AI客服助手上线首月完成约230万次对话，处理约三分之二的客服聊天，工作量相当于700名全职客服；平均解决时间从11分钟缩短到2分钟，重复咨询下降25%，客户满意度与人工服务相当。公司当时估计该能力将在2024年带来4,000万美元利润改善。²⁸

机制｜这组结果不是由一个聊天界面单独产生，而是建立在多语言服务、知识访问、业务动作、转人工与效果监测之上。对AI市场部最有价值的启示，是把客户问题、内容解释、订单或账户状态与服务动作连接起来，并同时观察解决速度、重复咨询、满意度和成本。

边界｜这些数字由Klarna自行发布，缺少独立审计和完整成本拆解；“相当于700人”是工作量估计，不代表企业实际减少了700名员工。客服场景也不能直接外推到品牌策略、创意或复杂销售。利润改善是当时预测，不应作为普遍回报承诺。

罗伯特·卡普兰和大卫·诺顿提出平衡计分卡，目的不是增加指标数量，而是把学习成长、内部流程、客户结果与财务结果连接成因果链。AI市场部同样需要把采用与能力、周期与质量、客户行为、贡献毛利和风险放在同一张价值卡上，防止某一层的改善掩盖另一层的恶化。²⁹

价值卡｜每个重点场景应写明基线、目标、观察周期、负责人和停止条件；至少包括一个业务结果指标、两个流程指标、两个质量或风险指标、一个采用指标和一个成本指标。凡是只能证明调用量、内容量或节省小时的项目，都还没有完成价值证明。

9.1 成熟度的七个维度

本白皮书从七个维度评估AI市场部：

战略与业务价值： 是否有明确目标、场景组合、预算和高层责任；

场景与流程： 是否从零散任务进入标准、可重复、端到端流程；

组织与能力： 是否有人机角色、RACI、负责人、培训和采用机制；

数据与知识： 是否有合法来源、质量、权限、更新、血缘和业务状态；

技术与集成： 模型、工作流、工具和系统连接是否稳定、可替换、可扩展；

治理与风险： 是否具备风险分级、审批、日志、安全、合规和事件管理；

测量与改进： 是否有基线、评价集、业务指标、成本、实验和复盘。

AI市场部成熟度模型

图9 AI市场部五阶段成熟度模型。本白皮书提出。

9.2 五个阶段

9.3 评分与门槛

每个维度按0—4级评分。加权平均可用于可视化，但不能单独决定成熟度。推荐权重：战略与价值15%、场景与流程20%、组织与能力15%、数据与知识15%、技术与集成15%、治理与风险10%、测量与改进10%。

总体成熟度受三个门槛维度限制：数据与知识、治理与风险、测量与改进。 任一门槛维度低于目标阶段，整体不得评为该阶段；任一维度落后整体两级以上，应暂停扩张并先补齐短板。

这可以避免企业把“自动化很多”误判为“成熟度很高”。

9.4 各阶段建设重点

M0→M1：建立底线。 盘点工具、账号、数据和场景；批准可用工具；设定禁止数据和禁止任务；进行基础培训。

M1→M2：形成标准。 选择高频场景，建立SOP、知识包、评价集、流程负责人和审批；记录基线。

M2→M3：连接闭环。 接入必要业务系统；建立身份、权限、版本、日志和事件管理；从单点输出走向内容—渠道—线索—复盘。

M3→M4：经营优化。 管理场景组合，开展增量实验，跟踪TCO和业务结果；逐步提高低风险场景自主程度，持续审计。

9.5 成熟度不是工具数量，而是组织学习速度

詹姆斯·马奇用“探索”与“利用”描述组织学习的张力：探索新方法带来不确定性，利用成熟方法带来稳定效率；只探索会形成试点堆积，只利用会错过技术边界变化。AI市场部需要同时运行两种机制：小范围、可回滚的探索管道，以及进入SOP、可持续测量的生产管道。³⁰

数据｜BCG 2025年AI at Work调查覆盖11个地区10,635名员工和管理者。报告显示，获得5小时以上培训的受访者中，79%是AI常规用户，而培训少于5小时者为67%；感受到强领导支持的人群，对生成式AI持积极态度的比例由15%上升到55%。这些是相关性信号，不足以证明培训或领导支持单独造成采用。³¹

机制｜真正有效的培训不是一次通用提示词课程，而是围绕真实岗位任务完成示范、练习、反馈与现场辅导。领导支持也不是在会议上表达赞同，而是提供受控工具、学习时间、试错预算、明确边界，并在经营复盘中亲自使用AI产生的证据。

双轨运营｜探索管道按周管理假设、原型、风险和学习；生产管道按日管理质量、成本、异常和业务结果。探索项目必须在约定日期进入Go、Hold或Stop，验证通过后才迁入生产。生产能力一旦发生模型、知识、权限或业务变化，则重新进入评测。

成熟度判断｜高成熟度企业不一定拥有最多智能体，而是能够更快识别值得做的任务、更早停止低价值试点、更稳定地复用知识与流程，并在风险发生前缩小影响范围。

10.1 六项实施原则

从业务问题和客户价值出发，而不是从工具功能出发；

从一个高频、可测量、可逆的闭环开始；

在试点之前明确流程负责人、基线、风险等级和停止条件；

先用最小必要数据和系统连接验证价值，再扩大范围；

技术、流程、组织、采用和治理同步设计；

每个阶段都允许停止低价值场景，不把“功能越来越多”当作成功。

10.2 场景准入门槛

以下五项任一不成立，场景不进入自动化试点：

有明确业务问题和人类负责人；

企业拥有合法、合规的数据与知识使用权限；

流程能够被描述，输入和输出基本明确；

结果能够被测试、审核或抽样评价；

失败时能够停止、回滚或转人工。

10.3 场景优先级评分

准入后，每项按1—5分评价：业务价值V、发生频率F、流程标准化S、数据与知识准备度D、见效速度T、集成可行性I、学习与复用价值L。

优先级P＝0.25V＋0.15F＋0.15S＋0.15D＋0.10T＋0.10I＋0.10L

风险不作为简单负分项，而应单独决定场景是否准入和AI自主程度。否则，高价值但高风险的场景可能因为总分高而被错误排在最前面。

10.4 推荐的首批场景

优先验证： 基于批准资料的多平台内容适配；竞品、客户问题和舆情摘要；营销周报和活动复盘；销售资料检索与会前准备；内容资产标签、归档与知识化。

第二批： 线索评分和行动建议；审批后的内容发布与CRM写回；Campaign任务拆解和进度巡检；广告数据诊断与优化草稿。

后置或暂缓： 自动修改预算与出价；无人工审核的公开发布；自动报价、承诺或处理争议客户；危机公关与强监管主张；使用来源不明的个人信息自动触达。

10.5 14／30／90／365天路线图

AI市场部实施路线图

图10 AI市场部14／30／90／365天实施路线图。本白皮书提出。

14天：可行性验证

14天不宜承诺收入增长，主要验证流程是否可运行、质量是否不低于基线、高风险动作是否进入审批、是否发生严重事件、实际周期与成本，以及一线用户是否愿意继续使用。

30天：业务试点

目标是让一个闭环重复运行，而不是只完成一次演示。应交付试点章程、现状与目标流程、知识和数据清单、金标评价集、RACI、审批与回滚、1—2条可重复工作流、运行成本看板、培训手册、价值报告和下一阶段商业论证。

90天：规模化导入

第1—30天，证明： 跑通一个闭环，验证质量、成本、风险与采用；

第31—60天，连接： 扩展到相邻2—3条流程，接入必要CRM、内容库、渠道或数据源，建立统一身份与日志；

第61—90天，标准化： 形成场景组合看板、日周月运营节奏、质量抽检与事件机制，把新工作流和职责写入SOP。

一年：组织级建设

10.6 Go／Hold／Stop标准

Go： 核心质量不低于基线；目标流程稳定重复；用户采用良好；成本可接受；高风险动作全部受到控制；存在清晰的业务扩张价值。

Hold： 价值方向成立，但知识、数据、集成、采用或评测不足；限定时间修正后重新验证。

Stop： 业务问题并不重要；流程无法标准化；数据使用不合法；质量长期低于基线；成本超过合理范围；出现无法接受的安全、品牌或合规风险。

10.7 十个常见失败模式

为了追热点先买平台，再寻找业务问题；

自动化一个本来就不合理的流程；

只培训工具，不调整权限、SOP和绩效；

没有业务基线，却宣称AI带来增长；

把内容数量、调用量和节省小时当最终价值；

所有审批集中到CMO，形成新的组织瓶颈；

知识库一次性建设，随后过期失真；

智能体权限逐渐膨胀，缺少复核和回收；

模型或提示词升级后不重新评测；

只展示成功场景，不主动停止低价值项目。

11.1 不同行业，共同骨架

制造业、消费品牌、连锁门店、专业服务和互联网企业的营销方法不同，但AI市场部建设都有共同骨架：目标、客户、流程、知识、连接、治理和衡量。行业差异主要体现在知识复杂度、渠道结构、购买周期、数据敏感度、监管强度和线下环节。

11.2 五类高价值闭环

B2B专业内容与商机闭环

客户问题与销售记录 → 行业洞察 → 白皮书/案例/文章 → 多渠道传播 → 咨询入口 → 线索评分 → 销售会前准备 → 商机复盘。

核心指标是目标账户覆盖、有效下载与咨询、MQL→SQL、商机推进和内容对购买组的影响，不是文章数量。Edelman与LinkedIn对美国B2B高管的研究显示，高质量思想领导力能够影响较少直接接触销售的“隐性决策者”，并帮助不知名供应商进入考虑范围。³²

消费品牌内容与全域增长闭环

消费者与平台信号 → 人群/场景洞察 → 核心创意 → 图文/视频/直播素材 → 种草、广告与私域 → 互动和购买信号 → 会员与复购 → 创意与媒介复盘。

关键是保持品牌一致、渠道适配和内容新鲜度，同时将AI产能与实验设计、媒体预算和消费者信任连接。

制造业产品与销售赋能闭环

产品技术资料 → 客户行业问题 → 产品价值表达 → 官网/展会/行业媒体/外贸内容 → 询盘 → 销售资料与技术问答 → 商机记录 → 案例沉淀。

制造业需要特别处理技术准确性、版本管理、经销商协同、多语种和长销售周期。AI适合加速资料转译和销售准备，但关键参数、报价和交付承诺必须由专业人员确认。

连锁门店与本地生活闭环

总部策略与素材 → 区域/门店适配 → 短视频、直播、团购和点评 → 到店与会员 → 门店反馈 → 总部复盘与下一轮模板。

价值来自“总部给打法、门店可执行、结果能回流”，而不是让每家门店各自使用工具。

品牌声誉与舆情响应闭环

持续监测 → 信号分级 → 事实核验 → 影响判断 → 回应方案 → 跨部门审批 → 发布与互动 → 复盘。

该场景影响大、歧义高，应以AI监测、汇总和方案辅助为主，危机定性和公开回应由人决策。

11.3 行业落地的六个问题

任何行业在设计AI市场部时，都应回答：

客户购买决策链有多长，涉及哪些角色？

哪些知识必须专业人员审核，哪些内容受行业监管？

主要渠道是公开媒体、平台电商、门店、经销商还是销售直连？

哪些业务数据能够合法连接，哪些必须隔离？

哪些动作可逆、可抽检，哪些会直接影响客户权益或品牌声誉？

价值主要体现为品牌、线索、交易、复购、人效还是风险降低？

11.4 场景案例：规模化来自资产、触点与交易闭环

案例｜2024年4月，京东让创始人刘强东的数字人出现在家电家居与超市直播间。京东官方披露，直播开始后一小时内观看量超过2,000万，整场成交额超过5,000万元。数字人能够基于内部模型生成语气、动作和商品讲解，并借助平台既有的商品、交易与履约体系完成转化。³³

机制｜容易被复制的表面是数字形象，难以复制的底层是创始人认知度、平台流量、商品供给、价格机制、直播运营、客服和履约。数字人只是把既有经营资产重新组织成可规模运行的内容界面。若企业没有商品事实、直播脚本、互动规则与交易链路，再逼真的形象也只是一次传播事件。

边界｜官方没有披露人工直播对照、增量订单、退货、毛利和完整制作成本，因此不能把5,000万元成交全部归因于数字人，也不能把观看量当作长期客户价值。适合优先验证的，是信息结构稳定、重复频率高、可明确转人工的商品讲解与服务任务。

对照案例｜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。品牌公开研究覆盖20个国家约3.3万人；研究由品牌发起，不能当作独立行业基准，但它展示了另一种成熟：当技术能力与核心品牌信念冲突时，企业有能力公开界定不用什么。³⁴

行业含义｜同样是AI视觉与数字人，交易平台可能优先追求稳定讲解与长时运营，价值型品牌可能优先保护真实人物与长期信任。场景选择必须服从商业模式和品牌承诺，不能由“别人用了什么”决定。

12.1 CEO／企业老板：先问经营问题

AI市场部要解决的前三个经营问题是什么？

哪一条营销流程最频繁、最耗时、最影响客户与收入？

谁对AI市场部的业务结果和风险最终负责？

试点成功后，节省的时间和资源将重新投入到哪里？

哪些客户、品牌、数据和安全底线绝不允许突破？

老板不需要亲自选择每个模型，但必须明确目标、资源、风险偏好和停止条件。

12.2 CMO／市场负责人：成为系统设计者

建立市场部任务与流程清单，而不仅是工具清单；

选择一个可验证闭环，指定流程负责人和业务指标；

定义品牌、事实、质量与发布标准；

与销售、服务、IT、数据、法务和财务共同设计RACI；

让AI结果进入周会、月度经营复盘和预算决策。

12.3 CIO／CDO／技术负责人：建设可替换、可治理的底座

统一身份、权限、凭证和工具调用网关；

区分知识、记忆和业务状态；

建立模型、提示词、知识库、工作流和智能体版本；

建立端到端日志、评测、成本和事件机制；

避免把业务逻辑锁死在单一模型或不可迁移平台。

12.4 市场团队：把AI变成共同能力

主动识别重复、等待、返工和信息断点；

用真实任务共建知识包、评价集和工作流；

保留事实核验、客户理解、审美与专业判断；

记录AI修改、否决和错误，而不是隐藏问题；

把节省出的时间投入到客户洞察、创意、关系和实验。

12.5 接下来30天可以完成的十件事

任命AI营销业务负责人；

盘点正在使用的AI工具、账号、数据和风险；

画出一条当前营销流程及其等待、返工和断点；

建立首版AI使用规则与禁止事项；

选择一个高频、可测量、可逆的试点闭环；

记录试点前的周期、质量、成本和业务基线；

建立最小品牌、产品、客户和案例知识包；

建立20—50条真实任务金标评价集；

用影子模式运行并记录错误、人工修改和成本；

在第30天做出Go／Hold／Stop决定。

最终判断｜ AI市场部建设的终点不是“没有人”，而是让人的判断、创造和关系能力，与AI的规模、速度和持续运行能力形成新的组织生产力。

12.6 把AI市场部变成管理层的经营节奏

理查德·鲁梅尔特把好战略概括为诊断、指导方针和连贯行动。AI市场部的管理也应遵循这个内核：诊断最重要的客户与流程瓶颈，选择一条明确的授权与投资方针，再让场景、数据、组织、技术和治理行动相互支持。没有诊断的年度AI目标容易变成工具采购，没有指导方针的试点容易彼此冲突，没有连贯行动的愿景无法进入经营结果。³⁵

月度经营会｜围绕重点闭环只回答五个问题：客户或经营指标是否改善；流程周期与一次通过率是否改善；人工推翻、升级和异常为何发生；总体拥有成本与边际成本如何变化；下月继续、扩大、修复还是停止。讨论应基于同一价值卡，而不是各团队展示工具使用量。

季度组合会｜把全部AI场景放入价值-风险组合：扩大高价值且稳定的场景，修复价值明确但质量不足的场景，限制高风险且难回滚的场景，停止没有客户或经营证据的场景。释放出的预算和注意力重新投入最有可能形成专有能力的流程。

年度能力会｜检查企业是否形成可复用知识、评测集、Skills、连接器、权限策略与人才能力；确认哪些能力应成为公共底座，哪些仍由业务小队拥有，哪些外部能力需要保留替换与退出路径。平台建设应由真实复用需求驱动，而不是由技术完整性驱动。

最终判断｜AI市场部不是一次转型项目，而是一套新的经营纪律：用客户问题决定技术，用证据决定投资，用边界换取授权，用复盘把一次成功变成组织能力。

每项按0—4分评分：0＝没有；1＝零散；2＝已有规范；3＝跨流程运行；4＝持续测量和优化。

解释建议： 0—20分为M0分散试用；21—39分接近M1受控辅助；40—55分接近M2标准工作流；56—69分接近M3跨系统协同；70分以上具备向M4适应性运营发展的基础。最终等级仍受数据、治理和测量三项门槛限制。

AI市场部： 以业务目标为导向，把人类组织、AI智能体、工作流、企业上下文、业务工具与治理机制连接起来的营销行动系统。

AI营销OS： 为AI市场部提供统一目标、上下文、编排、权限、连接、监控和反馈能力的运行底座。

AI智能体（Agent）： 能够理解目标、规划多个步骤、选择和调用工具、观察结果并继续行动的AI系统。

Skill： 边界明确、可调用、可测试、可复用的原子能力，如品牌检查、数据查询或渠道适配。

工作流： 按业务逻辑编排人、AI、工具、决策、审批和异常处理的任务序列。

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

Human in the Loop： 人类在任务选择、数据与工具授权、外部行动或正式发布等关键节点参与判断、批准、修改或终止。

Guardrail： 限制模型或智能体行为的规则、策略、检查与技术控制。

AgentOps／LLMOps： 对智能体或大模型应用进行版本、部署、评测、监控、成本、事件与持续优化的运营实践。

黄金测试集： 来自真实业务任务、具有参考答案或评价标准、用于回归测试与上线准入的样本集合。

影子模式： AI在真实流程旁运行但不直接影响外部业务，用于比较质量、成本和风险。

增量： 与没有AI或没有某项营销行动时相比，AI带来的净变化，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。

补充研究来源

秒针营销科学院、GDMS、M360，《2025中国数字营销趋势报告》。

明略科技，《2026中国社交媒体营销趋势报告》。

Microsoft, 2025 Work Trend Index Annual Report: The Frontier Firm Is Born.

Deloitte, The State of AI in the Enterprise 2026: The Untapped Edge.

BCG, From Potential to Profit: Closing the AI Impact Gap, 2025.

OECD, Generative AI and the SME Workforce, 2025.

国家互联网信息办公室，《生成式人工智能服务管理暂行办法》。

中国信息通信研究院，《人工智能安全治理研究报告（2025年）》。

V1.1新增案例与经典思想来源

Michael E. Porter：《What Is Strategy?》，Harvard Business Review，1996年。

Peter F. Drucker：《The Practice of Management》，1954年。

The Coca-Cola Company：Create Real Magic生成式AI共创平台公开资料，2023年。

Clayton M. Christensen等：《Know Your Customers’ Jobs to Be Done》，Harvard Business Review，2016年。

Microsoft Customer Story：CarMax与Azure OpenAI客户评价摘要案例，2022年。

Herbert A. Simon：《Designing Organizations for an Information-Rich World》，1971年。

OpenAI：Moderna企业级GPT采用案例，2024年。

WPP：与NVIDIA共建生成式AI广告内容引擎，2023年。

Harvard Business School AI Institute：BCG锯齿状技术前沿现场实验，2023年。

Harvard Business School AI Institute：宝洁赛博格队友现场实验，2025年。

British Columbia Civil Resolution Tribunal：《Moffatt v. Air Canada, 2024 BCCRT 149》，2024年。

W. Edwards Deming：《Out of the Crisis》，1986年。

Klarna：AI客服助手首月运营数据，2024年。

Robert S. Kaplan、David P. Norton：平衡计分卡研究，1992年。

James G. March：《Exploration and Exploitation in Organizational Learning》，1991年。

Boston Consulting Group：《AI at Work 2025》，2025年；样本10,635人。

JD.com Corporate Blog：刘强东数字人直播案例，2024年。

Dove：《The Dove Real Beauty Pledge》，2024年更新。

Richard Rumelt：《Good Strategy/Bad Strategy》，2011年。