AI原生营销下一代企业营销范式白皮书

本白皮书面向企业经营层，讨论的不是“如何多用几个 AI 工具”，而是企业是否需要改变营销系统的设计起点：目标如何被持续感知，决策如何缩短周期，执行如何跨部门协同，客户反馈如何写回业务状态，经验如何成为组织可复用资产，风险如何在授权前被控制。

“AI 原生营销”在本报告中是一种经营架构，而非技术标签。企业只有在目标、状态、决策、执行、反馈与学习形成闭环，并且人机权责、数据边界与退出机制被制度化之后，才进入 AI 原生阶段。员工使用生成式 AI、在旧流程增加自动化、采购多个 AI 工具，均可能是必要准备，但不自动构成 AI 原生。

报告中的事实性结论以公开、可核验来源为依据；对未来组织形态、商业模式和投资节奏的描述，属于管理判断与情景设计，不构成对任何企业经营结果的保证。供应商案例仅用于说明机制，不作为普遍因果证据。

品牌主页：https://shichangbu.ai/

目录

管理层需要先接受一个不舒适的判断：把 AI 嵌入旧流程，通常能够降低部分任务成本，却很难改变增长曲线。原因不在模型不够强，而在旧流程仍以年度计划、批次生产、渠道分工、人工交接和滞后复盘为基本单位。AI 被安排在局部环节输出更多素材，却不能持续读取目标、判断业务状态、调用行动网络、接收客户反馈并更新下一轮决策。结果是产量上升，系统吞吐没有上升；局部速度提高，端到端周期没有缩短；内容更多，客户价值和收入质量未必改善。

本报告将 AI 原生营销定义为：企业以可计算的经营目标和约束为起点，把实时业务状态、持续决策循环、跨渠道执行网络、客户反馈与组织学习连接为可治理闭环；AI 在明确授权内承担感知、分析、生成、编排和执行，人对不可逆决策、价值判断、关系承诺与责任承担保留最终控制权。

企业不应以“AI 是否替代人”为出发点，而应以“哪些决策应该更快、哪些流程应被删除、哪些责任不可外包、哪些反馈必须写回系统”为出发点。AI 原生营销的核心收益来自决策周期缩短、实验密度提高、客户上下文连续、跨部门摩擦下降和组织学习复利，而非单纯节省文案工时。

表 1 十大核心判断

AI 原生营销的判定标准是经营闭环是否改变，而不是是否出现 AI 界面。

1.1 定义：以目标与状态驱动的营销经营系统

AI 原生营销以经营目标、预算、品牌边界、客户权益和合规要求作为系统约束。系统持续接收市场信号、客户行为、销售进展、渠道表现和资源状态，形成可计算的业务状态；在授权范围内生成判断、触发行动、记录证据并回收结果。人不再逐项发起所有任务，而是设计目标、边界、审批门和复盘节奏。

这一结构与传统营销自动化的差异在于：自动化通常执行预先写死的规则，AI 原生系统还要在证据不足、环境变化和多目标冲突下提出判断，并明确不确定性。它不能绕过责任体系；相反，越具有行动能力，越需要身份、权限、预算、日志和回滚。

对董事会而言，AI 原生不是 IT 项目名称，而是一种资本配置选择：是否愿意把预算从一次性项目、渠道采购和人力堆叠，部分转向可持续运行的决策与学习基础设施。

1.2 四个相邻概念的关系与边界

员工使用生成式 AI，解决的是个人任务起草与信息处理；旧流程自动化，解决的是规则明确的步骤执行；购买 AI 工具，解决的是局部能力供给；Agentic Marketing，强调智能体能够规划、调用工具并推进任务。四者都可能提供价值，但只有当它们进入统一目标、业务状态、反馈与治理闭环时，才构成 AI 原生营销。

因此，企业不应争论某个产品是否“足够原生”，而应审查整个经营系统：目标是否被机器读取，客户状态是否连续，跨部门动作是否可编排，结果是否写回，经验是否更新，风险是否可停机。任何一个关键环节缺失，系统都可能退化为局部助手。

1.3 案例边界：效率实验不能直接外推经营结果

知识工作实验已经显示生成式 AI 在部分任务上可以提升速度与质量，但研究同时强调能力边界呈现不规则形态：相似任务对人看起来接近，对模型却可能位于能力边界两侧。[S05] 这类结果能证明“某些任务可被增强”，不能证明企业收入、品牌资产或客户关系会自动改善。

企业应用时必须把实验效果拆成三层：任务效果、流程效果、经营效果。任务效果可以在数天内测量；流程效果需要跨角色和跨系统观察；经营效果还受产品、价格、渠道、市场竞争和销售能力影响。

表 2 AI 原生营销与相邻概念边界

1.4 “AI 原生”必须改变经营逻辑，而不只是增加工具密度

数据｜麦肯锡 2025 年全球 AI 调查覆盖 105 个国家的 1,993 名受访者。62% 的受访者表示所在组织至少在试验 AI 智能体，但近三分之二的组织尚未开始企业级规模化；64% 认为 AI 促进了创新，只有 39% 报告企业层面的息税前利润影响，而且其中多数称影响低于 5%。被麦肯锡归为 AI 高绩效者的组织约占 6%。[S13] 采用、规模化与利润影响是三个不同层级，不能用登录人数或生成量互相替代。

机制｜工具密度回答“员工能否更快完成局部任务”，AI 原生回答“企业能否围绕同一客户与经营状态连续感知、判断、行动和学习”。前者可以让每个环节多产出一份材料，后者必须改变决策权、信息流、交接对象和反馈速度。若预算、渠道、内容、销售和服务仍各自优化，AI 只会把原有断点变成更高频的断点。

经典思想｜迈克尔·波特区分了运营效能与战略：把相同活动做得更快、更便宜，并不等于形成独特的活动组合；西奥多·莱维特则提醒企业，经营定义应从客户需要出发，而不是从现有产品和生产能力出发。[S17][S18] 因此，AI 原生的判定对象不是模型，而是企业是否围绕客户价值重新选择活动、建立取舍并形成互相强化的系统。

边界｜麦肯锡数据来自问卷自报，跨行业、跨地区口径并不等同于财务审计，也不能证明某项做法单独造成利润改善。它的用途是揭示普遍的“使用—规模—价值”落差，而不是给任何企业设定统一基准。

管理动作｜立项材料必须分别回答五个问题：客户或经营问题是什么；现有流程的结构性瓶颈在哪里；哪些决策前提将被改变；哪一段端到端周期会缩短；什么客户或财务结果能够证明变化。若答案仍是“接入模型、培训员工、增加内容”，项目属于工具采用，不属于经营重构。

AI 辅助旧流程的天花板，来自反馈被切断、责任被分割和业务状态不可计算。

2.1 九项失效假设

年度计划假设环境变化慢，静态画像假设客户特征稳定，线性漏斗假设客户按固定阶段前进，渠道分工假设各平台可以独立优化，内容批次假设创作与反馈可以分离，人工交接假设上下文能够完整传递，部门墙假设局部 KPI 可汇总为整体最优，滞后复盘假设错误成本可被月度报告承受，项目制预算假设营销能力可以在项目结束时停止。

这些假设在低频、低数据、低连接的时代具有管理便利性，但在多触点、实时反馈和高试错密度环境中，会产生系统性等待、信息损耗与重复劳动。AI 只要被嵌入这些结构，就会更快地生产等待中的中间品。

2.2 局部效率为何难以转化为收入

收入取决于客户问题是否被更早识别、价值主张是否更准确、行动是否在正确时点发生、销售是否获得完整上下文、产品是否响应真实需求。局部生成速度只影响其中一小段。若审批仍需多轮、渠道仍各自为战、线索仍靠人工搬运、销售反馈仍不回流，端到端周期不会同比缩短。

管理层常见误判是把产出指标当作价值指标。内容数量增加可能稀释品牌一致性，提高审核负担，甚至造成渠道疲劳。自动化率上升也可能意味着企业把更多低价值动作固化进系统。

2.3 结构性成本清单

旧范式的显性成本包括人工工时、代理费和工具费；更大的隐性成本来自等待、返工、上下文丢失、重复采集、错误扩散、机会错过和经验无法复用。AI 原生项目的商业论证应优先量化这些结构性成本，而不是只计算节省了多少写稿时间。

表 3 旧营销范式的失效假设

2.4 AI 原生转型会经历生产率 J 曲线

研究｜布林约尔松、洛克和赛弗森把 AI 视为通用目的技术，并指出其价值依赖流程再设计、新产品与商业模式共创、管理经验和人力资本等互补性无形投资。投资发生的早期，成本已经进入组织，收益却尚未完整出现在产出与财务指标中；当这些互补资产成熟后，生产率才可能上行，形成“生产率 J 曲线”。[S16]

在营销系统中，这段被忽略的投入包括：清理客户与内容对象、确定事实来源、重画审批路径、建立实验对照、训练异常接管、修改绩效规则和维护模型评测。购买软件通常只是账面上最容易看到的一笔；真正决定规模化价值的，恰恰是这些难以资本化、也难以在一次演示中展示的组织资产。

迈克尔·哈默关于流程再造的核心警告是，不要把旧流程原样自动化。[S19] 一个原本需要六次交接、三轮重复录入的活动，如果只是让 AI 在每个节点生成更快，企业会同时获得更多在制品、更多版本和更高审核压力。删除无价值步骤、合并责任和统一业务对象，应先于自动执行。

边界｜J 曲线不是为长期亏损或无止境建设提供借口。互补投资必须对应明确的业务假设、可复用资产和阶段退出条件；如果 90 天后仍无法说明哪一段周期缩短、哪种错误减少、哪项客户行为改善，企业面对的更可能是错误项目，而不是正常滞后。

管理动作｜为每个场景同时建立“经营结果账”和“互补资产账”。前者记录增量收入、贡献毛利、周期、质量与风险；后者记录数据产品、知识库、评测集、流程版本、岗位能力和治理规则。阶段评审既不能只看短期 ROI，也不能只汇报完成了多少底座建设。

企业应按退出条件推进，而不是把所有 AI 应用都包装成转型。

四阶段模型的用途是帮助董事会区分“采用”“增强”“重构”和“原生商业模式”。每一阶段都有合理价值，也有明确天花板。企业不需要跳级，但必须知道何时退出当前阶段：如果任务效果无法稳定，就不应扩大流程自动化；如果流程结果无法写回业务状态，就不应宣称系统重构；如果单位经济性、客户价值与责任边界未验证，就不应推出 AI 原生商业模式。

表 4 “AI 辅助—流程增强—系统重构—商业模式原生”四阶段范式迁移模型

3.1 阶段一的正确目标是建立任务证据

管理层应挑选频次高、可独立评价、数据敏感度低的任务，建立基线与对照。衡量重点是速度、质量、返工和员工采纳，不要在此阶段承诺收入增长。

管理动作：为该阶段设定唯一经营负责人、三项以内主指标、明确的预算上限和停止条件。阶段评审不以演示效果或供应商路线图为依据，而以真实业务状态和客户结果为依据。

3.2 阶段二要用端到端周期而非单步效率评审

流程增强至少连接输入、执行、审核和结果回收。若某一步快了，但等待、审批或交接没有变化，项目不应扩大。

管理动作：为该阶段设定唯一经营负责人、三项以内主指标、明确的预算上限和停止条件。阶段评审不以演示效果或供应商路线图为依据，而以真实业务状态和客户结果为依据。

3.3 阶段三要求改变责任结构

系统重构意味着流程负责人对跨部门结果负责，AI 运营负责人维护工作流、知识、权限和成本，数据负责人保证业务状态可用。它不再是营销部门单独项目。

管理动作：为该阶段设定唯一经营负责人、三项以内主指标、明确的预算上限和停止条件。阶段评审不以演示效果或供应商路线图为依据，而以真实业务状态和客户结果为依据。

3.4 阶段四必须以客户价值和单位经济性为门

动态配置、持续服务和结果定价可能带来新收入，但也会放大价格公平、解释义务、客户同意与服务责任。企业应先建立回滚、退出与人工接管。

管理动作：为该阶段设定唯一经营负责人、三项以内主指标、明确的预算上限和停止条件。阶段评审不以演示效果或供应商路线图为依据，而以真实业务状态和客户结果为依据。

3.5 四阶段迁移必须由证据门推动，而不是由愿景推动

数据｜微软 2025 年工作趋势指数调查覆盖 31 个国家的 31,000 名知识工作者，82% 的领导者认为当年是重思战略与运营的关键节点，81% 预计未来 12—18 个月会把智能体中度或深度纳入 AI 战略。[S15] 这组数据说明管理预期已经快速上升，却没有证明组织已具备流程、数据和责任条件。

麦肯锡对规模化实践的分析进一步显示，工作流再设计、高层参与、把系统嵌入业务流程、建立反馈机制、追踪 KPI 与 ROI 等做法，与价值实现同时出现。[S14] 这意味着阶段升级不能由“模型更强”“员工更熟悉”或“供应商推出新版本”触发，而应由企业自己的端到端证据触发。

证据门应当逐级提高。阶段一证明任务质量和个人采用；阶段二证明流程周期、返工和交接改善；阶段三证明跨部门结果、系统复用与风险控制；阶段四证明客户价值、单位经济性或收入结构发生变化。低阶段证据不能替代高阶段判断，单点节省工时也不能直接支撑商业模式改造。

边界｜微软与麦肯锡调查均包含认知和自报成分，且“计划采用”不等于实际部署。报告引用它们是为了区分预期热度与组织准备度，而不是预测所有企业的升级速度。

管理动作｜在投资委员会中把每个项目固定在一个阶段，并写出升级所需的三类证据：业务结果、运行稳定性、治理能力。任何缺失都维持原阶段；只有在新授权可以被撤回、异常可以被接管、增量结果可以被复核时，才扩大范围。

经营系统必须把目标、状态、决策、执行、反馈和学习连成六环。

表 5 AI 原生营销经营系统图（六模块闭环）

4.1 目标与约束必须同时可计算

只把增长目标交给 AI，会诱导系统追求表面转化。目标应同时包括收入、毛利、客户价值、品牌边界、预算、合规、员工负荷和不可触碰的客户权益。多目标冲突时，系统必须知道谁有最终裁决权。

目标应被拆为状态阈值与行动规则，而不是停留在 PPT。例：线索响应时间、特定客户群的服务承诺、价格折扣上限、品牌禁区和数据保留期限。

4.2 业务状态是系统的共同事实

AI 原生系统不以聊天记录作为最终事实。客户阶段、活动状态、内容版本、审批结果、成本、证据来源和责任人，应存在结构化对象中。任何 Agent 读取和更新的是同一状态，而不是各自记忆。

状态设计应遵循最小必要原则。企业不必先建“大一统数据湖”，但必须定义最小可行状态：当前目标、客户/商机、任务、内容/资产、实验、审批、结果和异常。

4.3 决策循环要显式记录不确定性

AI 可以提出选项、比较证据和预测影响，但不能把语言流畅度当置信度。关键决策应记录证据、假设、反对意见、预计影响、决策人和复审时间。

可逆决策可以小范围自动执行并设自动回滚；不可逆决策应要求人工审批、双人复核或更高级别委员会。

4.4 执行网络必须支持中止和人工接管

行动能力越强，停机设计越重要。每个工作流都应有预算上限、速率限制、工具白名单、异常阈值、人工接管和补偿动作。

客户可见动作、价格承诺、媒体发布、广告预算调整和 CRM 状态变更，应根据风险等级采用草稿、审批后执行或仅建议模式。

4.5 客户反馈必须回到决策而非只进报表

点击、对话、成交、退订、投诉、使用、流失和销售反馈应改变下一轮行动。只生成周报而不更新规则，不能形成闭环。

企业应区分行为信号与价值信号。高点击不等于高价值；应优先把毛利、留存、服务成本、客户成功和品牌风险写入评审。

4.6 组织学习需要版本与废止机制

知识库不是资料堆积。每条规则和经验应有来源、适用场景、责任人、版本、有效期和废止条件。错误经验若被检索系统反复调用，会成为规模化偏差。

复盘输出必须进入三类资产：可复用规则、可执行工作流、需验证假设。只有文本总结而没有状态更新，不算学习完成。

4.7 案例：淘宝天猫把 AI 接进同一条电商经营链

案例｜2025 年“双 11”，阿里巴巴把生成式 AI 接入商品目录、搜索推荐、内容生成、广告竞价、商家分析和客服。公司披露，系统为超过 20 亿件商品增加语义信息；复杂查询的搜索相关性提高 20 个百分点，部分推荐场景点击出现两位数提升；AI 竞价引擎平均提升营销 ROI 12%；AIGC 套件每月生成约 2 亿张图片和 500 万条视频，并带来超过 10% 的商品点击率提升；生意参谋累计生成 1,000 万份经营分析报告。[S21]

机制｜这些结果不是由一个万能助手产生，而是来自共享的商品、用户、活动和交易状态。搜索理解改变需求识别，推荐和竞价决定行动，内容系统提供可投放资产，客服和交易结果再形成反馈。AI 原生的关键不在模型同时出现于多个页面，而在多个能力围绕同一经营对象工作。

伊安西蒂与拉哈尼把 AI 驱动企业的可扩展核心概括为数据、分析算法和软件组成的“AI 工厂”：业务互动持续产生数据，算法转化为判断，软件把判断嵌入行动，结果再次进入系统。[S20] 这一框架说明，技术平台只有连接真实业务循环，才会形成边际学习；孤立的生成工具不会自动积累竞争优势。

边界｜以上数字来自阿里巴巴官方活动与新闻稿，主要反映平台和商家在大促期间的自报结果，未公开完整对照、成本、商家分布和长期留存。“ROI 提升 12%”不能直接迁移为任一品牌的预算承诺；内容点击提升也不等于收入或利润提升。[S21][S22]

管理动作｜企业设计经营系统时，以“对象—状态—决策—动作—结果”画链路。每个 AI 能力必须指出读取什么权威状态、改变什么业务对象、产生什么可观察结果、由谁承担后果。无法接回共同状态的能力，应视为局部工具而不是原生节点。

原生能力不是软件功能列表，而是企业可持续运行的组织能力。

表 6 “可感知—可判断—可行动—可协同—可学习—可治理”六项原生能力模型

5.1 可感知

建立信号目录，明确来源、频率、数据权利、噪声处理和失效监测。市场舆情、客户对话、销售记录和产品使用信号的价值不同，不能混为一个“数据池”。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.2 可判断

建立决策模板，把目标、证据、约束、选项和不确定性显式化。模型输出是建议，不是事实；高影响判断需要校准和反证。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.3 可行动

把建议变成可审计动作：创建任务、更新状态、生成草稿、调用渠道或触发人工。每个动作都应有身份、成本、时限和回滚。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.4 可协同

把责任、上下文和状态在组织之间传递。协同不是让多个 Agent 互相讨论，而是让正确主体在正确时间获得完整信息并承担下一步。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.5 可学习

将结果转为规则更新、知识更新、流程变化和模型配置策略变化。学习必须能减少重复错误或提高下一轮决策质量。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.6 可治理

把风险控制嵌入设计、采购、上线、运行和退出全过程。治理需要事件响应、审计证据、供应商替换和业务连续性。

管理动作：指定能力所有者，建立一项结果指标与一项风险指标；季度评审该能力是否在真实场景中被重复调用，而不是仅在演示环境存在。

5.7 实证：同一项 AI 能力对不同岗位并不产生同样价值

实证｜布林约尔松、李和雷蒙德在《经济学季刊》发表的研究观察了 5,172 名客户支持人员分阶段使用生成式 AI 助手。AI 使每小时解决问题数平均提高约 15%；经验较少、历史表现较低的员工在速度和质量上改善更明显，而最有经验员工的速度增益较小，部分对话质量还略有下降。[S23]

机制｜系统从大量成功对话中提炼做法，再把建议送给一线人员，相当于把原本依赖师徒制传播的隐性经验部分编码化。价值因此主要来自知识扩散和缩短学习曲线，而不只是生成一句更快的回复。对高手而言，通用建议可能低于其已有判断，盲目遵循反而造成能力回归平均。

克里斯·阿吉里斯区分单环与双环学习：前者在既定规则下纠错，后者会反思目标、假设和规则本身。[S24] AI 可以高频完成单环优化，但“为什么用这个指标”“为什么客户必须走这条路径”“哪些承诺不应自动作出”仍需要组织进行双环学习。否则系统会更高效地追逐错误目标。

边界｜研究发生在一家企业的软件客服环境，最终发表样本与早期工作论文口径略有调整；结果不能外推为所有营销岗位的固定提升率。它支持的是异质性判断：任务、经验、知识质量和建议使用方式共同决定效果。

管理动作｜能力评测按岗位经验和任务难度分层。除平均效率外，分别追踪新手、熟练者和专家的质量、推翻率与学习变化；允许专家拒绝低价值建议，并把被专家修正的新做法纳入知识更新，而不是用统一采用率考核所有人。

重构的重点是缩短“信号—判断—行动—结果”周期，而不是让每个岗位更快地产出文件。

表 7 营销全链路重构地图

6.1 洞察不再是报告，而是可更新假设

情报系统应把信号转换为假设、证据和待验证动作。没有行动责任人的洞察会快速失效；没有反证机制的洞察会被确认偏误放大。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.2 策略不再追求一次性完备

经营层应保留稳定方向，同时允许资源在可控边界内滚动调整。AI 可生成情景和选项，但目标冲突、品牌取舍与重大资源配置仍由管理者负责。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.3 内容系统应优化有效资产率

内容生产的目标不是最大数量，而是提高命中客户问题、支持销售和可复用的资产比例。低表现内容应触发暂停、改写或废止，而不是继续扩大。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.4 渠道编排围绕客户状态

同一客户在广告、官网、社媒、私域和销售触点之间移动。系统应基于同意和权限维护连续上下文，避免重复触达和冲突承诺。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.5 销售协同的核心是减少上下文损耗

AI 可以摘要客户历史、识别意图和建议下一步，但不能未经授权承诺价格、交付和法律责任。销售对关系与承诺承担最终责任。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.6 客户运营必须保留拒绝与人工入口

动态触达要有频率控制、透明说明、退订机制和人工服务。客户权益指标应与转化指标并列。

管理动作：选择一个真实客户旅程，记录当前端到端周期、等待点、交接点、错误点和数据断点，再决定删除、简化、重构或自动执行。

6.7 案例：联合利华重构的是产品影像供应链，而非单张图片

案例｜联合利华为产品建立高精度数字孪生，把尺寸、包装、语言、材质、光线和经过批准的视觉效果集中为可复用资产，并让全球团队与代理商在同一文件上并行协作。NVIDIA 客户案例称，产品影像生产速度提高至原来的 2 倍，成本下降 50%，跨触点品牌一致性达到 100%，重复内容平均减少至原来的五分之一。[S25]

机制｜传统流程为每个市场、渠道和规格重复拍摄与审稿；新流程先建立“产品事实”，再从同一事实生成角度、语言和渠道版本。真实的资产不是生成图片，而是可以被反复调用、权限受控、版本一致的产品数字对象。它同时减少重复生产、等待、跨区域争议和品牌偏差。

边界｜数据来自技术供应商与客户联合案例，未披露总体投入、资产覆盖率、人工审核量和销售增量。“100% 品牌一致性”是案例中的运营口径，不等于所有创意效果或消费者认知完全一致。可复制的是统一事实资产与并行协作机制，不是特定技术栈。

管理动作｜内容重构先选一个高复用、高版本复杂度的产品族，建立主数据、合法宣称、包装版本、地区限制和品牌组件，再比较从需求到可用资产的总周期、一次通过率、重复制作率、下架错误和真实业务采用率。

6.8 案例：卡夫亨氏从具体问题构建品牌知识型应用

案例｜卡夫亨氏的 TasteMaker 将品牌指南、产品目录、图片库和消费者洞察接入面向营销与研发的专用工作流。Google Cloud 客户案例称，产品概念内容从 8 周缩短到 8 小时，平台内产品开发与营销用户采用率约 70%，并节省数万小时。团队没有先建设一个无边界的企业助手，而是从一名营销人员的具体问题开始，把应用做成不依赖用户编写提示语的流程界面。[S26]

机制｜专用应用把品牌事实、消费者数据、生成模型和验收流程封装在同一条路径里。员工不必反复解释“我们是谁”，系统也不靠每个人的提示技巧维持品牌一致性。采用率由任务嵌入、数据可用和界面设计共同推动，而不是由一次培训或强制使用推动。

边界｜结果由供应商发布，未给出对照组、内容上线率、消费者反应、模型与数据总成本。8 周到 8 小时衡量的是概念内容准备，不等于新产品上市周期整体缩短，也不证明销售增长。企业应把案例当作流程设计样本，而不是 ROI 保证。

管理动作｜内容平台的北极星指标应是“有效资产率”：被业务采用、按时上线、符合品牌与法规、并对客户行为产生预期影响的资产占比。生成数量、节省的初稿时间和登录人数只能作为诊断指标，不能单独决定扩张。

AI 员工只有在身份、权限、预算、监督和责任归属明确时，才能进入正式组织。

表 8 人、AI 员工与管理者权责设计

表 9 按可逆性配置 Human in the Loop

7.1 组织不应按模型划分岗位

“某模型运营”“指令编写工程师”可能是过渡岗位。长期岗位应围绕经营对象和责任建立，例如 AI 运营、知识治理、流程产品、实验与模型风险。

7.2 运行节奏要兼顾实时与周期治理

实时系统负责异常、机会和客户状态；日/周节奏负责资源协调；月/季度节奏负责规则、预算和投资组合调整。所有节奏都应基于同一业务状态。

7.3 绩效不能奖励无效自动化

员工绩效应包含经营结果、客户价值、学习贡献和风险质量。若只奖励自动化率与内容量，团队会主动扩大低价值动作。

7.4 人工监督成本必须进入 ROI

审核、纠错、数据整理、模型评测和事件响应都是成本。高监督成本场景即使技术可行，也可能不具备经济性。

7.5 案例：Klarna 的效率跃升同时放大了监督问题

案例｜Klarna 与 OpenAI 在 2024 年公布，客户助手上线首月完成 230 万次对话，约占客服聊天的三分之二；重复咨询下降 25%，平均解决时间从 11 分钟降至不足 2 分钟，可用 35 种以上语言处理退款、退货与支付问题，公司当时预计 2024 年利润改善 4,000 万美元。[S29]

机制｜这不是一个只给建议的聊天窗口。助手读取客户账户与订单上下文，并能进入退款、退货等业务路径，因此同时改变服务容量、等待时间和问题解决。跨语言能力还降低了不同市场的服务摩擦。只有当回答连接到状态与行动，效率才有机会穿透至客户体验和成本。

自动化研究者利泽恩·班布里奇指出，系统接管常规任务后，人类留下的往往是最难、最少发生、也最缺乏练习的异常。[S30] 客服自动化率越高，转给人工的投诉、权益、情绪与例外组合越复杂；如果人员、权限和上下文交接同步缩减，表面效率会转化为恢复困难和品牌风险。

边界｜全部数字来自合作方和企业自报，首月观察、工作量等价与利润预测都不是独立审计的长期结果；“相当于 700 名全职人员”也不能解释质量分布、管理成本和复杂事件。案例证明高频标准任务可以快速规模化，不证明客服应完全无人化。

管理动作｜在扩大客服自主度前，同时计算自动解决率和“例外负荷”：人工接管量、接管等待、上下文完整率、首次接管解决率、重复咨询、投诉升级和补偿成本。为高影响事件预留具备权限的人工产能，并定期让团队处理模拟异常，避免技能退化。

可持续架构的中心是业务状态与证据链，而不是模型品牌或对话入口。

表 10 AI 原生营销最小可行技术架构

8.1 先定义业务对象，再选择模型

企业应先定义客户、商机、内容、活动、实验和审批等对象及其状态变化，再决定哪些环节需要语言模型、预测模型、规则引擎或人工。模型是实现手段，不是架构中心。

8.2 知识必须有来源与有效期

品牌规范、产品参数、政策、价格和案例会变化。检索系统若无法识别版本与过期内容，会以更高确定性传播旧事实。

8.3 多模型策略服务于风险与成本

简单分类、抽取和格式化任务可用低成本模型或规则；复杂判断需更强模型和人工复核。关键是按任务风险路由，而不是追逐最新模型。

8.4 连接器需要业务连续性设计

接口失败、字段变化、权限过期和平台限流是常态。连接器必须记录失败状态、支持重试、避免重复执行，并在关键动作失败时转人工。

8.5 防止供应商锁定要从数据与状态入手

模型可替换只有在提示、工具、业务状态、评测集和知识资产不被单一平台封闭时才成立。采购合同应明确数据导出、日志访问、模型替换和终止协助。

8.6 案例：欧莱雅把消费者知识、内容、媒体与服务分层建设

案例｜欧莱雅 2025 年年报披露，全球消费者洞察库 One Intelligence 收录超过 10 万份美容品类与消费者行为资料；内部生成式 AI 内容实验室 CreAItech 每月服务超过 4,000 名用户、生产超过 49.5 万项资产；美国 Beauty Genius 已产生超过 110 万次消费者对话；BETiq 则把营销人员判断与 AI 数据结合，用于 50 多个美容触点的广告和促销投资。[S27]

机制｜四类系统分别解决知识、内容、客户互动和投资决策，却围绕共同的品牌与消费者语境连接。内容实验室并不是洞察库的替代品，客户助手也不能代替媒体决策；分层架构让不同风险、更新频率和责任主体保持清晰，同时减少每个应用重复建立事实。

野中郁次郎关于知识创造的研究强调，组织能力来自隐性经验与显性知识之间持续转换，而不是把文件集中存放。[S28] AI 可以检索和组合已编码资料，却无法自动确认过时结论、识别一线新经验或决定哪些例外应成为新规则。知识产品必须有领域负责人、有效期、反馈入口和废止机制。

边界｜数据来自欧莱雅年报，是企业对自身数字化成果的披露。资产数、用户数和对话数说明规模，不直接证明增量销售、利润或品牌提升；BETiq 的 ROI 改善也未在该材料中给出统一数字。

管理动作｜技术架构评审先列知识域，而不是模型：消费者事实、产品事实、品牌规则、渠道规则、交易状态和实验结果分别由谁负责、多久更新、哪些系统可写入。公共底座应复用对象和治理，不应强迫所有场景共用同一个模型或发布节奏。

治理门必须在授权之前建立，并允许暂停、回滚和退出。

NIST AI RMF 将治理、映射、测量和管理作为风险管理核心，并在生成式 AI 专项资料中强调内容真实性、数据隐私、信息安全、人机配置等风险。[S01][S02] ISO/IEC 42001 提供了 AI 管理体系的组织级框架。中国现行规则对面向公众的生成式 AI 服务、生成合成内容标识、数据和个人信息保护提出要求。[S08][S09] 企业内部营销应用是否直接适用具体条款，需要结合服务对象、部署方式和行业监管由法务判断。

表 11 AI 原生营销治理控制矩阵

表 12 董事会投资组合与治理门

9.1 可逆性是授权设计的主轴

可逆决策允许系统先行动再审计；不可逆决策必须把人工判断放在行动之前。可逆性不仅看技术能否撤销，还要看品牌印象、客户信任和法律承诺是否能恢复。

9.2 品牌治理应从“词语检查”升级为承诺治理

禁忌词只能拦截表面风险。系统还要识别事实依据、比较性宣传、价格与服务承诺、敏感人群、危机语境和不同渠道规则。

9.3 事件响应必须演练

企业应至少演练误发内容、错误价格、敏感数据泄露、模型服务中断和大规模重复触达。演练目标是验证发现、停机、沟通、补偿与复盘链路。

9.4 采购合同是治理工具

采购应要求模型与数据用途说明、分包商透明、数据保留、日志、SLA、事件通知、知识产权、可移植性和终止协助。

9.5 品牌治理要覆盖从事实到交易的四级承诺

当 AI 只生成内部草稿时，品牌风险主要是错误表达；当系统进入客户互动和交易，风险对象会依次升级为事实、建议、承诺和执行。事实回答要求来源正确，建议要求适合客户情境，承诺涉及价格、权益、交付与合同，执行则会真正改变账户、预算、订单或公开内容。四级对象不能使用同一审批规则。

NIST AI 风险管理框架把治理、情境映射、测量与管理视为连续过程，并强调风险取决于具体使用环境。[S01][S02] 同一句模型输出，出现在内部头脑风暴与自动退款中，后果完全不同。治理强度应由动作可逆性、影响范围、客户权益和责任清晰度决定，而不是由模型名称决定。

详细设计｜一级事实可以在权威知识与引用完整时自动回答；二级建议需展示依据、适用条件与替代选项；三级承诺必须通过政策、价格和权限校验，高影响承诺由人批准；四级执行需要最小权限、双重确认、限额、日志与可补偿动作。任何层级无法确认状态时，系统都应降级为澄清或转人工。

管理动作｜建立“品牌承诺登记簿”，按客户触点列出系统能说什么、能建议什么、能承诺什么、能执行什么，以及各级证据源、审批人、限额和撤回方式。品牌委员会不再只抽查文案，而要审查自动化行为是否与企业真实履约能力一致。

AI 原生项目应以经营结果和学习速度计价，内容量与调用量只能解释系统运行。

表 13 AI 原生营销价值指标树

ROI 计算应采用“增量毛利 + 避免损失 + 可量化效率收益 - 全部新增成本”的口径。新增成本必须包括模型、软件、集成、数据整理、人工监督、评测、治理、培训、事件处置和机会成本。对于品牌、学习和客户关系等长期价值，可使用领先指标与情景区间，不应伪装为精确财务回报。

表 14 AI 原生营销实验卡

10.1 增量优于相关

渠道平台报告的转化与系统调用相关，不代表 AI 造成增量。可使用随机对照、分批上线、地理/人群对照、时间序列或前后对比，但必须说明假设和局限。

10.2 先衡量闭环，再衡量规模

14 天内适合验证数据、动作、监督和反馈是否连通；30—90 天评估流程与初步经营结果；365 天才适合判断组织能力和商业模式是否改变。

10.3 学习价值需要单独计量

一个实验即使未提升转化，如果快速淘汰了高成本错误假设，也创造了决策价值。可以记录每项实验避免的预算浪费、缩短的决策时间和可复用规则。

10.4 反对“内容繁荣”指标

内容量、变体数和调用量上涨，可能只是系统负荷增加。只有当有效资产率、客户响应、销售支持和复用率改善时，才说明内容系统创造价值。

10.5 ROI 必须穿透四层因果链

数据｜麦肯锡 2025 年调查中，80% 的受访者把效率设为 AI 目标；但 AI 高绩效组织更常同时追求增长与创新，而企业层面报告任何 EBIT 影响的比例只有 39%。[S13] 这解释了为什么“节省工时”可以普遍出现，真正进入利润表的价值仍然稀缺：时间被释放后是否进入更高价值工作，客户行为是否改变，新增收入是否有贡献毛利，均需要第二次转化。

卡普兰与诺顿提出平衡计分卡，是为了把学习能力、内部流程、客户结果和财务结果连接为可检验的因果链。[S31] AI ROI 同样需要四层：能力层看知识、数据和岗位准备；流程层看周期、质量、返工与接管；客户层看转化、留存、满意和信任；财务层看增量贡献毛利、可避免成本与风险调整后收益。

计算口径｜风险调整后的净价值 = 增量贡献毛利 + 可验证的成本避免 − 模型、数据、集成与监督运行成本 − 互补性建设投入的摊销 − 预期事故损失。联合利华的速度与成本、Klarna 的解决时长、欧莱雅的资产和对话规模，都只覆盖链路中的部分节点；只有企业自己的因果证据可以把它们连接到利润。

边界｜不同案例的“成本下降”“利润改善”“采用率”和“点击率”来自不同公司、时期和分母，不能横向拼成行业基准，也不能把供应商估算混入财务实绩。报告保留这些数字，是为了展示可测对象和机制，而不是制造确定性。

管理动作｜每个项目只选一个主要财务结果和两到三个领先指标，并预先写出因果链与否证条件。若领先指标改善而客户或财务结果连续两个评审周期不动，优先检查目标、流程与归因，不继续扩大产量。

运营闭环稳定后，AI 才可能改变供给配置、定价、渠道和客户关系。

表 15 AI 原生商业模式机会与边界

11.1 产品与营销边界会变薄

当营销系统持续读取使用、服务和交易信号，价值主张与产品配置会更快迭代。此时产品、营销、销售和客户成功必须共享状态与目标，否则系统会优化局部转化而损害长期价值。

11.2 个性化不等于无限差异化

高颗粒度个性化会增加解释、质量控制、交付和公平成本。企业应优先个性化信息顺序、服务节奏和内容深度，而不是直接对敏感客户做不透明价格差异。

11.3 结果定价需要可审计因果链

供应商宣传常把平台相关结果归因于 AI。结果定价必须明确基线、可控变量、外部因素、客户配合义务和争议处理。

11.4 竞争优势来自学习复利

模型能力会扩散，长期优势更可能来自专有业务状态、客户关系、知识质量、流程经验和治理信誉。企业应把每次执行变成可复用资产，而不是把能力锁在供应商界面。

11.5 商业模式原生的起点是新的价值交换

商业模式原生不是把 AI 功能加入产品页，而是客户获得的结果、企业交付结果的方式以及收费和风险分担发生变化。以美容咨询为例，聊天量只是入口；只有当客户画像、诊断依据、建议、商品可得性、购买、使用反馈和责任边界形成闭环，企业才有条件从“卖单品”走向“持续解决方案”。

欧莱雅 Beauty Genius 的 110 万次对话说明消费者愿意进入 AI 辅助决策界面，但公开材料没有证明这些对话的增量转化、复购或长期价值。[S27] 管理者必须把互动证据与商业模式证据分开：前者证明入口被使用，后者需要证明客户愿意持续交换数据、信任或费用，并获得可验证结果。

莱维特的客户导向与波特的活动系统在这里汇合：企业先定义客户真正雇用它完成的任务，再围绕该任务重组产品、服务、数据和渠道；同时做出取舍，明确哪些客户、场景和承诺不提供。[S17][S18] 无限个性化不是战略，稳定兑现有价值且差异化的结果才是。

管理动作｜商业模式试验必须同时验证四项：客户是否愿意持续使用；结果是否比替代方案更好；单位经济性是否随规模改善；错误结果由谁补偿。任何一项未通过，都回到受控服务或产品功能阶段，不用“未来想象”跨越证据门。

路线图必须同时定义交付物、评审门和失败退出机制。

表 16 14/30/90/365 天实施路线图

12.1 14 天只验证最小闭环

选择高频、低至中风险、可逆、数据可得、结果回收快的场景。不要以品牌危机、价格决策或大规模客户触达作为首个试点。

12.2 30 天建立真实运行纪律

试点必须进入真实工作节奏，包含异常、人工审核、版本变化和真实客户反馈。只有演示成功不代表可运营。

12.3 90 天建立场景组合与公共底座

相邻场景应共享客户状态、知识、指标、权限和治理，而不是复制多个孤立机器人。公共底座的投资要由复用率证明。

12.4 365 天把能力写入组织制度

预算从一次性项目转为能力产品；岗位增加 AI 运营、流程与知识责任；绩效增加学习与风险指标；采购增加可移植与退出条款。

12.5 365 天路线要同时经营探索与复用

詹姆斯·马奇区分探索与利用：探索带来试验、变异和新知识，利用带来执行、效率和复用；长期能力需要在两者之间保持张力。[S32] AI 项目若只有探索，会堆积演示和孤岛；若过早只追求利用，会把第一版流程、模型和指标固化，错过真正的经营重构。

14 天的任务是探索问题与边界，30 天验证最小闭环，90 天开始复用共同对象与控制，365 天才把有效能力写入制度。每个阶段都应保留一部分资源处理未知，但探索资源必须产生可复用证据：失败模式、评测样本、客户反馈、数据缺口或新的决策原则。

J 曲线提醒管理层，流程和人力资本投资的回报会滞后；探索—利用框架则防止“所有建设都等待未来收益”。[S16][S32] 可复用资产应逐季增加，不能只靠愿景解释当期结果。建设预算与运行预算分列，失败试验按计划退出，已验证能力才进入稳定服务与成本优化。

管理动作｜季度投资组合把项目分为三类：探索假设、验证闭环、规模复用。董事会不规定固定比例，而是审查迁移率与退出率：有多少探索形成了证据，有多少验证进入复用，有多少无效项目按时停止。项目数量上升但迁移率下降，说明组织在生产试点，不是在建设能力。

AI 原生转型的成败，取决于管理层能否持续做出停止、取舍与责任分配，而不是能否批准更多试点。

多数企业在试点阶段并不缺创意，缺的是投资组合纪律。各部门会不断提出新的 AI 场景，供应商会以功能更新推动扩容，员工会把个人效率工具包装成组织能力。董事会需要建立一个稳定的决策机制：所有场景必须进入同一价值与风险框架，明确谁承担经营结果、谁拥有数据、谁有权停机、失败后哪些资产可以保留。

13.1 立项必须从经营问题开始，而非从可用技术开始

合格的立项陈述应包含当前经营状态、结构性成本、目标客户或流程、预计改变的机制、主指标、护栏指标、授权级别和退出条件。例如，“缩短高价值 B2B 线索从首次咨询到销售有效响应的时间，并减少上下文丢失”是经营问题；“部署一个销售 Agent”只是技术方案。前者允许管理层比较不同解决路径，后者容易把供应商能力误当成业务需求。

董事会应要求项目团队说明不采用 AI 是否也能解决问题，以及为什么 AI 在该场景具有相对优势。若通过删除审批、统一字段或调整责任人就能获得大部分收益，应先完成流程简化。只有当问题需要处理高频非结构化信息、持续判断、跨系统编排或个性化响应时，AI 才可能产生额外价值。

立项材料还应列出反事实：若试点成功，哪些结果可能来自市场季节性、预算增加、人员变化或其他系统改造；若试点失败，如何区分模型能力不足、数据问题、流程问题和组织执行问题。没有反事实，项目很容易在结果不佳时无限延长，在结果较好时过度归因。

13.2 预算要从“软件采购”改为“能力投资组合”

传统软件预算往往按许可证、席位和实施费审批，AI 原生项目还会产生持续模型成本、评测成本、数据维护、人工监督、知识更新、连接器维护和事件响应成本。董事会应要求项目用全生命周期成本呈现，并分别列出固定成本、随调用增长的变动成本、规模扩大后的监督成本和退出成本。

能力投资组合至少分为三类：探索性场景，用小预算验证机制；规模化场景，以单位经济性和稳定性为门；基础能力，包括业务状态、知识、身份权限、评测和观测。基础能力不能仅凭“未来都会用”获得无限预算，必须由实际复用场景和避免重复建设的金额证明。

预算还应保留撤退选项。项目不应一次购买超出试点范围的长期容量，也不应在数据和状态尚未定义时签署深度锁定合同。采用阶段性承诺、容量上限、可导出条款和终止协助，可以把技术不确定性转化为可管理的财务选择权。

13.3 场景组合要避免“十个孤立机器人”

单点试点成功后，最常见的扩展错误是复制多个彼此隔离的 Agent：内容 Agent、投放 Agent、销售 Agent、客服 Agent 各有自己的知识、客户标签和指标。表面上功能丰富，实际会复制数据、产生冲突建议，并把人工重新变成上下文搬运者。

扩展时应先识别公共业务对象和公共控制：客户与账户、产品与报价、内容与资产、活动与实验、任务与审批、结果与异常。相邻场景应共享这些对象的状态定义，同时允许不同角色看到不同权限范围。共享状态不等于所有数据集中在一个平台，而是各系统对关键事实、版本和责任有一致约定。

场景组合的扩展顺序应遵循“同状态、近反馈、低新增风险”。例如，销售会议摘要与线索优先级共享客户和商机状态，适合相邻扩展；内容生成与自动价格谈判虽然都使用语言模型，却在责任、数据和风险上差异巨大，不应因为技术相似而捆绑上线。

13.4 经营负责人必须对跨部门结果负责

AI 原生闭环通常跨越市场、销售、客户成功、产品、数据和 IT。若每个部门只负责自己的输出，系统仍会在交接处断裂。董事会应指定唯一经营负责人，对目标、资源冲突、优先级、客户影响和最终评审负责；技术负责人负责可用性与架构，供应商负责合同范围内的交付，但不能代替经营责任。

流程负责人应拥有修改流程的权限，而不是只能在旧流程上增加自动化。数据负责人应对关键字段、来源、权限和质量负责；AI 运营负责人应对工作流版本、评测、成本、异常和知识更新负责。责任矩阵需要覆盖正常运行与异常运行，尤其要明确误发、错误承诺、数据泄露和供应商中断时谁有权立即停机。

管理层还应防止“责任向人工审核者下沉”。如果系统设计不当，基层员工会承担大量审核，却无权修改目标、规则或模型配置策略。长期会造成监督疲劳和形式化审批。审核者必须能够反馈错误类型，推动规则和流程变化。

13.5 可逆决策应小步自动化，不可逆决策应提高证据门槛

决策可逆性不是简单的“能否点击撤销”。一条公开内容可以删除，但客户已经截图传播；一次错误折扣可以在系统中回滚，但可能构成对客户的承诺；一次不当标签可以修改，但可能已经影响客户待遇。因此，应评估技术可逆、经济可逆、关系可逆、品牌可逆和法律可逆五个维度。

低影响、可逆动作适合采用阈值内自动执行与抽样审计，如内部分类、格式转换、提醒和草稿生成。中等影响动作适合 dry-run、单人审批和异常暂停。高影响或不可逆动作需要证据包、双人复核、责任人签字和复审时间。对特别重大事项，AI 只能提供选项、证据和反对意见，不获得执行权限。

随着系统表现稳定，授权可以逐步扩大，但扩大依据必须是错误率、校准、回滚成功率和人工监督负荷，而不是使用时间或供应商承诺。任何一次重大事件都应触发授权级别重评。

13.6 采购评审要审查数据、状态和退出，而非只审查模型能力

供应商演示通常集中在生成质量、Agent 数量、连接器和响应速度。董事会采购评审应增加四组问题。第一，企业数据用于什么目的，是否进入供应商训练，存储在哪里，保留多久，分包商是谁；第二，业务状态和工作流能否完整导出，日志和评测结果是否属于客户；第三，模型、搜索、向量库和执行工具能否替换；第四，服务终止时供应商提供哪些迁移和删除证明。

合同应区分模型服务、应用服务、实施服务和持续运营服务，避免责任混合。服务等级不仅包括可用性，还应包括关键动作失败通知、数据事件通知、变更提前量、日志保留和恢复目标。对外部渠道操作，应明确平台规则变化导致的能力中断不等同于供应商免责，至少需要降级与人工接管方案。

对于不可接受的锁定，企业可以采用双供应商、抽象接口、内部状态层和可移植评测集。并非所有场景都需要复杂多云架构，但关键客户关系、核心知识和不可替代流程不应只存在于单一供应商的封闭对象中。

13.7 绩效体系要奖励经营改善、学习和风险质量

若绩效继续以内容量、活动数量、自动化率和工具采用率为主，AI 会放大指标游戏。团队可能生成大量低价值内容、拆分更多任务、增加无意义调用，并把人工时间转移到审核与纠错。绩效应以经营结果和客户价值为主，以流程、学习和风险指标解释结果。

对业务团队，可使用有效资产率、销售支持采用率、客户响应、销售周期、留存、毛利和投诉等指标；对 AI 运营团队，可使用闭环成功率、单位成本、人工监督时间、重复错误率、知识更新时效、审计覆盖和事件响应时间。任何效率指标都应配套质量与风险护栏。

学习贡献也应被记录。员工识别系统边界、提交高质量反例、废止错误规则、改进工作流和沉淀可复用知识，都是组织资产。若这些工作不进入绩效，团队会倾向于追求短期产出，长期系统质量反而下降。

13.8 董事会季度评审应以五个问题结束

第一，项目是否改善了定义清楚的经营或客户结果，证据是否足以支持增量判断；第二，全部成本是否仍在预算和单位经济性范围内，包括人工监督和治理；第三，风险是否在偏好内，是否出现新的客户、品牌、数据或供应商风险；第四，能力是否形成可复用资产，还是仍依赖个别员工和供应商；第五，下一季度的动作是继续、扩大、暂停、回滚还是退出。

季度评审不应只听成功故事。项目团队必须呈现失败样本、异常类型、人工接管、客户负面反馈和未达预期的假设。高质量治理的标志不是没有错误，而是错误能够被快速发现、限制影响、恢复业务并进入学习。

每次评审还应确认“停止清单”：哪些旧流程、旧指标、重复工具和无效数据采集可以废止。若 AI 项目只增加新系统而不减少旧负担，组织复杂度会持续上升，最终抵消效率收益。

表 17 董事会季度评审证据包

13.9 董事会必须按证据等级阅读案例

案例不是结论，而是带有来源、条件和缺口的证据单元。本报告建议分四级：A 级为独立或准实验因果证据；B 级为企业公开结果但缺少对照；C 级为运营规模或采用数据；D 级为演示、计划与观点。等级描述可信度和可迁移性，不评价企业好坏。

应用｜客户支持人员研究属于接近 A 级的现场因果证据，但只适用于特定任务与人群；联合利华、卡夫亨氏、Klarna 和阿里巴巴的结果主要属于 B 级企业/供应商披露；欧莱雅的资产数、用户数与对话量主要属于 C 级规模证据；“未来全面智能体化”属于 D 级判断。它们可以共同启发机制，却不能被算术相加。

完整案例至少包含六部分：原有瓶颈、改变的业务对象、流程与组织变化、量化结果、证据来源、未被证明的部分。省略其中任何一项，案例都会滑向宣传。尤其是高倍数结果，更应主动交代基线、分母、观察期、成本和同期变化。

管理动作｜董事会材料中的每个外部案例都要附“迁移卡”：我们的任务是否相同、数据是否同质、客户风险是否相当、组织基础是否相近、结果口径能否复现、失败能否退出。迁移卡不通过，案例只能用于提出假设，不能用于承诺预算收益。

场景价值取决于实施条件；案例只能说明机制，不能替代企业自己的验证。

14.1 内容生产：先提高有效资产率，再扩大生成量

适用条件包括品牌事实和产品资料可检索、内容目标清楚、渠道反馈能够回收、人工审核责任明确。AI 可以承担选题候选、资料整理、初稿、变体、格式适配和品牌规则检查。首要指标应是有效资产率、审核一次通过率、内容进入销售或客户旅程的比例、复用率和单位有效资产成本。

不适合直接自动发布的情形包括监管敏感、事实快速变化、危机语境、涉及价格与承诺、需要原创立场或重大品牌表达。即使生成质量较高，大规模内容仍可能造成渠道疲劳、搜索同质化和品牌声音稀释。

可复制边界：内容场景适合验证工作流与知识治理，但不能据此推断线索和收入必然增长。收入结果还受产品吸引力、渠道分发、销售承接和市场需求影响。

14.2 销售协同：AI 可以减少上下文损失，不能承担客户承诺

适用条件是 CRM 或商机状态基本可用，会议、邮件和沟通记录取得合法授权，销售阶段和下一步动作有明确规则。AI 可做会议摘要、问题识别、资料推荐、跟进草稿、风险提醒和 CRM 更新建议。价值来自响应更快、信息更完整、销售经理更早发现停滞商机。

关键边界是价格、合同、交付、产品能力和法律承诺。AI 可以引用已批准政策并生成建议，但销售或授权负责人必须确认对外承诺。自动评分还需检查是否使用敏感属性或历史偏见，避免把过去的选择偏差固化为客户待遇。

可复制边界：销售协同效果高度依赖数据纪律和销售管理。若销售人员不更新状态、产品资料过期或激励不一致，AI 只会生成更完整但无人执行的建议。

14.3 投放优化：先做诊断与草稿，再考虑阈值内自动执行

适用条件是广告账户数据可访问、转化口径稳定、预算与品牌边界明确、平台操作可审计。AI 可进行账户体检、异常检测、素材表现归纳、预算与出价建议、实验设计和 dry-run 变更包。早期应关注发现异常的提前量、建议采纳率、实验周期和人工分析时间。

自动调整预算面临平台归因偏差、短期波动、季节性和竞争变化。若系统只优化平台转化，可能牺牲毛利、客户质量或长期品牌。因此，预算自动化必须设账户、活动和日级上限，保留人工审批与一键回滚，并把 CRM 质量与毛利信号纳入评审。

可复制边界：供应商展示的 ROAS 改善通常混合了创意、预算、受众和市场变化，不能直接归因于 AI。企业应采用分批或对照实验。

14.4 客户运营：事件驱动优于无差别高频触达

适用条件是客户同意、身份映射、服务状态和触达记录可用。AI 可根据客户事件生成服务提醒、知识回答、续费或使用建议，并在复杂问题时路由人工。价值应以问题解决、留存、扩张、服务成本和客户满意度衡量，而不是消息发送量。

主要风险是过度打扰、错误身份、敏感推断和“自动化冷漠”。系统需要频率限制、渠道偏好、退订、解释和人工入口。对投诉、财务困难、健康、安全或其他高敏感情境，应优先人工处理。

可复制边界：高频消费服务与复杂 B2B 服务的客户旅程差异很大。触达策略、人工接管和价值指标不能照搬。

14.5 市场情报：持续监测必须连接决策责任

适用条件是信号来源合法、关键词和对象边界清楚、噪声处理与事实核验机制存在。AI 可抓取公开信息、聚类主题、识别变化、形成证据摘要和待验证假设。价值来自缩短机会与风险识别周期，而非生成更长报告。

情报系统容易产生“信号繁荣”：每天大量预警，但没有优先级、责任人和行动。应把每条重要信号连接到假设、影响、证据强度、负责人、截止时间和处理结果。低置信度信号只进入观察，不直接触发客户可见动作。

可复制边界：公开信息只能反映部分市场。企业仍需结合销售、服务、产品使用和一线判断，避免把社媒热度等同于真实需求。

14.6 产品与商业模式：在运营闭环稳定前保持克制

当企业已经能够持续感知需求、配置内容与服务、回收客户价值并控制单位成本时，AI 才可能进一步支持动态产品组合、持续服务和结果定价。早期可以在低风险客户群或内部服务中进行小范围试验，明确人工接管与退出。

商业模式试验必须同时测量收入、毛利、服务成本、客户成功、投诉和公平性。个性化价格、自动资格判断和结果付费涉及更复杂的责任与监管，应由产品、法务、财务和客户负责人共同评审。

可复制边界：商业模式变化不是模型功能的自然结果。它依赖供给模块化、交付标准化、客户信任、合同安排和组织能力。没有这些基础，所谓“AI 原生商业模式”只是新的包装。

表 18 典型场景授权与暂停条件

14.7 六种情况下，不应急于进入 AI 原生执行

第一，业务对象没有统一标识，同一客户、产品或活动在多个系统中无法对应；第二，事实来源没有责任人和有效期；第三，结果极低频且不可逆，如危机声明、重大合同与敏感客户权益；第四，没有足够反馈观察系统是否做对；第五，人工接管者缺少上下文或处置权限；第六，单位经济性必须依赖未经验证的高自动化率才能成立。

这些场景不是永远不能使用 AI，而是应降低自主性。危机公关可以做舆情聚类和事实核对，不能自动发布立场；价格谈判可以整理历史与边界，不能越权承诺；客户拒绝可以发现资料缺口，不能在无法解释偏差时自动作出权益决定。建议、草稿、模拟和监测仍然可以创造价值。

停止条件需要在上线前写入：证据不足时停止、权限冲突时停止、客户表达异议时停止、异常成本超过阈值时停止、无法形成可靠引用时停止。会停止的系统才有资格获得行动权；必须依靠人工发现失控后再拔线的系统，只适合隔离试验。

管理动作｜所有自动执行场景先完成“反向方案”：如果不用 AI，怎样以规则、流程简化或人工辅助解决同一问题；如果 AI 失效，怎样在目标时限内恢复。只有 AI 方案在价值、风险和可恢复性上同时优于替代方案，才进入生产。

一次性上线不能形成原生能力；企业需要把目标、异常、知识、成本和风险纳入固定运行节奏。

15.1 每日运行关注异常与机会，不追求全面汇报

每日机制应只处理需要及时行动的事项：关键客户状态变化、活动异常、预算偏差、内容或服务风险、系统失败和高价值机会。系统需要把信号分为自动处置、人工确认、升级决策和仅观察四类，避免管理者被大量低价值提醒淹没。每条提醒应包含来源、影响对象、证据强度、建议动作、截止时间和责任人。若提醒不能改变任何行动，就不应进入每日运行界面。

每日运行还要检查自动执行的健康度，包括失败、重复、延迟、成本异常和人工接管。管理者不需要阅读所有调用日志，但必须能看到关键工作流是否偏离目标和风险阈值。

15.2 每周经营会审查闭环，而非展示产出清单

周会应围绕目标偏差、客户状态、正在运行的实验、异常与阻塞展开。内容团队不再只报告发布数量，投放团队不再只报告平台数据，销售不再只报告商机总额；各角色共同审查同一客户或经营状态如何变化，以及下一步由谁行动。

AI 可以自动准备证据包、识别未完成行动和形成候选决策，但会议必须保留争议、反证和责任确认。会后行动应写回任务与业务状态，并设置复审时间。若会议结论只生成纪要而不改变系统状态，组织仍然依赖人工记忆。

15.3 月度复盘要更新规则、知识和流程版本

月度复盘的对象不是“AI 表现好不好”这一抽象问题，而是具体错误类型、有效机制和资源配置。团队应统计哪些任务经常被人工重写、哪些知识频繁过期、哪些工作流产生等待、哪些指标诱导错误行为、哪些场景的单位成本恶化。

复盘输出至少包括：保留并扩大的一条规则、需要修改的一条工作流、需要废止的一条知识或指标、需要新增的一项评测、需要暂停的一个场景。所有变化都应记录版本、责任人、原因和生效时间，以便发生问题时追溯。

15.4 季度投资组合评审决定资本流向

季度评审需要比较不同场景的风险调整回报，而不是逐个项目听汇报。高价值、低风险、可复制的场景可以扩大；价值不确定但学习重要的场景可保留小规模；监督成本过高、客户价值受损或供应商锁定严重的场景应暂停或退出。

公共底座预算也要接受评审。统一客户状态、知识治理、身份权限和评测平台可以支撑多个场景，但必须显示复用率、避免重复成本和业务连续性价值。基础设施不能因为“战略性”而脱离经营证据。

15.5 知识运营要像产品运营一样管理生命周期

企业知识包含事实、规则、经验、模板和判断，不同类型需要不同治理。产品参数、价格、政策和服务承诺属于高时效事实，应有权威来源和失效日期；品牌原则和方法论相对稳定，但仍需责任人；案例和复盘经验必须标明适用条件，不能被当作普遍规律。

知识进入系统前要审核来源和权限，运行中要记录被调用频率与错误反馈，过期后要下架或降权。知识质量指标应包括命中率、引用可追溯率、过期率、冲突率和错误重复率，而不是文档数量。

15.6 评测体系需要覆盖正常、边界与对抗情形

只用理想输入测试系统，会高估真实表现。评测集应包含信息缺失、事实冲突、客户表达含糊、知识过期、权限不足、工具失败、提示注入和高风险请求。每次模型、提示、知识或工作流变化，都应对关键评测集回归测试。

评测不应只看语言质量，还要检查事实、引用、行动正确性、权限、成本和是否选择了正确的人工升级路径。对客户可见场景，应保留真实事件的匿名化反例，确保系统不会重复已发生的错误。

15.7 成本运营需要把模型调用放回业务单位

单次 Token 价格不能解释经济性。企业应把成本归集到有效内容、合格线索、解决的服务请求、完成的实验或缩短的销售周期等业务单位，并包含人工监督和失败重试。一个便宜模型若产生大量返工，单位业务成本可能更高。

成本治理可以采用任务路由、缓存、结构化规则、小模型、批处理和调用上限，但不能以牺牲关键事实和客户权益为代价。异常成本应触发自动暂停或降级，而不是等到月末账单才发现。

15.8 业务连续性要求保留人工降级路径

AI 原生不等于取消人工流程，而是将人工集中在判断、例外和恢复。关键场景必须定义模型不可用、连接器失败、知识服务中断、权限异常和供应商退出时的降级方案。降级可以是只读、仅建议、草稿、规则流程或完全人工。

降级方案应定期演练，确认员工仍知道如何操作，必要数据能够导出，客户服务不会中断。长期不演练的备份流程通常只存在于文档中。

15.9 变更管理要解释岗位价值，而非只培训工具

员工抵触往往不是不会使用，而是不清楚责任、评价和职业价值如何变化。管理层应明确哪些重复任务会减少，哪些判断和关系职责会增加，谁对 AI 输出负责，错误反馈如何影响系统，员工是否因发现问题而受罚。

培训应围绕真实工作流和边界进行，包括如何验证证据、识别不确定性、处理异常、保护数据和升级决策。仅教授指令编写和功能，会让使用停留在个人技巧，无法形成组织能力。

15.10 能力成熟的标志是管理者可以放心说“不”

成熟系统并非自动化最多，而是能够识别不值得做、证据不足、风险过高或单位经济性不成立的动作。AI 应能够因为缺少授权、数据冲突、客户拒绝或预算阈值而停止，并向责任人说明原因。

董事会也应能够关闭没有价值的场景、废止重复工具和缩减不必要的数据采集。停止能力保护资本、客户和组织注意力，是 AI 原生营销区别于技术堆叠的重要标志。

表 19 AI 原生营销运行节奏

高质量决策需要把技术热度转化为可验证的经营问题。

16.1 “我们已经让员工用 AI，为什么还要重构？”

员工使用 AI 可以提高个人任务速度，但个人效率不会自动解决跨部门等待、数据断点、客户上下文丢失和复盘滞后。重构的判断标准不是是否已有工具，而是端到端周期、客户结果和组织学习是否改变。若现有使用已经形成稳定闭环，就无需为“原生”标签重复投资；若仍依赖人工搬运和临时协调，则需要改造状态与责任。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.2 “是不是 Agent 越自主越先进？”

自主度只是设计变量，不是成熟度。高风险、不可逆和责任重的场景，较低自主度可能更优。成熟系统会根据可逆性、证据、客户影响和组织能力动态授权，并能在异常时自动降级。追求最高自主度容易把技术展示置于经营安全之上。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.3 “能否先买一个平台，再慢慢找场景？”

平台采购可以降低后续试验门槛，但在目标、状态和责任未定义时大规模采购，容易形成闲置能力与锁定。更稳妥的方法是先选择一个闭环场景，定义最小公共能力，再决定哪些能力值得平台化。平台价值应由复用场景、避免重复建设和业务连续性证明。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.4 “14 天能否证明 ROI？”

14 天通常只能证明闭环可行性：数据能否合法获得、动作能否执行、人工是否能监督、结果能否回收、错误是否可控。某些高频场景可观察初步效率或客户响应，但难以可靠证明收入增量、留存和品牌价值。董事会应把短周期当作淘汰错误方案的机制，而非要求夸大的财务承诺。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.5 “是否应该建设统一大数据平台后再开始？”

不必。等待所有数据统一可能延误价值验证。首个场景应定义最小可行状态，只连接完成闭环所需的数据和系统。同时，字段、权限、来源和写回规则要按可扩展方式设计，避免形成新的孤岛。随着场景扩大，再用复用需求推动公共数据能力。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.6 “如何判断模型输出足够可靠？”

可靠性必须针对任务和风险定义。企业需要真实评测集、事实与证据检查、边界与对抗测试、错误分类、人工复核和运行监测。平均得分不能掩盖关键错误；例如公开价格、法律承诺和敏感客户判断中的一次错误，可能比大量正确摘要更重要。可靠还包括工具执行、权限和回滚，不只是文本质量。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.7 “AI 会不会削弱员工能力？”

如果员工只接受系统答案而不参与判断，确实可能产生技能退化和自动化依赖。组织应让员工负责目标、证据验证、例外、客户关系和复盘，并通过抽样独立判断、轮换人工操作和反例训练保持专业能力。AI 应减少低价值劳动，同时提高对判断质量的要求。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.8 “如何防止供应商锁定？”

锁定通常发生在业务状态、知识、工作流、评测和日志被封闭，而不只是模型接口。企业应明确数据与对象导出、模型替换、工具抽象、日志所有权、终止协助和人工降级。并非所有系统都要自建，但核心客户关系、品牌知识和经营证据必须由企业控制。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.9 “哪些场景最不适合先做？”

首批不应选择危机回应自动发布、重大价格与合同承诺、敏感客户资格判断、无上限预算操作、删除关键数据或高度监管内容。这些场景的错误难以恢复、责任重且监督复杂。可以先采用仅建议、证据整理和草稿模式，等待数据、治理和组织能力成熟。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

16.10 “最终应该由谁负责？”

业务结果由经营负责人负责，技术可用性由技术负责人负责，数据质量和合法性由数据责任人负责，工作流与评测由 AI 运营负责人负责，重大风险偏好与资本配置由董事会或经营委员会负责。供应商承担合同责任，但不能成为企业经营责任的替代者。清晰责任比“人机协同”口号更重要。

董事会追问：该回答在本企业的证据是什么？谁负责验证？在什么日期以什么指标复审？若答案仍是“供应商说可以”，则不应进入扩大阶段。

采购决策应确保企业获得可持续能力、可审计控制和真实退出权。

17.1 需求文件必须描述业务对象和状态

采购需求不应只列出“支持 RAG、Agent、工作流、多模型”等技术名词。应明确系统要读取和更新哪些业务对象，例如客户、商机、内容、活动、实验、审批和结果；每个对象有哪些状态、谁能修改、什么动作需要审批、失败后如何恢复。供应商只有理解业务状态，才能评估连接、权限和实施复杂度。

管理动作：把该项写入招标或采购评分表，并指定业务、数据、安全、法务和采购共同评审。任何一方发现红线，应进入暂停或补充验证。

17.2 演示必须使用真实边界条件

供应商演示应包含缺失信息、冲突资料、过期知识、权限不足、工具失败和高风险请求。企业应要求展示系统如何拒绝、降级、请求人工和记录证据，而不是只看理想问题的流畅回答。演示数据可以脱敏，但业务流程必须接近真实运行。

管理动作：把该项写入招标或采购评分表，并指定业务、数据、安全、法务和采购共同评审。任何一方发现红线，应进入暂停或补充验证。

17.3 评标要把治理与退出设为硬门槛

模型效果、功能覆盖和价格可以评分，但数据用途不透明、无法导出业务状态、缺少审计日志、无法配置权限或没有终止协助，应成为否决项。高分功能不能抵消不可接受的治理风险。对关键场景，还应要求业务连续性、替代模型和人工降级方案。

管理动作：把该项写入招标或采购评分表，并指定业务、数据、安全、法务和采购共同评审。任何一方发现红线，应进入暂停或补充验证。

17.4 合同要区分承诺与依赖

供应商能直接控制的模型路由、工作流、日志和服务支持，可以形成明确承诺；依赖第三方平台接口、渠道审核和外部模型变化的能力，应写明依赖、通知、降级和责任分配。合同不应把所有外部变化都转化为客户承担的不可控风险。

管理动作：把该项写入招标或采购评分表，并指定业务、数据、安全、法务和采购共同评审。任何一方发现红线，应进入暂停或补充验证。

17.5 验收应以闭环和证据为准

验收不是功能逐项点亮，而是用真实场景完成目标、输入、判断、执行、审批、结果回收和异常恢复。验收材料应包括状态记录、日志、评测结果、权限证明、成本数据和人工接管。若系统只能在供应商人员现场操作，尚未形成企业能力。

管理动作：把该项写入招标或采购评分表，并指定业务、数据、安全、法务和采购共同评审。任何一方发现红线，应进入暂停或补充验证。

表 20 AI 原生营销采购评分清单

转型质量取决于企业能否避免把技术不确定性转化为组织复杂度。

18.1 先缩短反馈，再扩大产能

很多企业首先扩大生成能力，却没有加快客户反馈、销售反馈和经营结果回流。产能扩张会增加审核、发布和管理负担。首个改造目标应是缩短信号到决策、决策到行动、行动到反馈的周期；只有反馈足够快，更多产能才有价值。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.2 先建立停止条件，再授予行动权限

没有停止条件的自动化会把错误持续放大。每个场景应在上线前定义预算、频率、错误、投诉、数据质量和系统健康阈值，并明确谁有权停机。暂停不是项目失败，而是风险控制的正常动作。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.3 先形成共同状态，再增加智能体数量

多智能体只有在共享目标、业务状态、权限和结果时才可能协同。若每个智能体拥有不同客户事实、内容版本和指标，数量越多，冲突越大。企业应优先建设最小共同状态和责任传递，再增加专业角色。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.4 先验证责任，再讨论无人化

客户、监管和董事会最终追问的是谁做出决定、依据是什么、为何允许系统行动。若企业无法回答，任何“无人化”都只是责任模糊。高成熟度不是人消失，而是人把注意力集中在不可替代的判断和责任。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.5 先证明复用，再投资公共平台

公共能力的价值来自多个真实场景复用。若只有一个场景，轻量连接和局部状态可能更经济。企业应以重复建设成本、复用次数、维护效率和连续性证明平台化，而不是用未来愿景替代当前证据。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.6 先保护客户价值，再优化短期转化

AI 能更高频地触达、测试和个性化，也更容易造成打扰、操纵和不公平。企业应把投诉、退订、信任、服务解决和长期价值设为护栏。短期转化改善若以客户关系恶化为代价，不应被视为成功。

常见失败模式：将该原则降格为技术配置，由项目团队自行处理，而经营层不改变目标、预算、责任和评审方式。纠正动作是把原则写入立项、采购、验收和季度治理门。

18.7 失败往往来自指标替代与局部最优

唐纳德·坎贝尔指出，量化指标越被用于高压决策，越可能受到操纵并扭曲它原本要监测的过程；戴明则强调，质量问题多半产生于系统设计，不能只归责一线个人。[S33][S34] 当企业奖励内容数量、调用次数、自动化率或线索数时，系统会忠实扩大这些数字，即使客户价值下降。

典型失真包括：为提高素材量重复生成低差异版本；为提高自动解决率阻止客户转人工；为提高线索数放宽资格标准；为提高 ROI 把品牌建设和新增客户成本移出分母；为提高采用率强制员工保留低质量建议。局部指标越漂亮，端到端经营结果可能越差。

指标必须成组出现：效率指标配质量与客户结果，增长指标配贡献毛利与长期价值，自动化指标配人工接管与事故损失，采用指标配任务完成和推翻率。任何单项出现异常改善，都应触发口径、行为和数据检查，而不是自动奖励。

管理动作｜月度复盘至少追问一次“如果系统只想把这个数字做大，它会如何伤害客户或组织？”把答案转成护栏与抽样审计；一旦发现目标替代，优先修改目标和流程，不用更多提示语掩盖系统性问题。

以下工具可直接用于董事会立项、CMO 场景评审、流程梳理和季度投资组合管理。评分不追求精确科学，而用于暴露假设、统一语言和形成可审计决策。

工具 1｜旧流程“删除—简化—重构—自动执行”决策矩阵

表 21 流程决策矩阵

工具 2｜场景优先级评分卡

表 22 场景优先级评分卡（总分 100）

建议：首批场景优先选择 70 分以上且无单项红线者。高价值但高风险场景可以进入“仅建议/草稿”模式，不应直接自动执行。

工具 3｜AI 原生程度诊断与五级成熟度

表 23 AI 原生营销五级成熟度

表 24 AI 原生程度诊断表

工具 4｜董事会投资组合卡

表 25 董事会 AI 原生营销投资组合卡

工具 5｜董事会与 CMO 检查清单

表 26 董事会/CMO 检查清单

工具 6｜外部案例迁移卡

使用方法｜在引用任何外部案例支持立项前，由业务负责人逐项填写：①原问题与我们的瓶颈是否相同；②业务对象与数据是否可比；③流程、岗位和权限改变了什么；④结果属于效率、客户、收入还是利润；⑤数字由谁发布、是否有对照；⑥完整成本是否可见；⑦风险与监管环境是否相当；⑧在本企业如何小规模否证。

判定规则｜八项中任一项无法回答，案例只用于提出假设；能回答但缺少独立因果证据，可用于设计试点；只有企业自己的试验重复了关键机制、口径和边界，才可用于预算承诺和规模化决策。

表 27 术语表

表 28 先做与后做场景边界

表 29 纯文本来源索引

注：来源索引仅保留机构、标题、日期与口径，不提供第三方可点击链接。报告中的数字与案例应按其原始口径理解，不将全球与中国、采用率与规模化率、任务实验与经营结果混用。

V1.1 新增来源索引

• S13｜McKinsey & Company / QuantumBlack, The State of AI in 2025: Agents, Innovation, and Transformation, 2025-11-05. 全球调查覆盖 105 个国家的 1,993 名受访者；数据为自报并按受访者所在国 GDP 加权。

• S14｜McKinsey & Company / QuantumBlack, The State of AI: How Organizations Are Rewiring to Capture Value, 2025. 工作流再设计、领导参与、流程嵌入、反馈和 KPI/ROI 等规模化实践。

• S15｜Microsoft, 2025 Work Trend Index Annual Report: The Year the Frontier Firm Is Born, 2025. 覆盖 31 个国家的 31,000 名知识工作者；属于企业委托调查与趋势判断。

• S16｜Erik Brynjolfsson, Daniel Rock & Chad Syverson, The Productivity J-Curve: How Intangibles Complement General Purpose Technologies, American Economic Journal: Macroeconomics, 2021. AI 互补性无形投资与生产率滞后。

• S17｜Theodore Levitt, Marketing Myopia, Harvard Business Review, 1960. 从客户需要而非既有产品定义经营边界的经典文章。

• S18｜Michael E. Porter, What Is Strategy?, Harvard Business Review, 1996. 运营效能、战略取舍与活动系统的经典文章。

• S19｜Michael Hammer, Reengineering Work: Don’t Automate, Obliterate, Harvard Business Review, 1990. 流程再造经典文章。

• S20｜Marco Iansiti & Karim R. Lakhani, Competing in the Age of AI, 2020. 数据、算法与软件构成可扩展 AI 运营核心的管理著作。

• S21｜Alibaba Group, AI Powers Large-scale Applications at the World’s Largest Shopping Festival, 2025-10-16. 淘宝天猫商品、搜索推荐、广告、内容、经营分析与客服的企业自报结果。

• S22｜Alibaba Group, Taobao and Tmall’s 11.11 Shopping Festival Delivers Solid Growth for Brands, 2025-11-15. 大促经营与 AI 使用规模的企业自报结果。

• S23｜Erik Brynjolfsson, Danielle Li & Lindsey Raymond, Generative AI at Work, The Quarterly Journal of Economics, 2025. 5,172 名客户支持人员的分阶段部署研究。

• S24｜Chris Argyris, Double Loop Learning in Organizations, Harvard Business Review, 1977. 单环与双环组织学习的经典文章。

• S25｜NVIDIA Customer Story, Unilever Enhances Product Imagery Production With Digital Twins, accessed 2026-07-20. 供应商与客户联合披露的产品数字孪生和内容供应链案例。

• S26｜Google Cloud Customer Story, Kraft Heinz Supercharges Innovation and Speeds Time to Market with Gen AI, accessed 2026-07-20. 供应商与客户联合披露的 TasteMaker 案例。

• S27｜L’Oréal, 2025 Annual Report / Beauty Tech Acceleration with AI & Digital Innovation, published 2026. 企业年报披露的消费者知识、内容实验室、媒体决策和 Beauty Genius 数据。

• S28｜Ikujiro Nonaka, The Knowledge-Creating Company, Harvard Business Review, 1991. 隐性知识与显性知识转换的经典文章。

• S29｜OpenAI / Klarna, Klarna’s AI Assistant Does the Work of 700 Full-Time Agents, 2024. 合作方披露的首月客服运营数据与利润估计。

• S30｜Lisanne Bainbridge, Ironies of Automation, Automatica, 1983. 自动化后人工监督、技能与异常接管的经典研究。

• S31｜Robert S. Kaplan & David P. Norton, The Balanced Scorecard—Measures That Drive Performance, Harvard Business Review, 1992. 学习、流程、客户与财务结果之间的因果衡量框架。

• S32｜James G. March, Exploration and Exploitation in Organizational Learning, Organization Science, 1991. 探索、复用与组织长期适应的经典研究。

• S33｜Donald T. Campbell, Assessing the Impact of Planned Social Change, 1976. 高压量化指标可能诱发目标替代与过程扭曲。

• S34｜W. Edwards Deming, Out of the Crisis, 1986. 系统质量、过程管理与管理责任的经典著作。

AI 原生营销并不要求企业一次性推翻所有系统，也不要求追求最高自主度。它要求管理层改变项目的设计顺序：先确定经营目标与不可触碰的约束，再定义业务状态和责任；先删除、简化和重构流程，再配置自动执行；先建立审批、回滚与退出，再扩大授权；先验证客户价值和单位经济性，再讨论商业模式。

未来的差异不会长期来自谁更早接入某个模型，而来自谁能把市场信号更快转化为有证据的决策，把决策更可靠地转化为跨部门行动，把客户结果写回组织，并在风险可控的前提下持续学习。这样的能力一旦成为日常经营机制，就不再是一个 AI 项目，而是企业营销系统的新基础。

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。

本报告的范式迁移、经营系统和治理工具，旨在帮助管理团队识别旧流程增强的天花板，并围绕实时业务状态重构决策、执行、反馈与学习闭环。