AI 对营销领导力的冲击，并不主要来自内容生成速度提升，也不取决于 CMO 是否理解更多模型参数、采购更多营销技术或亲自掌握更多工具。真正的变化在于：客户入口、信息生产、数据使用、决策节奏和组织边界同时发生迁移，传统以年度计划、活动项目和部门资源为中心的营销管理方式，正在失去对增长过程的解释力和控制力。
过去，CMO 可以主要围绕品牌定位、传播声量、媒体组合、活动执行和市场团队管理履职。即使客户数据分散、收入归因不清、技术系统彼此割裂，只要品牌资产稳定、传播效率可接受、销售与市场之间维持基本协作，组织仍能运行。AI 改变了这一均衡：企业可以在极短时间内生成大量内容、部署自动化触达、调整投放组合、生成客户建议并推动跨渠道执行，但速度越快，错误传播、数据越界、品牌稀释、局部指标绑架和责任逃逸也越容易被放大。
因此，AI 时代的 CMO 不能继续被定义为“更懂技术的传播负责人”，而应被重新定义为：
将不确定战略转化为可验证增长命题，将客户数据、品牌资产、专业判断、组织权力与 AI 执行能力编织成可审计、可学习、可停止的经营系统，并对品牌、收入与风险承担共同责任的增长系统领导者。
这一定义包含四个不可分割的变化。
第一，CMO 的核心产出不再只是营销计划和传播结果，而是一个能够持续运行的增长命题组合。每个命题必须说明目标客户发生了什么变化、企业准备改变什么客户行为、价值通过何种机制产生、需要调用哪些数据与能力、何时继续投资、何时停止。
第二，CMO 的领导对象不再只是市场部员工与代理商，而是由人、AI、数据、流程、渠道和外部伙伴构成的社会技术系统。领导力必须表现为对目标、接口、反馈、权限和异常升级的设计能力，而不能仅表现为个人洞察力、表达力或鼓舞能力。
第三，CMO 的权力不能简单扩大为对更多系统和预算的单点控制。客户承诺、品牌资产、收入目标、客户数据、模型应用、渠道执行和合规责任分别具有不同的责任主体。成熟的治理方式不是制造“超级 CMO”，而是建立主张权、建议权、共决权、否决权和升级权清晰分离的决策权轨道。
第四，董事会不能再以工具采用率、内容产量、节省工时、自评问卷或人格标签评估 CMO。真正有效的评估证据，应来自预算重配、模型事故、品牌争议、归因冲突、跨部门阻塞、增长失速、并购整合和重大渠道变化等关键时刻中的可观察行为，以及这些行为是否形成了更高质量的经营判断和更可持续的组织能力。
本报告提出 LEADER-6 领导力星图，将 AI 时代 CMO 领导力拆解为六类相互约束的能力：
LEADER-6 不是六项人格特质，也不是要求一位 CMO 在所有领域亲自成为最高水平专家。它是一套经营责任框架：要求 CMO 确保六类工作在组织中被真实完成，并能通过行为、机制和结果接受审计。
报告同时提出四套配套管理工具：
CMO 决策权轨道：围绕客户承诺、品牌资产、收入、数据、模型、渠道和合规七类对象，明确主张权、建议权、共决权、否决权和升级权。
增长—品牌—风险三本账：所有重要 AI 营销决策必须同时记录增量价值假设、品牌资产影响和不可逆风险。
双钥匙与红队机制：高风险数据使用、自动发布、客户承诺和模型应用，由 CMO 与 CIO/CDO、法务或业务负责人共同放行，并配置独立挑战者和停止条件。
关键时刻领导力场景桌：通过八类真实经营场景，而非抽象问卷，评估 CMO 的判断、协同、边界意识与复盘能力。
对董事会而言，最重要的治理结论是：**经营授权、结果责任与风险问责必须同时配置。**只扩大 CMO 的增长责任而不赋予跨部门共决权，会制造“有责任、无控制”的失败职位；只扩大数据和自动化权限而不建立责任账和停止条件，则会制造“有速度、无边界”的系统性风险。
对 CMO 而言，最重要的行动原则是：不要从“采购什么 AI”开始，而要从“企业准备改变哪一个客户行为、凭什么相信能够改变、用什么证据判断是否继续”开始。技术选择只能服务于经营命题，不能反过来定义战略。
核心结论一：CMO 的升级不是职责清单扩张，而是经营契约重写
许多企业正在把增长、客户体验、数据应用、商业创新甚至数字化转型责任加入 CMO 的岗位描述，却没有同步调整预算权、数据权、产品接口、销售协同和风险决策权。结果不是形成更强的营销领导力，而是制造一个对结果负责、却无法控制关键因果变量的高压职位。
CMO 转型必须先回答三个问题：对什么经营结果负责；能够影响哪些关键变量；当依赖部门不履行共同责任时，拥有什么升级机制。没有经营契约，能力模型只能成为新的要求清单。
核心结论二：AI 时代最稀缺的不是预测能力，而是命题能力
技术趋势可以被多数企业同时看见，真正拉开差距的是：谁能把趋势翻译为具体客户、具体行为、具体价值机制和具体证据。优秀 CMO 不以“我们也要做智能体”“我们也要个性化”为起点，而以“哪个客户行为值得改变、为什么现在能够改变、如何证明变化来自我们的行动”为起点。
战略想象必须与可证伪性绑定。不能定义失败条件的战略，只是愿望；不能定义继续投资门槛的试点，只是展示。
核心结论三：AI 营销价值来自系统重构，而非工具叠加
单点工具可以提高某项任务的产出速度，却不必然改善收入、利润、客户价值或品牌资产。只有当目标、数据、流程、权责、审批、反馈和组织能力共同改变时，局部效率才可能转化为经营价值。
因此，CMO 的系统设计责任不是选择更多功能，而是消除端到端价值链中的断点：内容与客户命题是否一致，渠道数据能否反馈到下一轮决策，线索是否进入销售行动，异常是否被及时升级，经验是否沉淀为组织能力。
核心结论四：CMO 不应成为“超级控制者”，而应成为决策权架构师
AI 时代的营销涉及品牌、收入、数据、模型和合规，多数关键决策天然跨越多个专业边界。试图由 CMO 单点控制所有对象，既不现实，也会破坏专业制衡。
CMO 的核心权力应从“拥有一切最终决定权”转为“定义哪些决策由谁作出、依据什么证据、经过何种审查、在何种情况下升级或停止”。成熟领导力体现为边界清楚，而不是权力无限。
核心结论五：CMO 与 CIO/CDO 的关系应从供需关系转为双钥匙共治
传统模式下，市场提出需求，技术部门负责交付；新模式下，客户数据、模型行为、自动化执行和商业价值彼此耦合，任何一方单独批准都不足以保证结果。
CMO 负责确认客户价值、品牌边界和经营证据，CIO/CDO 负责确认技术可行性、数据架构、安全性和可运营性；法务对高风险客户承诺、敏感数据和自动化行为保留否决或升级权。缺少任一把钥匙，高风险应用不得上线。
核心结论六：品牌与收入不是二选一，而是两个时间尺度上的现金流纪律
AI 容易把企业推向点击率、获客成本、即时转化等易测量指标，却可能牺牲价格能力、品牌辨识度、信任和未来需求。短期指标并非错误，但不能独占预算分配权。
CMO 必须建立增长—品牌—风险三本账，使每项投资同时接受短期增量、长期资产和不可逆损失审查。不能证明短期收入的品牌投入，不应被自动否定；不能解释品牌损耗的增长项目，也不应因转化数据漂亮而自动扩大。
核心结论七：高速度必须以可逆性和停止条件为前提
AI 提高了执行速度，也压缩了发现错误和纠正错误的时间。速度治理的关键不是增加所有审批，而是根据可逆性、影响范围、客户承诺和数据敏感度进行分级。
低风险、可回滚、影响有限的任务应允许快速试验；涉及公开发布、价格承诺、敏感客户、自动决策和大规模数据使用的任务必须设置双钥匙、独立挑战和停机机制。没有停止条件的自动化不是敏捷，而是失控。
核心结论八：心理安全的目的不是让团队感觉舒适，而是提高异常发现率
当员工担心质疑 AI 会被视为保守、担心报告失败会影响绩效、担心挑战高管会破坏关系时，组织会系统性隐藏错误。AI 输出看似稳定，实际上可能在偏差、事实、合规和品牌语境上不断积累风险。
CMO 必须明确奖励“有证据的不同意见”、异常升级和失败复盘，并区分挑战结论与逃避责任。心理安全必须与高标准、清晰责任和证据纪律同时存在。
核心结论九：领导力评估应以关键时刻中的行为证据为中心
人格测评、自我评价和一般性胜任力描述，无法证明 CMO 能否在预算冲突、品牌危机、模型事故或增长失速中作出高质量决定。真正有预测价值的证据来自真实工作样本：是否重新定义问题，是否区分事实与假设，是否调动必要利益相关者，是否设置停止条件，是否保护长期资产，是否推动组织学习。
董事会应将关键事件复盘、真实案例答辩和跨部门证据纳入 CMO 评价，而不是只看年度传播成绩。
核心结论十：90 天转型的目标不是证明 AI 的长期价值，而是建立可持续运行节奏
新任或转型中的 CMO 不应在 90 天内追求全面技术上线或大规模组织重组。前三个月更重要的成果是：形成共同经营命题、完成权责澄清、跑通有限试点、建立评审门、形成三本账、确定能力缺口并启动预算重配。
90 天能够证明的是组织是否具备正确的学习和决策机制，而不是某项技术是否已经创造长期竞争优势。
01 职位 承担什么经营责任
02 权力 控制哪些关键变量
03 结果 用什么证据问责
1.1 核心判断
AI 时代 CMO 的本质变化，不是增加了数据、技术、电商、客户体验等职责，而是从管理营销活动转向设计增长系统。所谓增长系统，是指围绕客户价值变化，将战略命题、品牌承诺、数据、渠道、产品、销售、服务、人机协作和反馈机制连接起来，使企业能够持续发现机会、验证因果、扩大有效行动并停止无效行动。
在传统组织中，营销部门常被视为一种专业服务职能：负责品牌传播、市场活动、消费者研究、媒体、内容和公关；收入结果主要由业务单元或销售承担，数据系统主要由技术部门管理，产品价值主要由产品部门定义。AI 使这些边界变得不可持续，因为一次自动化营销动作可能同时调用客户数据、生成品牌表达、改变渠道价格、影响销售线索、触发客户服务并形成合规风险。
因此，CMO 领导力的升级必须伴随职位授权、团队能力、流程条件、数据基础和技术能力的同步改变。不能把组织系统问题包装为个人能力不足。
1.2 六类对象必须严格区分
当企业只调整第一项，要求 CMO“更懂 AI、更有战略、更能推动”，却不改变后五项，结果通常是职位压力上升、跨部门冲突加剧和试点无法规模化。
1.3 角色变化的机制
CMO 角色变化由五个结构性机制共同推动。
这些机制共同指向一个结论：CMO 的工作对象已经从“营销资源组合”变成“跨部门增长因果链”。
1.4 经营契约：CMO 应对什么负责
AI 时代 CMO 的经营责任不宜被笼统表述为“负责增长”。增长受到产品竞争力、价格、渠道供给、销售能力、服务体验和宏观环境影响，任何单一高管都无法独立控制。更合理的方式，是把责任拆成结果责任、过程责任和系统责任。
经营契约的关键不是尽可能缩小责任，而是让责任与控制变量匹配。若 CMO 对线索收入负责，就应参与线索定义、销售接收标准、归因规则和预算重配；若 CMO 对客户信任负责，就应对自动发布、个性化用途和客户承诺拥有共决或否决权。
1.5 完整案例：可口可乐的全球营销转型与边界
可口可乐在近年的公开披露中持续强调数字化营销、生成式 AI 创意探索、消费者连接和全球营销网络转型。其做法的价值，不仅在于使用生成式工具制作内容，而在于把创意合作、全球品牌资产、消费者参与和技术伙伴纳入统一营销转型议程。通过全球规模化品牌平台与本地市场执行结合，可口可乐尝试提高内容响应速度与消费者参与能力。
这一案例说明，CMO 的角色可以从广告与媒介管理扩展到全球内容系统、伙伴生态和消费者互动架构。但其边界也非常明确：
第一，可口可乐拥有成熟品牌治理、全球代理商网络、庞大一方数据与数字基础设施，其能力不能直接外推到中小企业。
第二，公开案例多展示创意与互动成果，难以仅凭单一活动证明长期收入增量。
第三，强品牌企业能够承受更广泛的创意实验，但核心品牌资产仍需集中治理，不能因内容生成成本下降而无限分散表达。
第四，营销技术与创意能力的扩大并不意味着 CMO 可以绕过信息安全、隐私、法务和区域业务负责人。
案例的管理含义
1.6 反例场景：职责扩大、授权未跟上
某消费企业要求 CMO 同时对品牌健康度、线上增长、会员运营和营销数字化负责，但客户数据由多个业务单元分别控制，电商预算由销售负责人掌握，技术项目优先级由 CIO 单独决定，归因口径由财务部门在年末核定。
在这一结构中，CMO 即使具备较强的战略与协同能力，也难以建立稳定的增长系统。典型后果包括：
为完成收入目标，市场部门扩大促销和效果投放，侵蚀品牌资产；
因无法访问完整客户数据，个性化项目停留在粗放分群；
因缺乏产品与销售共决，市场创造的线索无法进入有效跟进；
因财务口径滞后，预算调整依赖政治协商而非增量证据；
董事会最终把系统性失配归因于 CMO“缺乏业务能力”。
这类问题不能通过领导力培训解决。正确措施是重新定义经营契约与决策权。
1.7 边界：并非所有企业都需要“超级 CMO”
以下情况下，不宜扩大 CMO 的经营权限：
1.8 管理含义
董事会首先应完成“职位—权力—结果”三项对齐，而不是先寻找一个能力无限的候选人。
董事会经营契约检查表
CMO增长系统领导者
L 看见增长可能
E 定义经营证据
A 架构人机系统
D 调动跨部门联盟
E 设置责任边界
R 激活组织学习
2.1 核心判断
AI 时代 CMO 领导力既不能沿用传统品牌领导力模型简单加上“数字化”和“AI 素养”，也不能把一组宏大抽象词汇包装为新能力。有效模型必须满足三个条件：
能解释 CMO 在关键经营场景中要完成什么工作；
能通过行为和产出被观察，而不是依赖人格自评；
能区分个人责任与组织条件，避免把系统缺陷归咎于个人。
LEADER-6 因此不是“理想领导者画像”，而是一套增长系统领导任务。
2.2 LEADER-6 总览
六个维度必须被视为一套闭环。只有 Look ahead 而没有 Evidence，战略会变成想象；只有 Evidence 而没有 Architect，试点无法进入日常系统；只有 Architect 而没有 Drive alignment，跨部门接口会阻塞；只有速度而没有 Establish guardrails，风险会被放大；只有制度而没有 Renew capability，组织会机械执行而失去判断。
2.3 稳定底座、新增能力与非个人特质
CMO 能力重构必须避免两个极端：一是认为传统领导力全部失效；二是把所有 AI 相关条件都归为个人能力。更准确的分类如下。
2.4 六类能力的可观察行为
一、看见增长可能：Look ahead
不是预测未来，而是识别结构变化并建立有边界的选项组合。
二、定义经营证据：Evidence
不是设定更多 KPI，而是说明什么证据可以支持或推翻增长命题。
三、架构人机系统：Architect
不是亲自设计技术架构，而是确保目标、角色、数据、流程和反馈形成闭环。
四、调动跨部门联盟：Drive alignment
不是提高会议频率，而是把依赖关系转化为共同结果、明确接口和冲突解决机制。
五、设置责任与边界：Establish guardrails
不是用审批阻止创新，而是让风险与控制强度匹配。
六、激活组织学习：Renew capability
不是增加培训次数，而是提高组织发现错误、迁移经验和改进专业判断的能力。
2.5 完整案例：联合利华的营销组织重构
联合利华在公开战略与年度披露中持续强调以更强品牌、社交优先的需求创造、数字化内容能力和组织效率推动增长，并将营销能力建设与更广泛的组织转型联系起来。其意义不在于某一项 AI 创意工具，而在于把品牌选择、内容生产、媒体、数据与组织能力纳入同一经营议程。
该案例展示了三个领导力机制：
选择优先级：不是所有品牌、渠道和内容都平均投入，而是围绕高潜力品牌和更明确的需求创造逻辑集中资源。
系统重构：内容生产速度必须与品牌战略、社交传播和媒体执行连接，而不是独立追求素材数量。
组织能力：营销转型不仅涉及技术部署，也涉及角色、伙伴、工作方式和绩效要求。
但这一案例也有明确限制。企业官方披露主要用于说明战略方向和管理行动，不能仅凭企业陈述证明全部经营结果来自 AI 或营销组织重构；全球消费品企业的品牌资产、数据规模和渠道能力，也不能直接复制到其他行业。
以 LEADER-6 解读案例
2.6 边界：LEADER-6 不是全能高管模型
LEADER-6 不要求 CMO 成为数据科学家、模型工程师、法务专家或组织心理学家。其责任是确保相关专业能力进入正确的决策位置。
2.7 管理含义
LEADER-6 应进入四类管理机制，而不是停留在培训材料中。
技术信号
→ 客户变化
→ 价值机制
→ 增长命题
→ 证据门
→ 扩大／停止
3.1 核心判断
AI 时代的战略想象，不是比竞争对手更早宣布采用某项技术，而是比竞争对手更早识别客户行为、行业结构和价值链的变化，并以有限成本建立能够被证实或推翻的行动选项。
技术可能性与增长机会之间至少隔着五个问题：
哪类客户的什么行为正在变化？
这种变化为什么会创造或转移价值？
企业拥有何种独特资产可以利用这一变化？
哪些关键假设尚未得到证明？
何种证据出现时应扩大、调整或停止？
不能回答这些问题的 AI 战略，通常只是一份技术愿望清单。
3.2 从技术信号到增长命题的转换机制
3.3 经典思想的当代转译：Teece、Schoemaker 与 Rumelt
动态能力：不是快速采用，而是感知、捕捉与重构
Teece 的动态能力框架强调企业需要感知机会与威胁、捕捉机会并重构资源。在 AI 语境下，其当代转译不是“尽快购买和部署”，而是：
感知：识别客户入口和竞争规则的变化；
捕捉：建立小规模、低不可逆性的选项；
重构：当证据成立时，调整预算、流程、人才和治理。
其边界在于：动态能力不能成为为频繁变化辩护的口号。重构必须有明确价值假设和组织承载能力。
情景规划：不是预测唯一未来，而是识别不同未来下的稳健行动
Schoemaker 等情景规划思想的价值，在于帮助管理层处理结构性不确定。CMO 不应押注“客户一定转向 AI 助手完成购买”，而应构建不同情景：
AI 助手成为主要信息入口；
AI 助手只在部分高复杂度品类发挥作用；
平台强化封闭生态，品牌可见性被重新分配；
监管限制自动推荐和个性化使用。
不同情景下共同成立的行动，属于无悔行动；只在特定情景下有价值的投入，应以期权方式分阶段下注。
Rumelt 的好战略：诊断、指导方针与一致行动
Rumelt 强调好战略不是目标集合，而是对挑战的诊断、指导方针和协调行动。对应 AI 营销：
诊断：真正的增长障碍是客户发现不足、信任不足、转化断裂，还是复购不足；
指导方针：决定以品牌信任、渠道响应、客户服务或销售效率为主攻方向；
一致行动：数据、内容、渠道、销售和技术围绕同一命题行动。
其边界是：战略框架不能代替客户证据，诊断仍需通过研究、行为数据和试验不断修正。
3.4 增长命题标准格式
一个可审议的 AI 增长命题，至少应包含以下要素。
3.5 完整案例：Klarna 的 AI 客服实践及反噬边界
Klarna 曾公开披露其 AI 客服助手处理大量客户对话，并声称在响应效率、处理能力和成本方面取得显著改善。该案例一度被广泛用作“AI 可以大规模替代客户服务劳动”的证据。
但后续公开讨论显示，企业也重新强调人工服务、客户体验与复杂问题处理的重要性。这一变化揭示了一个重要边界：效率指标不能独立代表客户价值。对话数量、平均处理时间和成本下降，可能掩盖复杂问题解决质量、客户信任、情绪体验和品牌关系的损耗。
该案例对 CMO 的战略含义不是“AI 客服成功”或“AI 客服失败”，而是说明增长命题必须同时包含效率、体验、品牌和风险证据。
Klarna 案例的命题重构
该案例的边界
企业公开数字具有企业自报性质，需要与独立客户体验证据结合；
金融科技服务与消费品、医疗、B2B 等行业的客户关系不同；
某一时期的成本成效不能代表长期品牌和客户终身价值；
重新增加人工服务不等于否定 AI，而是说明人机边界需要动态调整。
3.6 中国场景案例：百度搜索与智能入口变化
百度持续将生成式 AI、智能搜索和智能体能力嵌入搜索与内容生态，反映中国用户获取信息和服务入口正在发生变化。对品牌而言，传统围绕关键词排名、点击和落地页的搜索营销逻辑，可能逐步转向“是否被智能系统理解、引用、推荐和转化为行动”。
这一变化为 CMO 提供了战略选项，但不能被简化为“马上把全部预算转向生成式搜索优化”。需要验证的关键问题包括：
目标客户是否真正通过智能问答完成品类研究；
品牌内容是否具备可验证、结构清楚和权威性；
智能回答是否减少网站点击，却提高品牌进入候选集的概率；
不同平台是否形成新的封闭入口和付费规则；
品牌能否追踪被引用、被推荐和最终转化之间的关系。
管理含义
3.7 增长选项组合
CMO 不应把 AI 战略管理为一组同等优先级项目，而应形成不同风险与价值特征的选项组合。
3.8 边界与管理含义
战略想象存在三类常见越界。
第一，把想象当成证据。领导者可以提出大胆假设，但不能要求组织把假设当事实执行。
第二，把试点当成承诺。试点用于学习，不应在证据不足时被提前包装为规模化成功。
第三，把不确定性当成无法管理。虽然无法准确预测技术演进，但可以管理下注规模、可逆性和退出门。
董事会审议 AI 增长命题的七问
GROWTH 增长账 增量、利润、现金
BRAND 品牌账 记忆、信任、价格
RISK 风险账 数据、承诺、不可逆
4.1 核心判断
AI 时代 CMO 最重要的纪律之一，是区分活动、产出、结果与因果。内容数量、响应速度、自动化比例、节省工时和工具使用率，只能说明系统发生了活动，不能证明客户价值、收入、利润或品牌资产得到改善。
经营证据的任务不是为已经决定的项目寻找支持，而是让管理层能够在不确定条件下作出继续、调整、扩大或停止的决定。
4.2 四层证据链
CMO 不应否定活动和产出指标，它们对于运营管理仍有价值；但必须防止这些指标越级成为领导力和经营成效证明。
4.3 证据设计的六个组成部分
4.4 增长—品牌—风险三本账
所有重要 AI 营销决策，都应同时进入三本账。三本账不是三组彼此独立的 KPI，而是一套投资审议逻辑。
三本账审议模板
4.5 归因、增量与因果
营销管理中最常见的冲突之一，是不同部门围绕“谁创造了收入”争夺解释权。AI 使触点数量和自动化行为进一步增加，传统末次点击或平台自报归因更容易失真。
CMO 应推动三个层级的区分：
不是每项营销活动都需要随机实验，但高预算、高风险和可规模化项目，应采用更强的增量证据。低成本、可逆的探索，可以接受较低证据门，但不能把探索结果包装为确定性结论。
4.6 完整案例：P&G 与 Harvard Business School“网络化队友”现场实验
Harvard Business School 与 P&G 开展的“The Cybernetic Teammate”现场实验，研究专业人员使用生成式 AI 对个人与团队工作表现的影响。研究样本包括 791 名 P&G 专业人员，参与者被分配到不同协作与 AI 使用条件下完成真实感较强的产品创新任务。
研究的重要价值在于，它没有只测量“是否使用 AI”，而是比较不同工作组织方式、专业背景与 AI 协作条件下的任务表现。公开研究显示，AI 可能帮助个人达到传统团队的部分表现，并在一定条件下改善跨专业知识整合与工作体验。
但这一研究不能被外推为“AI 可以普遍替代团队”，原因包括：
任务经过实验设计，时间范围有限；
参与者来自同一大型企业，具备较成熟专业基础；
研究关注特定创新任务，不代表长期执行、政治协调、客户关系和责任承担；
高质量 AI 辅助可能依赖清晰任务、专业输入和可评价输出；
实验结果不能直接证明收入、市场成功或长期组织能力提升。
对 CMO 证据管理的意义
4.7 中国案例：腾讯广告与营销闭环的证据边界
腾讯围绕广告、内容、社交生态、数据能力和智能化营销持续推出产品与解决方案，其公开材料通常强调智能投放、素材生成、经营连接和生态协同。对企业 CMO 而言，平台能力可以降低投放和内容操作门槛，也可以提供更快的反馈。
但平台报告的转化、成本和效率数据主要服务于平台内优化，不能自动代表企业层面的增量价值。企业仍需回答：
平台内转化是否为新增客户，还是从其他渠道迁移；
素材生产增加是否改善了创意质量与品牌一致性；
自动优化是否过度集中于短期可测人群；
平台数据是否能够进入企业统一客户与财务口径；
一旦平台规则改变，企业是否保留客户关系与学习资产。
管理边界
平台是证据来源之一，不是经营真相的唯一裁判。CMO 应将平台数据、企业交易数据、客户研究和品牌指标结合，而不能把平台归因直接作为预算扩大的唯一依据。
4.8 停止条件：领导力的重要表现
管理层通常奖励启动项目，却很少奖励及时停止。AI 项目尤其容易因技术新颖、沉没成本、内部声誉和供应商承诺而持续扩张。CMO 必须把停止条件定义为战略纪律，而非失败标志。
4.9 管理含义
CMO 应把证据机制嵌入预算，而不是把测量当成项目结束后的报告工作。
证据门与资金释放
经营目标
决策权
任务
数据
执行
控制
学习
5.1 核心判断
AI 营销失败的主要原因通常不是模型能力不足，而是企业把 AI 嵌入旧流程，却没有改变目标、角色、接口、数据、反馈和责任。旧流程中的断点、等待、重复和责任模糊，会被更快的内容生成和自动化执行放大。
CMO 的系统设计责任，不是决定技术栈细节，而是建立一套能够回答以下问题的经营架构：
系统围绕什么经营目标运行；
哪些判断必须由人作出；
哪些任务适合由 AI 执行；
什么数据可以被使用；
输出进入哪个真实业务动作；
谁审核、谁负责、谁可以停止；
结果如何回流到下一轮决策；
经验如何沉淀为组织能力。
5.2 社会技术系统：为什么只改工具无效
社会技术系统思想强调，组织绩效来自技术系统与社会系统的共同优化。AI 营销中的“技术系统”包括模型、数据、连接器和自动化；“社会系统”包括角色、权力、专业规范、激励、协作和责任。
相反，只强调组织与流程、不提供可靠技术能力，也会造成低效和形式主义。系统设计必须同时优化两端。
5.3 端到端增长系统的七层结构
任何一层缺失，系统都可能停留在局部工具应用。
5.4 人机任务分配原则
人机分工不应以“AI 能不能完成”为唯一标准，而应同时考虑判断性质、风险、可逆性、数据敏感度和责任要求。
5.5 判断权阶梯
AI 权限不应一次性从辅助提升到自主执行，而应沿判断权阶梯逐级升级。
多数企业不应把 L5 作为短期目标。真正成熟的系统并非自动化比例最高，而是每一级权限都有充分证据、明确责任和可用回滚机制。
5.6 完整案例：星巴克 Deep Brew 的系统价值与边界
星巴克长期公开介绍其 Deep Brew 数据与 AI 能力，用于个性化、门店运营、预测和客户体验等场景。该案例的重要性在于，它并非将 AI 限定为广告生成，而是把客户关系、忠诚度体系、门店运营和数字渠道连接起来。
从系统设计角度看，Deep Brew 的潜在价值来自以下组合：
忠诚度与交易数据提供持续客户信号；
数字渠道形成可执行触点；
门店网络提供真实履约场景；
个性化建议与运营预测连接客户体验和资源配置；
企业能够在多次互动中观察行为反馈。
但该案例不能被简化为“拥有数据就能实现个性化增长”。其边界包括：
大规模忠诚度体系和高频交易并非所有行业都具备；
个性化推荐可能提升短期购买，也可能造成促销依赖；
门店执行、库存和员工体验会影响最终客户结果；
数据使用必须符合客户预期和隐私要求；
企业公开材料不能单独证明所有业绩变化由 AI 导致。
系统机制分析
5.7 中国企业案例：海尔的用户导向组织与平台化边界
海尔长期推动以用户为中心的组织创新，将传统层级组织拆解为更接近市场与用户的经营单元，并通过平台化方式连接资源。虽然其组织实践并非专门为生成式 AI 设计，但对 AI 时代 CMO 具有重要启示：增长系统不能仅靠中央市场部门生产指令，而需要让接近客户的单元拥有感知和响应能力，同时保留品牌、数据和治理的共同底座。
当 AI 进入此类组织时，可能形成两种相反结果：
正向结果：一线经营单元更快获得研究、内容、客户和运营支持，中央平台沉淀通用能力；
负向结果：各单元独立采用工具、数据和表达，形成品牌碎片化、重复建设和治理失控。
因此，平台化组织必须明确“中央统一什么、业务单元自主什么”。
该案例的限制在于，海尔的组织模式具有长期演化背景和独特企业文化，其他企业不能机械复制组织名词或结构。真正可迁移的是原则：让客户响应权下沉，同时让品牌、数据、平台和责任规则形成共同底座。
5.8 Conway、Simon 与 Deming 的当代转译
Conway：系统往往复制组织沟通结构
若市场、销售、产品、技术和客服之间以工单、汇报和临时会议连接，最终的 AI 系统也会复制这些断裂：数据分散、接口复杂、责任不清。CMO 不能只要求技术“打通系统”，而必须重构跨部门沟通与决策关系。
边界在于，组织结构并非决定系统的唯一变量，监管、遗留技术和业务模式也会形成约束。
Simon：有限理性要求把判断嵌入结构
管理者无法掌握所有信息，也无法对每项 AI 行动作出逐一判断。有效系统需要通过规则、权限、默认值、升级门和信息呈现降低决策负担。
当代转译是：不要让人类审核所有内容，而应让人类专注高风险、低置信度和例外情形。
边界是：规则不能覆盖所有新情境，必须保留升级与人工例外处理。
Deming：质量来自系统，不来自事后检验
如果品牌规范、事实源、数据权限和任务标准没有进入流程，最终依赖人工在发布前纠错，成本高且不可扩展。质量必须被设计进输入、过程、反馈和改进循环。
边界是：统计过程控制适用于可重复过程，创意、战略和复杂客户关系仍需要专业判断，不能被完全标准化。
5.9 系统接口契约
跨部门系统运行需要明确接口契约，而不是依赖“加强协同”。
5.10 反例：内容工厂为何无法形成增长系统
某企业部署多款生成式内容工具，将公众号、短视频和销售资料的生产速度提高数倍。半年后，内容数量显著增长，但有效线索、品牌搜索和商机推进没有改善，团队反而出现审核负担、重复表达和平台疲劳。
根因并非内容质量单一问题，而是系统缺失：
没有明确客户行为命题；
内容选题与销售问题、产品重点无连接；
不同平台只做格式改写，没有渠道角色分工；
线索进入 CRM 后没有强制承接和反馈；
表现数据没有回流到选题与预算；
品牌团队只在发布前检查，无法在源头控制；
团队绩效仍奖励数量和准时率。
修复方案
5.11 边界：小企业不宜过度架构
系统思维并不意味着所有企业都需要复杂平台、委员会和多层审批。对规模较小、流程简单的企业，过度架构会增加成本并降低响应速度。
最小架构的原则是：足以保证价值闭环、责任清楚和风险可控，不追求形式复杂。
5.12 管理含义
CMO 应将系统架构审议从“有哪些功能”转向“经营闭环是否成立”。
人机增长系统审计表
CEO
CFO
销售
共同经营命题 产品
CIO／CDO
法务
6.1 核心判断
AI 时代的增长不再由任何一个部门独立生产。品牌承诺由市场提出，却可能通过产品界面、销售话术、客服回复、推荐算法和自动化触达被兑现或破坏；客户数据由业务产生，却依赖技术部门治理、法务判断用途、财务确认价值；营销活动创造需求，却只有在产品供给、销售承接和服务体验共同成立时，才能转化为收入与客户资产。
因此，CMO 的跨部门领导力不应被理解为“更有影响力”“更会开会”或“能够说服其他高管”。真正的任务是把增长所依赖的跨部门关系制度化，使共同目标、接口承诺、决策权、证据标准、资源投入和冲突升级路径清晰可见。
CMO 不必拥有全部资源，但必须能够回答：
哪项增长结果依赖哪些部门；
每个部门控制什么关键变量；
共同结果如何分摊责任；
专业分歧由什么证据解决；
利益冲突由什么治理机制处理；
某一依赖方不履行承诺时，谁有权升级；
项目失败究竟源于市场命题错误，还是产品、技术、销售或流程条件未成立。
跨部门联盟的目的，不是消除冲突，而是把冲突从个人关系问题转化为可以治理的经营问题。
6.2 从“部门协同”到“共同经营单元”
传统跨部门协同往往建立在项目会议、临时协调和高管关系之上。其典型特征是：目标看似一致，但指标不同；各部门都参加会议，但没有共同责任；出现问题时，所有人都能解释为什么不是自己的责任。
AI 项目放大了这种缺陷。一个智能销售辅助项目可能由市场部门提出，技术部门实施，销售部门使用，法务部门审查，财务部门核算，但如果各方只对自己的局部交付负责，项目即使按期上线，也可能无法创造经营价值。
共同经营单元不一定意味着成立新部门。它可以是一个有明确经营命题、固定责任人、跨部门资源承诺和阶段决策权的工作机制。
6.3 CMO 与主要高管的共治边界
6.3.1 CMO 与 CEO：经营方向与组织授权
CEO 决定企业总体战略、资本配置和高管责任，CMO 负责把客户与市场变化转化为增长选项。两者的边界不能模糊。
CEO 不应替 CMO 逐项决定营销动作，也不应以个人审美替代品牌与客户证据。CMO 则不能以“市场最懂客户”为理由绕过公司战略、财务纪律或专业治理。
6.3.2 CMO 与 CIO/CDO：市场价值与技术可信的双钥匙
CMO 与 CIO/CDO 之间最危险的关系，是一方把另一方视为执行供应商。市场部门若只负责提出需求，容易忽略数据治理、系统运行和技术债；技术部门若只提供平台，容易形成能力先进但没有经营价值的基础设施。
双钥匙不是两个人在所有事项上都拥有否决权。它要求：凡同时涉及客户价值和技术可信度的高风险事项，任一维度未达到最低标准，均不得扩大。
6.3.3 CMO 与销售：需求创造与收入承接
市场与销售冲突常被错误归结为沟通问题，实质上通常是目标、口径和资源承诺不一致。
市场不能仅以线索数量完成责任，销售也不能在缺乏跟进纪律的情况下把低转化全部归因于线索质量。双方必须共享机会阶段、跟进时效、拒绝原因和成交反馈。
6.3.4 CMO 与产品：承诺与兑现
市场负责形成客户预期，产品负责持续兑现价值。AI 加快传播与个性化后，承诺与兑现的脱节会更快形成信任损失。
CMO 不应承诺尚未稳定的产品能力，产品也不能以“功能尚未完美”为由永久拒绝市场验证。双方应区分概念验证、有限发布和正式承诺。
6.3.5 CMO 与 CFO：投资组合与证据纪律
CFO 的作用不是压低营销预算，CMO 的作用也不是证明所有营销都有直接收入。双方应共同建立不同类型投资的证据门和时间尺度。
6.3.6 CMO 与法务：从末端审稿到前置设计
法务若只在内容发布前审查，会成为速度瓶颈；市场若把法务视为阻力，则会把风险推迟到事故发生后。成熟方式是将法律要求转化为设计规则。
6.4 经典思想与专家视角
Kotter：联盟不是名单，而是有权行动的共同体
John Kotter 在组织变革研究中强调建立有足够权力的领导联盟。其对 AI 营销的当代意义是：跨部门工作组不能只包括“支持项目的人”，还必须包括控制关键预算、数据、流程和风险的人。
适用边界在于，强联盟不能替代清晰责任。若所有事项都由集体决定，联盟会变成无人承担最终责任的委员会。
Heifetz：区分技术问题与适应性挑战
Ronald Heifetz 区分可以依靠既有知识解决的技术问题，与需要改变价值观、角色和行为的适应性挑战。部署系统、建立接口是技术问题；让销售接受新的线索规则、让品牌团队放弃逐条控制、让员工报告 AI 错误，则属于适应性挑战。
CMO 若把适应性问题交给技术团队，会得到一个功能完成、行为未改变的系统。其边界是，不能把所有困难都抽象为文化问题；许多阻塞仍来自简单的资源不足、流程缺失或系统不可靠。
Pfeffer：权力来自控制关键依赖
Jeffrey Pfeffer 关于组织权力的研究提示，跨部门协同不是只靠共同愿景，还涉及资源、信息和决策权。CMO 必须识别谁控制客户数据、预算、技术队列、渠道关系和合规解释，并通过正式机制处理这些依赖。
其边界是，权力分析不能演化为部门政治技巧。治理目标仍然是提高企业整体价值，而不是帮助市场部门扩大地盘。
6.5 完整案例：中国平安的综合金融与科技共治
中国平安长期通过综合金融、数据和科技能力连接保险、银行、医疗健康及客户服务。其经营模式决定了客户体验、数据使用、产品推荐、风险管理和技术系统不能由单一营销部门独立管理。
对 CMO 领导力而言，该类组织提供了三个重要启示：
第一，客户经营必须跨越多个业务单元。统一客户视图和协同服务可以创造价值，但也可能产生数据用途扩大、责任边界不清和客户感知复杂等风险。
第二，技术与业务必须共同定义场景。仅由技术部门建设平台，无法决定哪些推荐符合客户利益；仅由市场推动交叉销售，也无法判断风险适当性、数据合规和产品限制。
第三，品牌承诺需要在多个触点被一致兑现。广告表达、销售建议、服务处理和数字界面若相互矛盾，会损害综合品牌信任。
该案例的边界在于，综合金融集团拥有较强的技术、风控和治理资源，不适合被简化为“所有企业都应建立统一数据中台”。可迁移的是共治原则，而不是组织规模和技术形态。
6.6 中国组织案例：华为的跨职能流程与端到端责任
华为长期强调端到端流程、客户需求与跨职能协同，其管理实践说明，大型复杂企业中的市场洞察、产品规划、研发、销售和交付必须围绕客户价值形成闭环。
在 AI 营销场景中，这一原则意味着：
市场洞察不能停留在报告，而应进入产品、销售和资源配置；
内容与解决方案表达必须以产品和交付能力为基础；
客户反馈必须通过结构化接口进入产品改进；
自动化销售与营销建议不能绕过账户责任人和专业审核；
跨部门机制必须明确流程所有者，而非依赖多部门会签。
华为案例的边界是，其流程治理建立在长期组织建设、强执行文化和复杂 B2B 业务基础上。中小企业若机械复制委员会、流程节点和角色名称，可能造成组织负担。应复制的是“端到端结果责任”，而非流程复杂度。
6.7 反例场景：共治变成责任稀释
某企业成立“AI 营销联合委员会”，成员包括市场、技术、销售、法务和财务高管。所有项目必须委员会一致同意。半年后，项目推进缓慢，任何部门都可以提出新要求，却没有人对交付和结果承担最终责任。
根因包括：
委员会没有区分共决事项与单方主责事项；
所有风险均采用最高等级审批；
没有决策时限和默认处理规则；
每个部门只提供意见，不承担资源承诺；
CEO 频繁临时介入，削弱既定机制；
项目负责人没有在边界内的自主权。
修复原则
6.8 管理含义：跨部门联盟运行章程
KEY 01 市场价值 客户、品牌、经营证据
× KEY 02 技术可信 数据、模型、安全、运营
高风险事项缺一不可 7.1 核心判断
客户数据不是营销部门可以自由调用的增长原料，而是企业基于特定关系、特定目的和特定条件获得的责任资产。数据越丰富、模型能力越强，企业能够推断和干预客户行为的能力越大，随之增加的不是单纯商业机会，而是用途责任、解释责任、公平责任和信任责任。
CMO 不能把数据合规完全交给法务或 CIO/CDO，因为营销部门决定了数据被用于什么客户命题、什么触达、什么个性化和什么承诺。CIO/CDO 也不能仅以“数据已获得授权”判断场景合理性，因为法律允许不必然等于客户接受，技术可行也不必然等于品牌可信。
客户数据责任应同时满足四个门槛：
合法：符合适用法律、合同和授权要求；
必要：数据范围与场景目的相称；
适当：用途符合客户关系和语境预期；
可负责：企业能够解释、纠正、停止并承担后果。
7.2 Nissenbaum 的情境完整性：合规之外的信任边界
Helen Nissenbaum 提出的“情境完整性”强调，隐私不只是信息是否保密，而是信息流是否符合特定社会情境中的角色、目的和传递规范。
在营销场景中，客户向企业提供地址用于配送，并不意味着企业可以用地址推断家庭状况；客户咨询某项产品，并不意味着其问题可以被用于敏感画像；客户同意接收服务通知，也不意味着同意高频商业触达。
这一思想的当代转译是：
判断数据用途时，不仅要问“有没有权限”，还要问“客户在这一关系中是否合理预期数据被这样使用”。
其边界是，客户预期并非固定不变，也不能完全依赖主观判断。企业仍需结合具体法律、合同、行业规范和清晰告知。
7.3 客户数据责任链
7.4 双钥匙机制
双钥匙机制要求高风险客户数据场景同时通过“市场价值钥匙”和“技术治理钥匙”。涉及重大客户承诺、敏感数据或监管事项时，还需加入法务或专业风险钥匙。
第一把钥匙：CMO 的市场与客户责任
CMO 应确认：
场景服务于明确客户价值，而非只服务于企业便利；
数据用途与客户关系和品牌承诺一致；
个性化不会形成歧视、操纵或过度触达；
输出质量可以支撑对外行动；
客户拥有必要的知情、选择、退出和人工接管渠道；
项目具有可验证的经营假设。
第二把钥匙：CIO/CDO 的技术与数据责任
CIO/CDO 应确认：
数据来源、质量、授权和血缘可追踪；
最小必要原则得到执行；
模型、系统和接口满足安全要求；
访问权限、日志、版本和留存策略完整；
异常能够监测、回滚和隔离；
供应商和外部模型的数据处理责任清楚。
第三把条件钥匙：法务、合规或专业负责人
以下事项通常需要第三把钥匙：
敏感个人信息；
金融、医疗、教育、招聘等高影响决策；
未成年人或其他脆弱群体；
自动生成的价格、资格、信用或合同承诺；
跨境数据处理；
大规模公开发布；
可能构成误导、歧视或不正当影响的个性化。
7.5 双钥匙场景分级表
7.6 权威治理依据
中国客户数据治理至少受到个人信息保护、数据安全、网络安全、算法推荐和生成式服务等多类制度约束。对 CMO 而言，关键管理含义不是背诵条文，而是把制度要求转化为业务规则：
处理目的必须明确、合理，并与处理目的直接相关；
个人信息处理应限于实现目的的最小范围；
对敏感个人信息应具有特定目的和充分必要性；
自动化决策应关注透明、公平和个人权益；
平台和算法服务需要承担相应安全与治理责任；
生成式服务、算法推荐和深度合成场景不能脱离内容、数据和主体责任。
NIST AI Risk Management Framework 则提供了治理、映射、测量和管理风险的通用结构。其重要价值是把 AI 风险视为持续管理过程，而不是上线前的一次性合规检查。
其边界在于，通用框架不能替代具体行业法律和本地监管要求，也不能自动给出企业应接受多大风险的答案。
7.7 完整案例：蚂蚁集团的隐私计算与金融场景边界
蚂蚁集团及其关联技术体系长期公开探索隐私计算、可信 AI、数据安全和金融科技治理。这类实践反映了高敏感数据场景中的核心矛盾：企业希望利用多方数据改善风险识别和客户服务，但不能简单汇聚、复制和无限使用数据。
隐私计算的管理价值在于，它可以在一定条件下减少原始数据直接流动，使多方在更受控的技术环境中完成联合分析。但它不能解决所有责任问题：
技术上“不看见原始数据”不代表业务目的自动正当；
多方联合计算仍可能产生高影响推断；
输入数据的质量、偏差和授权仍需治理；
输出结果可能被用于不公平或不透明的客户决策；
复杂技术会增加模型解释、供应商依赖和审计难度。
对 CMO 的启示
该案例的边界是，企业公开材料主要说明技术和治理方向，不能仅凭技术能力推断所有具体业务均达到同一治理水平。
7.8 中国组织案例：国家网信部门的算法与生成式服务治理
中国网信监管体系针对算法推荐、深度合成和生成式人工智能服务形成了持续治理框架。其管理意义在于明确：算法和生成式能力不是企业内部的纯技术工具，一旦影响信息分发、公众认知、用户权益或社会秩序，就进入平台责任、内容责任和算法治理范围。
对 CMO 的直接影响包括：
推荐和分发策略不能只追求点击与停留；
自动生成内容必须纳入真实性、标识、审核和主体责任；
平台算法、数据使用和用户权益之间必须形成治理闭环；
面向公众的大规模自动化表达应有更高审批和审计要求；
企业不能把责任转移给模型提供商或外部平台。
这是一个典型的监管边界案例：技术能力可用，不代表所有商业用法都可以无条件扩大。
7.9 反例与受限场景：精准个性化引发“被监视感”
某零售企业整合会员购买、浏览、地理位置和客服记录，试图生成高度个性化优惠。系统在技术上能够提高推荐相关性，但部分客户收到与近期私人行为过度吻合的推送，产生明显不适和投诉。
该项目的问题不是简单“隐私合规没做好”，而是没有审查情境完整性：
客户没有预期不同场景数据会被整合；
推荐解释过于具体，暴露企业掌握的信息范围；
推送频率和时点强化了监视感；
企业只测试点击率，没有测试信任与退订；
营销团队把高相关性当成高价值。
修复原则
7.10 管理含义：客户数据使用审议卡
R1 抽检
R2 人工确认
R3 规则与回滚
R4 双钥匙与红队
R5 人类主决策
8.1 核心判断
AI 时代的风险治理不能等同于增加审批，也不能等同于要求所有输出都由人复核。审批过多会让低风险学习失去速度，审批过少则会使错误、偏差和不当承诺快速扩散。
有效治理应围绕四个变量配置控制强度：
影响程度：错误会影响多少客户、多少收入和多大品牌资产；
可逆性：错误能否快速撤回、纠正和补偿；
不确定性：任务、数据和模型行为是否稳定；
责任敏感度：是否涉及法律、价格、资格、健康、安全或重大客户承诺。
风险治理的目标不是消除所有错误，而是防止低概率、高损失事件穿透系统，并确保日常错误能够被及时发现、限制和修复。
8.2 Kahneman、Taleb 与 Reason 的当代转译
Kahneman：高速系统需要结构化减偏
Daniel Kahneman 对判断偏差的研究提示，人类在高压和快速环境中容易依赖直觉、确认偏误和可得性。AI 输出流畅、完整，会进一步增强“看起来正确”的错觉。
当代转译是：关键决策不能只要求人“认真审核”，而应通过反证问题、独立证据、来源检查和角色分离降低偏差。
边界在于，结构化流程不能取代专业经验，过度表格化也可能制造形式合规。
Taleb：重点管理不可逆和尾部损失
Nassim Nicholas Taleb 关于脆弱性和尾部风险的思想提醒管理者，平均准确率无法代表极端错误的损失。一个系统即使绝大多数时候表现良好，只要偶尔生成重大虚假承诺、歧视性判断或大规模错误发布，就可能造成不可接受损失。
当代转译是：权限应更多依据最坏可合理预见后果，而不是平均表现。
边界在于，不能因存在尾部风险而拒绝所有创新；应通过限制范围、回滚和保险式控制管理损失。
James Reason：事故来自多层防线同时失效
James Reason 的“瑞士奶酪模型”强调，重大事故通常不是单一人员错误，而是多个防线中的漏洞同时对齐。AI 营销事故可能同时涉及过期数据、错误模型输出、品牌规则缺失、审核走过场、发布权限过大和监测失效。
其管理意义是：事故调查不能只追责最后点击发布的人，而应检查系统防线为何同时失效。
8.3 风险分级矩阵
风险等级应针对具体任务，而非针对某项技术整体设定。同一模型可以用于 R1 内部摘要，也可以被用于 R5 高影响决策，治理要求完全不同。
8.4 可逆性设计
可逆性是判断是否可以快速试验的核心变量。
高度不可逆的事项必须提高前置证据门。低风险且可逆的事项则应避免被过度审批。
8.5 审批门设计
审批门不应全部集中在项目末端。若数据和用途问题在发布前才被发现，前期工作已经形成沉没成本，并诱发组织为“保项目”而降低标准。
8.6 红队机制
红队不是专门寻找技术漏洞的安全团队，而是一种独立挑战机制。其目标是主动寻找增长命题、数据用途、模型输出、品牌表达和控制设计中的失效路径。
红队应挑战的六类问题
红队独立性
红队不应由项目负责人单独组织和评价。高风险场景可由以下角色组成：
非项目所属的品牌或业务负责人；
数据治理或安全人员；
法务、合规或风险人员；
一线销售、客服或渠道人员；
代表边缘客户情境的测试人员；
必要时的外部专业机构。
红队的边界是，它不能演变为无限否决机制。挑战结果应进入明确的风险接受、修复或停止决策。
8.7 完整失败案例：谷歌 Gemini 图像生成功能暂停
谷歌曾因 Gemini 图像生成功能在历史人物和特定情境生成中出现明显不准确和不恰当结果，而暂停相关人物图像生成能力。该事件表明，即使大型技术企业拥有强模型和治理资源，生成系统仍可能因目标设定、训练数据、对齐规则、测试范围和产品发布节奏共同作用而出现反噬。
该案例对 CMO 的价值不在于评价具体模型，而在于揭示五个风险机制：
平均表现掩盖边缘失效：常规测试通过，不代表历史、文化和身份语境中的输出可靠。
保护规则可能产生新的偏差：为避免一种风险设置的规则，可能在其他情境中导致明显失真。
公开产品放大错误：用户能够快速生成、传播和比较问题输出。
品牌承担系统责任：公众不会把错误区分为模型、产品或数据团队责任。
及时暂停是领导力表现：当系统性风险未被理解时，限制功能比继续优化公关更重要。
失败链条分析
这一案例的边界是，外部无法完整看到企业内部设计与决策过程，因此不能对具体责任链作未经证实的断言。可确认的管理教训是：公开生成能力必须具备暂停、限制和修复机制。
8.8 中国案例：美团算法治理与劳动者影响
平台算法不仅影响消费者推荐，也可能影响劳动者的任务分配、时间压力和收入。围绕外卖平台算法、骑手权益和调度机制的公共讨论与治理要求，说明算法优化不能只以配送效率和客户体验为目标。
对 CMO 和客户体验负责人而言，这一案例具有重要边界意义：企业向消费者承诺“更快”，其成本可能被转移给劳动者、商家或其他生态参与者。品牌承诺不能脱离系统外部性。
该案例提醒 CMO：客户中心不能被狭义理解为只优化购买者体验。长期品牌信任依赖对员工、合作伙伴和社会影响的共同责任。
8.9 停止机制
停止机制必须在项目上线前定义，而不能由事故发生后的高管临时决定。
停止机制应同时规定：
谁能按下停止键；
停止是否需要事先批准；
停止后客户如何处理；
如何保全日志和证据；
谁负责根因分析；
什么条件满足后才能恢复。
8.10 管理含义：AI 营销风险控制卡
NOW 即时转化与现金纪律
FUTURE 品牌记忆与未来需求
两种时间尺度，共同经营未来现金流。
9.1 核心判断
AI 容易强化短期主义，因为即时点击、互动、转化、线索和成本指标更容易被捕捉、归因和自动优化；品牌记忆、信任、价格能力和未来需求则具有较长时滞，难以在单次活动或单个平台中被完整测量。
如果企业只奖励可快速测量的结果，AI 会持续把预算和注意力推向最容易被追踪的客户、渠道和表达，逐渐削弱以下长期资产：
品牌独特性；
广泛心智可得性；
非促销需求；
价格溢价；
客户信任；
未来进入品类的潜在客户；
渠道与合作伙伴信心。
CMO 的责任不是在品牌与收入之间选择，而是用两个时间尺度经营同一套未来现金流。
9.2 Binet、Field 与品牌—激活平衡
Les Binet 和 Peter Field 对广告效果的长期研究强调，品牌建设与销售激活具有不同作用机制和时间尺度。销售激活更容易产生短期可见反应，品牌建设则通过记忆、情感、显著性和未来需求产生长期作用。
其当代转译是：
AI 可以提高激活效率，但不能因此取消品牌投资；
内容版本增加不等于品牌记忆增强；
个性化表达不能破坏品牌的共同识别资产；
短期转化模型需要受到长期品牌指标约束；
不同品类、企业阶段和购买周期需要不同组合。
其边界在于，任何固定比例都不能机械适用于所有企业。品牌成熟度、购买频率、增长阶段、渠道结构和现金约束都会影响投资组合。
9.3 Aaker：品牌资产是未来选择权
David Aaker 的品牌资产思想提示，品牌不是传播费用的残余，而是一组能够降低获客成本、支持价格、提高信任并扩展新品类的战略资产。
AI 时代的品牌风险不只包括“生成错误内容”，还包括：
大量同质内容稀释独特性；
过度个性化破坏共同品牌形象；
自动优化不断放大短期高反应表达；
平台模板使品牌趋同；
内容生产从策略驱动退化为数据追逐；
频繁试验让客户无法形成稳定记忆。
品牌资产必须被视为企业未来选择权。短期收入项目如果损害品牌辨识和信任，实际上是在透支未来现金流。
9.4 Kaplan 与 Norton：平衡结果与能力
Kaplan 和 Norton 的平衡计分思想提醒管理者，财务结果是滞后指标，客户、流程与学习能力共同决定未来结果。AI 营销投资评价不能只看当前销售，还应观察：
客户是否更容易理解和选择品牌；
流程是否形成更高质量反馈；
数据是否更可靠和可治理；
团队是否获得可迁移能力；
企业是否减少对单一平台和供应商的依赖；
风险暴露是否上升。
其边界是，平衡不能演变为指标堆叠。每个指标都应服务于明确因果链，而不是为了显得全面。
9.5 增长—品牌—风险三本账的完整结构
增长账
品牌账
风险账
9.6 三本账联合审议
9.7 完整案例：蒙牛的品牌数字化与内容规模边界
蒙牛等大型消费品牌长期在数字渠道、体育与娱乐营销、电商、会员运营和内容创新方面持续投入。随着生成式能力进入营销体系，企业可以更快进行内容适配、消费者互动和渠道运营。
其潜在价值包括：
针对不同渠道快速形成内容版本；
将大型品牌资产延展到更多消费场景；
结合电商和会员数据优化触达；
提高活动响应与运营效率。
但大型快消品牌也面临典型双时间尺度冲突：
平台即时转化可能推动促销内容占比上升；
不同渠道的高频适配可能削弱统一品牌记忆；
内容规模增加可能提高审核与事实风险；
个性化推荐可能过度关注已有客户，忽视广泛潜在需求；
电商平台归因可能把品牌积累错误计入最后一次触达。
管理启示
该案例的边界是，企业公开营销活动无法单独证明收入和品牌变化的因果关系。其价值在于展示大型品牌必须同时治理规模、速度和一致性。
9.8 中国案例：花西子品牌争议与价格叙事反噬
花西子在品牌快速增长过程中依靠内容传播、主播合作、中国文化表达和线上渠道形成较高知名度。随后围绕产品价格与消费者价值感知的公开争议，显示品牌叙事、价格能力和公众沟通之间存在紧密联系。
该案例不是单一营销事件，而是典型的品牌—收入—风险联动：
短期销售成功可能强化企业对既有传播模式的信心；
价格溢价需要持续的产品、品牌和客户价值支撑；
高曝光使品牌更容易受到公开质疑；
危机沟通若未理解客户真实情绪，可能放大争议；
依赖少数头部渠道会放大合作方言行对品牌的影响。
三本账复盘
这一案例的边界是，外部无法完整获得企业内部数据和决策过程，不应将经营变化归因于单一事件。但它清楚说明：短期交易成功不能替代长期价值解释，危机响应必须基于客户语境而非内部立场。
9.9 反例：AI 只优化易测量客户
某 B2B 企业部署智能投放和线索评分后，系统不断将预算集中到最容易填写表单的中小客户。表面上获客成本下降，但高价值大客户的品牌接触、行业影响和长期培育投入被压缩，半年后销售发现高质量商机管道变薄。
根因是算法只优化短期可观察行为：
高价值客户购买周期长，短期不转化；
品牌内容和行业研究难以被末次归因；
销售未将账户潜力反馈给投放系统；
绩效只奖励表单成本；
财务只看到短期效率，没有看到未来管道损失。
修复方案
9.10 管理含义：双时间尺度预算架构
CMO 与 CFO 应防止即时优化池因数据最丰富而吞噬其他预算。预算透明不等于所有投资使用同一种回报周期。
任务
→ 异常
→ 复盘
→ 规则更新
→ 能力迁移
↺ 10.1 核心判断
AI 能否进入营销日常，不取决于员工是否完成培训，也不取决于使用率是否上升。真正决定组织能力的是：
员工是否知道何时信任、何时质疑 AI；
是否敢于报告异常、错误和不确定；
是否保留专业判断与责任意识；
是否能够把一次经验转化为团队规则；
是否允许及时停止失败项目；
是否将 AI 用于增强能力，而不是掩盖能力缺口。
工具采用率可能与能力提升同时发生，也可能与能力退化同时发生。当员工只负责接受 AI 输出、完成形式审核和追求产量时，组织会逐渐失去独立判断能力。
10.2 Edmondson：心理安全不是低标准
Amy Edmondson 对团队心理安全的研究强调，成员需要相信自己可以提出问题、承认错误和表达不同意见，而不因此受到羞辱或惩罚。
在 AI 营销中，心理安全的具体表现包括：
员工可以说“模型没有足够证据”；
初级员工可以挑战高管偏好的自动化方案；
运营人员可以暂停疑似异常的发布；
项目负责人可以承认试点未产生增量；
团队可以复盘失败，而不把责任全部转移给个人；
专业人员可以拒绝明显不符合规范的输出。
心理安全不等于没有绩效要求。高心理安全、低标准会形成宽松和低责任；高标准、低心理安全会形成隐藏错误和表面服从。成熟组织必须同时维持高标准与高心理安全。
10.3 Argyris：从单环学习到双环学习
Chris Argyris 区分单环学习与双环学习。单环学习是在既定目标和规则下纠正行动；双环学习则进一步质疑目标、假设和规则本身。
在 AI 营销中：
单环学习：发现标题点击率低，调整表达；
双环学习：质疑是否把点击率设为主要目标；
单环学习：发现模型经常出错，增加审核；
双环学习：质疑是否应让模型承担该类任务；
单环学习：销售不使用系统，增加培训；
双环学习：质疑系统是否真正帮助销售完成工作。
AI 项目容易停留在单环学习，因为技术团队倾向优化模型，业务团队倾向增加规则，而较少质疑原始经营命题。
其边界在于，不是每次问题都需要重新讨论战略。对稳定、重复任务，单环改进更高效；双环学习应聚焦持续失败、重大异常和环境变化。
10.4 Schein：文化由领导者持续关注和奖励的内容塑造
Edgar Schein 的组织文化研究指出，领导者持续关注、测量、奖励和回应的事项，会形成真实文化。若 CMO 口头鼓励创新，却只奖励内容数量和项目按时上线，团队会理解为“不要挑战目标，只要完成交付”。
AI 时代 CMO 应通过以下行为塑造文化：
在会议中首先询问证据和异常，而非只问进度；
对及时发现重大错误的人给予正向评价；
公开说明停止项目是基于纪律，而非失败羞辱；
对无证据的成功叙事保持警惕；
要求高管自己的判断也接受挑战；
不允许以“模型就是这样”逃避责任。
10.5 专业判断的四层结构
AI 在事实和方法层面可能表现较强，但情境和责任判断不能因输出流畅而被自动移交。
10.6 团队能力成熟度
成熟度不应以自动化比例衡量。某些高风险组织即使长期保持较高人工参与，也可能比追求全面自动化的组织更成熟。
10.7 完整案例：微软对 AI 采用、学习文化与责任治理的结合
微软长期强调成长型思维、学习文化和负责任 AI，并在企业内部与产品生态中推广 AI 辅助工作。其公开实践反映出，AI 导入并不只是工具培训，而涉及工作方式、管理者行为、产品责任和治理原则。
可提炼的机制包括：
将 AI 使用与真实工作任务结合，而非只教授功能；
鼓励员工持续试验，同时保留安全和责任边界；
通过产品反馈、评测和治理机制改进系统；
强调管理者需要重新设计工作，而不是只要求员工提高产量；
责任原则与业务采用并行，而不是在事故后补充。
边界在于，微软既是技术供应商也是大型使用者，其资源、技术能力和商业利益与一般企业不同。供应商公开材料不能作为所有效果的独立证明。可迁移的是组织学习原则，而非具体采用速度或产品结论。
10.8 中国案例：海底捞的一线授权与服务学习
海底捞长期以一线服务授权、现场判断和经验复制著称。虽然其核心实践早于生成式 AI，但对 AI 时代组织激活具有直接启示：客户体验中的许多关键情境无法被完整规则化，一线员工需要保留判断和处置权。
当 AI 进入服务和营销流程时，成熟设计应当：
由 AI 提供客户背景、建议和风险提示；
允许一线员工根据现场语境调整；
对高敏感客户提供人工接管；
把一线异常和创新做法回流到组织；
不用系统评分压缩服务人员的合理裁量；
防止“标准化”变成僵化。
该案例的边界是，服务授权也可能导致执行差异、成本上升和管理难度。心理安全与一线授权必须配合明确底线、训练和复盘。
10.9 中国案例：字节跳动的实验文化及其边界
字节跳动以数据、快速试验和产品迭代能力著称。其组织方法说明，大规模实验基础设施可以提高决策速度，使团队通过行为数据持续优化产品和内容。
对 CMO 的启示包括：
实验应成为日常机制，而非大型项目；
决策应尽可能基于真实行为而非层级意见；
平台和数据基础能够降低试验成本；
反馈速度可以形成组织学习优势。
但这一模式也存在重要边界：
易测量指标可能主导决策；
高频实验可能忽视长期品牌和社会影响；
平台行为数据不等于完整客户价值；
推荐优化可能形成信息茧房、内容同质化或注意力争夺；
数据优势不能替代伦理和治理判断。
因此，实验文化必须受到增长—品牌—风险三本账约束。能够快速试验，不代表所有可试验事项都值得试验。
10.10 失败反例：员工不敢否定 AI
某企业将 AI 生成的市场研究、创意评分和销售建议纳入正式流程。管理层反复强调“AI 是未来”，并把高使用率列入团队绩效。员工很快学会使用系统，但出现以下现象：
初级人员发现事实错误，却担心被认为不会使用 AI；
品牌人员对低质量内容只做轻微修改，不敢否定系统；
销售人员明知建议不适合客户，仍照单执行以避免承担责任；
项目复盘只汇报节省工时，不讨论客户结果；
异常被解释为“少数情况”，没有进入改进流程。
表面上采用率很高，实际形成了自动化服从。
根因分析
修复措施
10.11 团队学习闭环
10.12 能力评估：用真实工作样本替代自评
10.13 管理含义：CMO 的组织激活清单
组织激活的最终检验，不是员工是否更频繁地使用 AI，而是组织是否更早发现错误、更快修正假设、更清楚承担责任，并在技术能力扩张的同时保持专业判断、客户信任与长期学习能力。
预算重配
模型事故
品牌争议
归因冲突
跨部门阻塞
增长失速
并购整合
渠道变化
11.1 核心判断
CMO 领导力不能主要通过自评问卷、人格类型、履历光环或一般性访谈判断。真正具有经营意义的证据，来自领导者在信息不完整、利益冲突、时间压力和风险暴露同时存在的关键时刻中，如何界定问题、配置权力、使用证据、保护品牌、承担责任并推动组织学习。
传统高管评估常出现三类偏差：
把表达清晰、观点鲜明误认为战略判断可靠；
把成功项目归因于个人领导力，却忽略品牌基础、团队能力和市场红利；
用抽象能力词评价高管，却无法说明这些能力在真实工作中表现为何种动作。
董事会应把领导力评估从“这个人具有什么特质”转为“当企业遭遇特定经营情境时，他会做什么、依据什么、调动谁、承担什么后果”。
11.2 Flanagan 的关键事件法及其当代转译
John C. Flanagan 提出的关键事件法，核心是通过对显著影响结果的具体行为进行收集和分析，识别高绩效与低绩效之间的差异。其用于 CMO 评估时，不应只询问候选人“是否擅长协同”或“是否具有战略思维”，而应要求其处理具体事件：
预算应如何重配；
模型事故后何时停机；
品牌争议中如何区分事实、情绪与责任；
市场与销售归因冲突如何裁决；
跨部门长期阻塞如何处理；
增长失速时先查战略还是先压执行；
并购后如何整合品牌、数据与团队；
重大渠道变化时如何保留战略选择权。
其边界在于，模拟场景无法完全复制真实权力、情绪和长期后果，因此应与过往工作样本、同事证据、真实复盘和经营结果结合。
11.3 Dreyfus 技能发展模型的适用边界
Dreyfus 兄弟关于技能发展的研究区分从规则依赖到情境化专业判断的不同阶段。对 CMO 而言，低成熟度领导者倾向依赖固定框架和标准答案；较成熟领导者能够识别情境差异、权衡冲突目标，并在不确定条件下承担判断责任。
但“依靠经验直觉”不能成为拒绝证据的理由。高水平 CMO 应同时具备：
对模式的快速识别；
对直觉可能出错的警觉；
对重大判断进行结构化验证的纪律；
在新情境中承认经验边界的能力。
因此，董事会既不应只选择擅长规则执行的人，也不应把“行业老兵的直觉”视为无需验证的权威。
11.4 关键时刻领导力场景桌
11.5 场景一：预算重配
场景设定
企业年度营销预算已经执行过半。传统品牌项目表现稳定但缺乏短期收入归因；新上线的智能投放项目在平台归因口径下表现较好；销售部门要求增加获客预算；CFO 要求整体削减 15%；CEO 希望保留一个具有战略象征意义的创新项目。
高质量领导行为
区分平台归因、企业增量和长期品牌效果；
把预算分为即时优化、季度增长、品牌资产、战略期权和能力建设；
识别哪些项目具有沉没成本偏差；
要求每项新增预算对应继续门和停止门；
明确削减预算对未来管道、品牌和组织能力的二阶影响；
将不能证明价值且不能形成能力的项目优先退出；
保留有限战略期权，不因短期压力完全取消未来选项。
低质量行为
按各部门政治影响平均削减；
只依据平台投产数据重配；
为避免冲突保留所有项目、降低每项投入；
用“品牌长期价值无法测量”拒绝任何调整；
用“AI 是战略方向”保护缺乏证据的项目。
评分表
11.6 场景二：模型事故
场景设定
一套用于销售建议和客户邮件辅助的系统，在多个大客户沟通中引用了过期产品能力，并生成超出标准合同范围的服务承诺。尚未形成正式合同，但部分客户已经转发相关邮件。
CMO 应采取的动作顺序
领导力观察点
是否试图先控制舆情而非保护客户；
是否把责任推给供应商或一线员工；
是否能够在事实尚未完全明确时果断降级；
是否保留证据而非急于删除错误记录；
是否公开修正项目成功叙事；
是否根据根因改变流程，而非只增加一层人工签字。
11.7 场景三：品牌争议
场景设定
一项由 AI 辅助策划的热点营销获得大量传播，但部分公众认为其借用敏感社会议题吸引注意。内部团队认为传播数据很好，代理商建议坚持创意立场，销售担心撤回等于承认错误。
高质量应对机制
区分事实错误、价值冲突、语境失当和恶意攻击；
判断争议是否触及品牌核心承诺；
不以互动量证明公众接受；
听取受影响群体、一线客服和渠道反馈；
在必要时暂停传播并承认具体问题；
避免空泛道歉，说明改变了什么；
复盘为何创意评审、红队和语境检查未发现问题；
重新判断是否需要改变项目激励和热点策略。
边界
品牌不能因每次负面评论自动撤回立场。成熟领导力需要区分：
核心价值受到挑战；
表达方式造成误解；
真实伤害与一般不喜欢；
有组织攻击与广泛客户反应；
短期争议与长期品牌定位。
11.8 场景四：市场与销售归因冲突
场景设定
市场部门认为内容、活动和广告创造了主要商机；销售部门认为成交主要来自销售关系与渠道推荐。双方使用不同系统和时间窗口，并据此争夺下一年度预算。
CMO 的正确任务
CMO 不应只为市场争取更多功劳，而应推动建立企业级增长证据：
统一客户和账户标识；
明确来源、影响和增量的区别；
建立线索接收和销售回传协议；
对重点市场活动设计对照或准实验；
将销售接触、产品试用和市场触点纳入客户旅程；
把争议从历史功劳分配转为未来资源配置；
与 CFO 共同确认企业核算口径。
可观察行为评分
11.9 场景五：跨部门阻塞
跨部门阻塞可能来自四种完全不同的原因，CMO 必须先分类，而不是笼统要求“加强协作”。
真正的领导力不是把所有阻塞都归结为对方不配合，也不是通过私人关系绕过正式机制。
11.10 场景六：增长失速
增长失速时，CMO 最容易做出三种错误反应：
增加内容与活动数量；
扩大折扣和效果投放；
更换工具、代理商或组织负责人。
高质量诊断应先区分增长系统中的不同失效层。
CMO 应拒绝在诊断未完成前用更高活动量掩盖结构问题。
11.11 场景七：并购整合
并购后营销整合不能只做品牌命名和渠道合并。AI 时代还涉及客户数据、知识库、内容资产、模型配置、权限和供应商合同。
边界在于，整合速度不是越快越好。客户信任、业务连续性和关键人才保留可能要求阶段性双轨运行。
11.12 场景八：重大渠道变化
当智能搜索、内容平台、电商平台或超级应用改变流量分配规则时，CMO 不应只决定“是否追随新渠道”，而应管理入口依赖。
渠道变化决策表
11.13 领导力场景桌的评估量规
每个场景均可使用以下统一量规，但评估者必须结合具体行为证据，不能只勾选抽象等级。
五级行为评分
11.14 管理含义
董事会和 CHRO 不应把场景桌只用于招聘。它应进入：
CMO 候选人评估；
年度绩效回顾；
继任者发展；
高风险项目复盘；
高管团队联合演练；
董事会风险教育。
最有价值的证据，不是候选人给出唯一“标准答案”，而是其能否提出关键问题、识别信息缺口、说明取舍逻辑，并明确何时需要其他专业角色共同决定。
INDUSTRY 行业
SCALE 规模
MATURITY 成熟度
REGULATION 监管强度
12.1 核心判断
不存在适用于所有企业的单一 CMO 领导模型。CMO 权限、能力重点和治理强度，应随以下情境变量调整：
行业监管与客户伤害风险；
商业模式和主要增长因果；
企业规模与组织复杂度；
客户数据密度与敏感度；
品牌资产的重要性；
技术和数据成熟度；
产品生命周期与增长阶段；
渠道依赖和市场结构。
权变理论的基本管理含义是：有效组织方式取决于环境、任务和技术条件。AI 时代尤其不能把全球消费品公司的 CMO 模型复制给工业 B2B、金融、医疗或早期创业企业。
12.2 情境系数
本报告建议从六个维度判断 CMO 领导模型的调整方向。
12.3 行业情境调整
12.3.1 金融行业
金融营销涉及适当性、消费者权益、价格、资格、信用和敏感数据。CMO 不应拥有对高影响自动化决策的单方批准权。
CMO 不应因承担增长目标而越过风险政策、产品适当性和客户权益边界。
12.3.2 医疗健康行业
医疗健康场景中的营销表达可能影响患者选择、健康行为和治疗预期。事实错误、夸大效果和不当个性化具有较高伤害风险。
CMO 负责客户理解和品牌表达，但不能拥有临床判断权。
12.3.3 快速消费品
快消行业内容密度高、渠道多、品牌资产重要，适合广泛采用 AI 提高研究、内容适配和运营效率，但需要防止短期促销和内容同质化。
12.3.4 工业与 B2B
B2B 增长通常依赖专业信任、销售关系、产品能力和长周期决策。CMO 的核心不是大规模自动触达，而是连接行业洞察、账户经营、销售内容和产品证据。
B2B 企业若销售高度主导，CMO 不应独立控制收入预测和客户承诺。
12.3.5 平台企业
平台企业同时服务消费者、商家、创作者、劳动者和广告主。单纯以消费者点击或交易优化，可能把成本转移给其他生态参与者。
12.4 企业规模调整
小企业不应为了显得先进而建立复杂委员会；大型企业也不能依赖创始人逐项拍板。
12.5 成熟度调整
M0：无序探索期
员工各自使用工具；
数据和权限缺乏统一规则；
CMO 重点应放在识别场景、建立底线和停止野生使用；
不宜扩大自动执行权限。
M1：任务辅助期
AI 主要用于草稿、整理和分析；
需要建立质量标准、事实源和人工责任；
评价重点是任务质量，不是使用次数。
M2：流程试点期
AI 进入固定工作流；
需要明确接口、审批、日志和异常升级；
CMO 与 CIO/CDO 开始运行双钥匙。
M3：受控规模期
多团队使用统一平台；
需要风险分级、版本治理、能力认证和三本账；
董事会开始审议重大 AI 营销组合。
M4：系统学习期
执行结果持续回流策略和流程；
CMO 重点转向投资组合、组织重构和模型漂移治理；
评价从效率转向增量与能力。
M5：动态重构期
企业能够根据环境改变人机任务与组织边界；
需要成熟内控、专业制衡和持续审计；
不追求无条件自治，而追求可控适应。
12.6 监管强度调整
监管强度不是阻碍创新的外部成本，而是经营设计条件。高监管企业可以创新，但必须把可解释、可审计和客户权益作为系统能力。
12.7 CMO 不应扩权的十二种情况
12.8 完整案例：中国工商银行的高监管场景边界
大型银行在客户服务、营销推荐、风险识别和数字运营中具备广泛的 AI 应用空间，但银行业务受到资本、消费者权益、数据、模型和适当性等多重治理要求。
在此类企业中，CMO 可以主导：
客户需求和体验命题；
品牌与服务表达；
低风险内容和渠道试验；
客户教育和服务优化；
营销活动的增量评价。
但不应单独决定：
信用与授信判断；
高影响客户资格；
产品适当性；
敏感数据组合使用；
重大自动化客户承诺；
模型风险接受标准。
该案例说明，在高监管行业，CMO 领导力的成熟不表现为权力最大，而表现为能够在严格专业边界内创造增长并建立共治。
12.9 完整案例：宁德时代的 B2B 与产业链情境
宁德时代面向全球汽车制造商和产业链客户，其增长依赖技术、产能、质量、供应链、客户关系和长期合作，而非单纯传播或线索规模。CMO 或市场领导者的价值主要在于：
将技术能力转化为客户可理解的价值；
管理产业品牌、资本市场和公共议题；
支持重点账户与生态合作；
识别政策、技术和市场信号；
连接产品、销售、战略和全球沟通。
在此类企业中，营销不能独立承诺技术性能、供货能力和商业条件。产品、工程、供应链和业务负责人必须保留关键决策权。
其边界表明：AI 时代 CMO 不一定成为收入系统的唯一设计者，但应成为客户认知、品牌信任和市场证据的重要架构者。
12.10 管理含义：CMO 情境校准表
主张权
建议权
共决权
否决权
升级权
13.1 核心判断
董事会治理 AI 营销的核心，不是审议具体工具或创意，而是确保以下三项同时成立：
权限与责任匹配：承担结果的人拥有影响关键变量的权力；
增长与风险匹配：扩大商业能力的同时扩大相应控制能力；
短期与长期匹配：当期收入纪律不能透支品牌、客户和组织资产。
董事会既不能把 AI 营销完全当作管理层日常运营，也不能越级进入具体项目审批。董事会应关注重大资本配置、客户权益、品牌资产、模型风险、数据责任、组织能力和高管问责。
13.2 Jensen 与 Meckling：代理问题的当代含义
Michael Jensen 与 William Meckling 关于代理问题的研究指出，管理者、股东和其他利益相关者之间可能存在目标不一致与信息不对称。
在 AI 营销中，新的代理问题包括：
CMO 可能追求可见声量和短期增长，忽略长期品牌风险；
技术团队可能追求平台规模和先进性，忽略场景价值；
供应商可能夸大能力和节省，弱化错误与依赖；
平台可能用自身归因证明自身价值；
一线员工可能在不合理指标下形式审核；
高管可能把失败归因于模型，逃避决策责任。
董事会应通过证据门、独立审计、激励设计和决策记录降低这些代理风险。
其边界是，治理不能演变为对管理层的不信任和过度控制。高质量治理应提高可问责的授权，而非取消管理自主。
13.3 COSO 与三道防线的应用
COSO 内部控制框架强调控制环境、风险评估、控制活动、信息沟通和监督。对应 AI 营销：
三道防线可作如下调整：
三道防线的边界是不能让第二线替第一线承担业务责任，也不能让内审成为上线前的日常审批者。
13.4 CMO 决策权轨道
决策权应按照对象和风险区分，而不是笼统规定“CMO 负责营销”。
权力类型
七类对象的决策权轨道
该轨道必须进一步按照风险等级调整。低风险内容适配可以由 CMO 在边界内主决；涉及重大客户承诺或敏感自动化时，则应进入共决。
13.5 董事会不应越级管理的事项
董事会应审议的是标准、资本、风险偏好、重大例外和高管问责，而不是替代管理层运行系统。
13.6 董事会应保留审议的事项
13.7 季度董事会审议框架
董事会不应只看项目数量和效率指标，而应围绕五张经营视图进行季度审议。
视图一：增长命题组合
视图二：增长—品牌—风险三本账
视图三：重大决策与例外
视图四：组织与能力
视图五：治理有效性
13.8 董事会季度议程模板
13.9 问责机制
AI 系统不能成为责任主体。董事会必须坚持：
模型没有责任，部署和使用模型的人有责任；
供应商承诺不能替代企业判断；
人工审核不能成为形式免责；
共决不等于责任平均分摊；
决策记录必须说明谁基于什么证据接受了什么风险；
对及时报告和停止应给予保护；
对隐瞒异常、移动成功标准和夸大证据应明确问责。
问责分类
13.10 完整案例：OpenAI 董事会治理争议的治理启示
OpenAI 在 2023 年发生的董事会与高管治理争议，暴露了使命、商业化、董事会信息、管理层信任和利益相关者之间的复杂冲突。尽管其组织结构与一般企业不同，该事件仍提供了重要治理教训：
高影响 AI 企业的使命、商业目标和治理结构必须一致；
董事会与管理层之间的信息不对称会迅速演化为信任危机；
关键决策若缺乏清楚、可解释的程序，会引发员工、投资者和合作伙伴反应；
正式权力不等于实际治理能力；
高管问责、组织稳定和利益相关者信任需要共同考虑。
其边界在于，该事件不能简单类比普通企业的 CMO 治理，也不能仅凭公开信息判断全部内部事实。可迁移的原则是：重大权力必须伴随清晰程序、信息质量和利益相关者影响评估。
13.11 管理含义
董事会治理成熟度可分为四级：
董事会的目标不是成为技术专家，而是成为高质量问题、权力配置和问责机制的设计者。
DAY 01—30 对齐命题与权责
DAY 31—60 运行受控真实闭环
DAY 61—90 重配预算能力治理
14.1 核心判断
CMO 的 AI 领导力转型不能依靠一次培训、一次技术采购或一次组织发布会完成。前三个月的首要任务，不是证明长期收入贡献，而是建立正确的经营命题、权责结构、试点节奏、风险控制和组织学习机制。
90 天议程必须避免两种错误：
一开始就进行全面平台建设和组织重组；
只做调研、培训和愿景沟通，不进入真实业务。
正确节奏是：前 30 天定义问题与权责，中间 30 天运行有限真实闭环，最后 30 天依据证据重配资源并制度化治理。
14.2 0—30 天：对齐经营命题与权责
阶段目标
建立 CEO、CMO、CFO、CIO/CDO、销售、产品和法务对 AI 营销的共同问题定义；
完成经营契约和决策权初步澄清；
识别高价值、低不可逆性的试点；
建立最低风险底线和停止机制；
形成现状基线，而非立即追求大规模成果。
关键任务
0—30 天交付物
前 30 天不应做的事
不应宣布全面自动化目标；
不应以工具采购代替战略；
不应承诺无法验证的收入提升；
不应在未盘点数据用途前开放真实客户数据；
不应把所有旧项目打包为 AI 项目；
不应依据个人印象立即大规模更换团队。
14.3 31—60 天：运行跨部门试点与评审门
阶段目标
在真实客户、真实流程和真实责任条件下验证命题；
运行 CMO/CIO/CDO/销售/法务共治；
形成可观察工作样本；
测试质量、异常、人工接管和停止机制；
比较不同人机分工，而非只测试模型输出。
试点选择标准
典型试点组合
31—60 天评审节奏
31—60 天必须保留的证据
原始基线；
每次模型或规则版本；
人工修改和拒绝原因；
异常、投诉和接管记录；
跨部门承诺履行情况；
未达预期的结果；
被停止或降级的事项；
供应商自报与企业实测的差异。
14.4 61—90 天：重配预算、能力和治理
阶段目标
依据证据决定扩大、调整或停止；
将有效试点转化为稳定流程；
修正岗位、绩效和培训；
建立季度董事会审议；
形成下一阶段能力建设路线。
决策分类
61—90 天组织动作
14.5 90 天成果标准
90 天不应以“上线多少功能”作为成功标准，而应以以下结果判断：
14.6 90 天之后的 180 天方向
虽然 90 天不能证明长期价值，但应为下一阶段形成清晰选择：
扩大一至两个已验证闭环；
完成关键数据和系统接口；
建立岗位能力认证；
调整预算与供应商组合；
对高风险场景开展独立审计；
形成跨业务单元复制标准；
将品牌、增长和风险数据纳入经营驾驶舱；
评估 CMO 经营契约是否需要进一步调整。
AI 时代不缺更快的内容、更强的分析和更多的技术功能。真正稀缺的是能够把这些能力置于客户价值、经营证据、组织权力和责任边界之中的领导者。
CMO 的未来，不是成为模型专家，也不是成为拥有所有客户数据和增长预算的超级高管。真正成熟的 CMO 必须完成六项经营任务：
从复杂信号中看见有限而真实的增长可能；
把战略意图转化为能够被证实或推翻的经营命题；
架构人、AI、数据、流程和反馈共同运行的增长系统；
把跨部门依赖转化为明确的共同责任和决策机制；
在速度扩大之前建立权限、风险、回滚和停止条件；
让组织在使用 AI 的过程中增强专业判断，而不是失去判断。
董事会也必须放弃两种不现实期待：既不能要求 CMO 对所有增长结果负责，却不给予必要的跨部门权力；也不能因 AI 能力快速发展，就把客户、数据、品牌和合规权力集中到单一高管。
CMO 领导力的终极检验，不是企业生成了多少内容、部署了多少工具或节省了多少工时，而是企业是否形成了一套更好的经营系统：
能更早识别机会；
能更清楚验证假设；
能更快停止错误；
能更稳健保护客户；
能同时经营收入与品牌；
能让专业判断在自动化中继续存在；
能让每次成功与失败都转化为组织能力。
当这些条件成立时，AI 才会成为增长系统的一部分；否则，它只会成为放大原有组织问题的加速器。
管理工具二：CEO—CMO 经营契约
管理工具三：CMO 决策权轨道工作表
管理工具四：CIO/CDO 双钥匙审议清单
管理工具五：CHRO 领导力评估与人才清单
CHRO 不应采用的替代指标
参加了多少 AI 培训；
使用了多少工具；
生成了多少内容；
自评创新意愿；
一般性人格标签；
团队对领导者的单次满意度；
供应商颁发的课程证书；
单次演讲或案例展示效果。
管理工具六：CMO 关键时刻场景评估表
评分应附具体行为证据，不得只填写数字。
管理工具七：增长—品牌—风险三本账模板
管理工具八：30/60/90 天行动看板
管理工具九：供应商与平台治理清单
管理工具十：CMO 不扩权检查表
若以下任一项无法满足，应暂停扩大 CMO 对数据、模型或自动执行的权限。
本报告以十二组核心专家视角为主要理论支撑，其余相关思想作为补充边界。
七个经典思想主轴
顾客创造与经营目的；
动态能力与战略选项；
好战略与一致行动；
社会技术系统与系统质量；
变革联盟与适应性领导；
情境完整性与责任数据；
心理安全与双环学习。
公开纯文本来源索引
以下索引仅保留机构、作者、标题、日期及使用口径，不构成对个别企业成效的独立背书。
Peter F. Drucker，《The Practice of Management》，1954；用于企业目的、顾客创造与管理责任。
Henry Mintzberg，《The Nature of Managerial Work》，1973；用于管理角色与真实工作行为。
David J. Teece、Gary Pisano、Amy Shuen，《Dynamic Capabilities and Strategic Management》，1997；用于感知、捕捉与重构。
Paul J. H. Schoemaker，《Scenario Planning: A Tool for Strategic Thinking》，1995；用于情景规划与战略不确定性。
Richard P. Rumelt，《Good Strategy/Bad Strategy》，2011；用于诊断、指导方针与一致行动。
W. Edwards Deming，《Out of the Crisis》，1982；用于系统质量、过程控制与管理责任。
Herbert A. Simon，《Administrative Behavior》，1947；用于有限理性与决策结构。
Melvin E. Conway，《How Do Committees Invent?》，1968；用于组织沟通结构与系统结构关系。
John P. Kotter，《Leading Change》，1996；用于变革联盟与组织变革。
Ronald A. Heifetz，《Leadership Without Easy Answers》，1994；用于技术问题与适应性挑战。
Jeffrey Pfeffer，《Power in Organizations》，1981；用于组织依赖、资源与权力。
Helen Nissenbaum，《Privacy in Context》，2010；用于情境完整性和数据用途。
National Institute of Standards and Technology，《Artificial Intelligence Risk Management Framework 1.0》，2023；用于 AI 风险治理结构。
Daniel Kahneman，《Thinking, Fast and Slow》，2011；用于判断偏差和结构化减偏。
Nassim Nicholas Taleb，《Antifragile》，2012；用于不可逆性、脆弱性和尾部风险。
James Reason，《Human Error》，1990；用于多层防线与系统事故。
Les Binet、Peter Field，《The Long and the Short of It》，2013；用于品牌建设和销售激活的双时间尺度。
David A. Aaker，《Managing Brand Equity》，1991；用于品牌资产与长期竞争力。
Robert S. Kaplan、David P. Norton，《The Balanced Scorecard》，1996；用于结果、客户、流程与学习能力。
Amy C. Edmondson，《Psychological Safety and Learning Behavior in Work Teams》，1999；用于心理安全和团队学习。
Chris Argyris、Donald Schön，《Organizational Learning》，1978；用于单环与双环学习。
Edgar H. Schein，《Organizational Culture and Leadership》，1985 及后续版本；用于领导行为与文化形成。
John C. Flanagan，《The Critical Incident Technique》，1954；用于关键时刻行为评估。
Stuart Dreyfus、Hubert Dreyfus，《A Five-Stage Model of the Mental Activities Involved in Directed Skill Acquisition》，1980；用于专业判断发展。
Michael C. Jensen、William H. Meckling，《Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure》，1976；用于代理问题和高管问责。
COSO，《Internal Control—Integrated Framework》，2013；用于内部控制和治理结构。
Harvard Business School、P&G，《The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise》，2025；791 名专业人员现场实验，用于人机团队与专业知识边界。
The Coca-Cola Company，生成式 AI 创意、数字营销与年度报告相关材料，2023—2025；用于全球品牌内容与伙伴生态。
Unilever，《Annual Report and Accounts》及年度业绩材料，2024—2025；用于品牌增长、社交优先需求创造与组织转型。
Klarna，AI 客服助手官方披露及后续客户服务战略材料，2024—2025；用于效率、人工服务与体验边界。
Alphabet/Google，Gemini 人物图像生成暂停与改进说明，2024；用于生成系统失效、停机和恢复机制。
Starbucks Corporation，Deep Brew、数字客户与年度报告材料，2019—2025；用于客户数据、个性化与门店系统。
Microsoft，《Responsible AI Standard》及年度责任报告，2022—2025；用于责任治理、产品管理与组织学习。
NIST，《AI RMF Generative AI Profile》，2024；用于生成式 AI 特定风险。
中国全国人民代表大会常务委员会，《中华人民共和国个人信息保护法》，2021；用于个人信息处理、敏感信息和自动化决策。
中国全国人民代表大会常务委员会，《中华人民共和国数据安全法》，2021；用于数据安全责任。
国家互联网信息办公室等，《互联网信息服务算法推荐管理规定》，2021 公布、2022 施行；用于推荐算法治理。
国家互联网信息办公室等，《互联网信息服务深度合成管理规定》，2022；用于深度合成服务治理。
国家互联网信息办公室等，《生成式人工智能服务管理暂行办法》，2023；用于生成式服务责任。
中国平安保险（集团）股份有限公司，《年度报告》，2023—2025；用于综合金融、客户经营、科技与治理。
蚂蚁集团，隐私计算、可信 AI 与数据安全公开技术材料，2020—2025；用于多方数据、隐私技术与用途边界。
海尔集团，人单合一与用户导向组织公开材料；用于平台组织、客户响应和中央—一线边界。
华为，《华为基本法》、流程管理及企业公开管理材料；用于端到端流程和跨职能责任。
百度集团，《年度报告》及智能搜索公开材料，2023—2025；用于智能入口和搜索变化。
腾讯控股，《年度报告》及腾讯广告智能营销公开材料，2023—2025；用于平台能力、广告优化与归因边界。
美团，《年度报告》、算法公开与骑手权益相关材料，2020—2025；用于平台算法、劳动者与生态外部性。
蒙牛乳业，《年度报告》与数字营销公开材料，2023—2025；用于消费品牌、渠道和内容规模。
花西子，品牌公开回应及相关公开事件材料，2023；用于品牌价值、价格叙事和危机响应。
字节跳动，企业文化、数据实验和平台治理公开材料；用于实验文化及易测量指标边界。
海底捞国际控股，《年度报告》及服务管理公开材料；用于一线授权、服务判断与组织学习。
中国工商银行，《年度报告》及金融科技公开材料，2023—2025；用于高监管金融营销与数据边界。
宁德时代，《年度报告》，2023—2025；用于 B2B、产业链、技术承诺和品牌边界。
OpenAI，2023 年董事会与管理层变动官方公告；用于董事会程序、使命和高管治理。
The Committee of Sponsoring Organizations of the Treadway Commission，《Enterprise Risk Management—Integrating with Strategy and Performance》，2017；用于战略、绩效与风险整合。
Institute of Internal Auditors，《The Three Lines Model》，2020；用于业务、监督和内部审计责任。
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。
