企业AI营销三年路线图
从单点提效到智能原生

本报告面向企业董事会与经营层，用于AI营销能力规划、资本配置、组织授权、风险治理与阶段决策。报告中的企业案例均基于公开披露；公司、平台或供应商自报结果均在案例中标注，未公开的经营结果明确写为“未披露”。

报告不把节省工时直接等同于现金回报，不把模型演示等同于业务闭环，不把局部生产率结果外推为企业利润。管理层应结合行业监管、数据基础、业务波动、组织成熟度和资本约束校准节奏。

版权所有 © 2026 竹势 AI 营销智库。

阅读导航

01 执行摘要

02 十个可证伪的核心判断

03 第一章 三年经营远征地图

04 第二章 起点诊断：先找瓶颈，再选AI

05 第三章 用例组合：价值、可行性与风险的资本排序

06 第四章 0—1：最小经营闭环

07 第五章 1—N：复制机制与岗位迁移

08 第六章 规模化：智能原生运行系统

09 第七章 组织权责与自动化半径

10 第八章 数据、知识与技术架构演进

11 第九章 投资组合、TCO与资本闸门

12 第十章 指标、证据等级与归因

13 第十一章 治理准入、风险与高可靠运行

14 第十二章 失败模式与纠偏

15 第十三章 90天启动、三年里程碑与董事会决议

16 结语与分角色行动清单

17 附录：管理者工具

18 纯文本来源索引

企业AI营销的首要难题已经从“能否生成内容”转向“能否在真实业务中持续产生可审计的结果”。工具成本下降并没有自动降低转型成本；相反，模型、数据、流程、权限、评测和变革管理之间的耦合，使错误更容易被高速复制。董事会需要管理的对象，是一组逐步成熟的经营能力：能找到约束、能建立基线、能跑通闭环、能复制组件、能扩大授权、能在事故发生时暂停和回滚。

本报告提出原创框架“三年经营远征地图”。横向分为0—1、1—N、规模化三个阶段；纵向设置业务价值、流程、组织、数据、技术、治理、资本七条能力轨道。每一阶段通过证据闸门进入下一阶段：G0立项门、G1闭环门、G2复制门、G3授权门。时间只是规划窗口，证据才是晋级条件。

董事会需要作出的五类决议

• 场景决议：首个闭环解决哪一段价值链约束，明确不做什么。

• 证据决议：采用什么基线、对照、复盘日和退出线，谁对结果口径负责。

• 资本决议：试验期权、共享能力、数据、变革、治理与稳定运营分别拨款。

• 授权决议：AI可以建议、起草、执行到哪一步；谁审核、批准、承担事故责任。

• 节奏决议：设定下一次董事会决议日，以证据而非热度决定继续、扩张、重构或停止。

三类最常见失败

1. 路线图的单位不是年份，而是证据等级

若企业在同一年内完成闭环、复制与控制面建设，可以提前晋级；若三年后仍无可重复证据，则不能因时间到期而宣称规模化。

2. 首个用例应对准价值链约束，而非最容易演示的任务

若首个用例没有改变瓶颈处的吞吐、质量、响应或转化，它只能算工具熟悉度训练。

3. 0—1成功标准是可重复闭环，不是一次高质量输出

同一流程在不同批次、不同人员或不同输入下无法稳定运行，说明结果依赖偶然性。

4. 1—N复制的是组件、契约、评测和变革机制

若复制主要靠重新设计个人操作步骤和逐人辅导，边际成本不会下降。

5. 节省工时只有在容量被重新配置后才可能转化为现金

未减少加班、外包、招聘或释放增长容量的工时节省，不应直接计入利润。

6. 自动化半径必须与责任、日志和回滚同步扩大

无法说明谁批准、谁监控、谁停机、谁承担后果的自动化，不应进入客户可见或资金相关环节。

7. 平台化应晚于数据契约和复用需求出现

若平台先于三个以上稳定场景出现，沉没成本和锁定风险通常高于共享收益。

8. 模型能力不是长期护城河，经营状态和学习闭环才是

模型可替换时，企业仍应保留流程状态、评测集、知识资产、权限策略和客户反馈。

9. 治理的目标是把风险降到可承受并保持学习，不是追求零风险

零风险要求会冻结真实场景学习；无治理则会把学习成本转嫁给客户、员工和品牌。

10. 下一次决议日比三年终点更重要

每个阶段都应预先设定审议日期与证据包；没有决议节奏，路线图会退化为项目清单。

三年经营远征地图把企业AI营销建设拆成七条能力轨道。任何一条轨道明显滞后，都可能成为新的系统约束：业务价值不清会让技术空转；流程未标准化会把混乱编码进自动化；组织责任不清会形成“AI做了、没人负责”；数据质量不足会让判断失真；技术不可观察会让问题无法定位；治理不足会放大事故；资本口径混乱会把工时节省包装成利润。

四道证据闸门

管理思想转译一：Porter、Drucker与战略取舍

Michael Porter在《What Is Strategy?》（1996）强调战略建立在独特活动组合和取舍上；Peter Drucker在《The Practice of Management》（1954）提出目标管理，要求目标转化为可衡量的责任。对AI营销的当代转译是：首批用例不能平均分配给所有部门，必须围绕少数经营约束做取舍；每个试点必须绑定业务目标、责任人和复盘日。边界在于，AI环境变化快，三年目标不能僵化为固定技术清单，而应固定经营方向和证据规则。

起点诊断的任务不是盘点员工用了多少AI工具，而是识别营销价值链中限制经营结果的约束，并判断该约束能否通过信息处理、内容生成、决策支持或动作自动化得到改善。Theory of Constraints由Eliyahu M. Goldratt在《The Goal》（1984）中系统化：系统吞吐由最关键约束决定。Jobs to Be Done思想则提醒管理者，从客户或内部用户要完成的“工作”出发，而不是从技术功能出发。两者结合，可避免把容易演示但不影响经营结果的任务放在首位。

起点诊断的五个问题

1. 价值链哪里排队最久、返工最多、流失最大或判断最慢？

2. 该瓶颈的基线是什么：周期、质量、响应、转化、成本、风险还是客户体验？

3. 所需数据是否可获得、可解释、可授权、可持续更新？

4. AI出错时影响半径多大：内部草稿、客户可见、资金动作、法律承诺还是安全事件？

5. 谁拥有流程结果，谁拥有数据，谁能在90天内改变工作方式？

案例1：生成式AI客户支持现场研究——生产率提升不等于利润

主体与时间：Erik Brynjolfsson、Danielle Li、Lindsey R. Raymond对一家大型软件公司的客户支持业务开展研究，工作论文于2023年发布并后续更新。业务情境：客服人员在实时对话中获得基于历史高质量对话训练的生成式AI建议。具体动作：5,179名客服人员中，部分人员获得AI助手；员工可采用、修改或拒绝建议。公开结果：NBER论文报告每小时解决问题的生产率平均提升14%，新手和低技能人员提升34%，对经验丰富和高技能人员影响很小。作用机制：AI把高绩效人员的沟通模式扩散给新手。归因限制：这是客户支持场景，不是营销全链路；指标以每小时解决问题等生产率为主，未直接证明利润、收入或客户终身价值。适用边界：输入、反馈和成功范例较丰富的重复任务。可复制条件：稳定知识库、实时反馈、人员可拒绝建议、分层评估。

专家观点：Erik Brynjolfsson与Daron Acemoglu

Brynjolfsson的研究基础是企业现场数据与生产率实验，其主张可转译为：AI更可能通过扩散最佳实践提升新手，而非对所有人均匀增益。Acemoglu在2024年NBER论文《The Simple Macroeconomics of AI》中提醒，早期实验的显著收益多集中于部分任务，宏观增益取决于可自动化任务比例与成本。报告判断：董事会应对任务级收益保持开放，对企业利润外推保持克制。

用例选择不能依靠“高热度清单”。本报告建议采用三轴评分：价值势能、可行性成熟度、风险半径；再用组合视角平衡短期证据、共享能力和长期期权。分数用于比较，不作为精确财务预测。任何评分都必须附证据说明，防止把主观偏好伪装成数字。

用例组合矩阵

管理思想转译二：Lean Startup与实物期权

Eric Ries在《The Lean Startup》（2011）用“构建—衡量—学习”约束不确定性；实物期权理论由Stewart Myers等学者引入资本预算，强调在不确定环境中购买继续、扩大、推迟或放弃的权利。对AI营销的转译是：0—1预算应被设计成可撤回的学习期权，交付物不是演示，而是基线、评测集、流程状态和风险认知。边界在于，受监管或品牌高风险场景不能用“快速试错”把成本转嫁给客户，必须在沙箱和人工审核中学习。

案例2：Amazon Ads生成式创意工具——降低门槛，但经营结果口径有限

主体与时间：Amazon Ads自2023—2025年持续推出图像、视频和创意生成工具。业务情境：中小广告主往往缺乏高质量生活方式图片与视频制作能力。具体动作：广告主上传商品信息，系统生成多种场景化图像或视频选项，由广告主选择和编辑。公开结果：Amazon官方披露工具扩大了创意供给，并在中小企业影响报告中作为降低制作门槛的案例；但对增量利润、长期品牌资产和跨行业效果未披露统一口径。归因限制：平台自报，工具嵌入Amazon广告生态，结果可能同时受流量、竞价与推荐机制影响。适用边界：标准化商品、素材缺口明显、可通过投放实验快速反馈的场景。可复制条件：品牌安全模板、人工选择、版本测试、与投放结果回流。

0—1阶段的目标是建立可重复的最小经营闭环。闭环至少包含目标、输入、动作、人工关口、业务输出、反馈与复盘七个要素。模型输出只是中间产物；没有进入真实流程、没有责任人、没有反馈数据，就不能称为闭环。

案例3：P&G“Cybernetic Teammate”随机现场实验

主体与时间：Harvard Business School研究者与Procter & Gamble合作，研究成果于2025年公开。样本与任务：791名P&G产品开发专业人员，在真实产品创新任务中被随机分配为个人、团队，以及是否使用生成式AI。具体动作：参与者提出并评估产品创意；AI作为知识和创意协作工具。公开结果：研究报告显示，使用AI的个人可达到传统两人团队相近的表现，AI提高跨职能知识共享，人与AI结合的团队更可能产生排名前10%的方案。作用机制：AI降低专业边界，帮助商业与技术人员访问彼此知识。归因限制：任务聚焦产品创新提案，时间有限，不能直接外推到市场投放、品牌长期效果或利润；研究环境和企业能力较强。适用边界：需要跨职能知识整合、产出可评估方案的知识工作。可复制条件：明确任务、随机或准实验设计、统一评审标准、保留人类判断。

0—1实验设计

专家观点：Karim Lakhani与Ethan Mollick

Karim Lakhani长期研究数字化与AI组织，其P&G现场研究强调AI能改变协作结构，而非只提升个人速度。Ethan Mollick在《Co-Intelligence》（2024）中主张把AI当作协作者并保持人类责任，同时提醒能力边界不稳定。报告判断：0—1阶段要把AI放进真实协作链，但必须预先设计评审、记录和责任，不能把“共同创作”理解为责任共同消失。

1—N阶段最容易犯的错误，是把一次成功的个人操作技巧复制给更多人。真正可复制的是：任务定义、数据契约、工作流状态、质量评测、异常分类、权限策略、培训和岗位责任。Rogers在《Diffusion of Innovations》（1962）指出，创新扩散受相对优势、兼容性、复杂性、可试用性和可观察性影响；社会技术系统理论源于Trist与Bamforth对煤矿组织的研究，强调技术与工作系统必须共同优化。

岗位迁移的四类结果

• 任务消失：低价值复制、格式转换、基础汇总被自动化。

• 任务增强：员工用AI扩大产能，但仍对判断和关系负责。

• 岗位重组：原本分散在内容、运营、数据、销售支持的任务被重新组合。

• 新责任出现：评测、知识维护、流程产品、风险监控、异常处理和供应商治理。

案例4：Estée Lauder生成式AI生态——从内容工具延伸到趋势与知识

主体与时间：Estée Lauder Companies与Microsoft在2024—2025年公开合作进展。业务情境：全球美妆品牌需要整合消费者趋势、研发知识和营销资产，缩短从洞察到上市的周期。具体动作：采用Microsoft 365 Copilot、Copilot Studio、Azure OpenAI Service与Azure AI Search，构建趋势分析、知识检索和营销资产支持能力。公开结果：官方案例描述了更快汇集数据、识别趋势和生成营销资产的方向，但未披露统一的增量收入、利润或全公司ROI。作用机制：将分散知识与工作流连接，减少搜索和跨部门沟通摩擦。归因限制：供应商与企业联合披露，缺少对照组和完整财务口径。适用边界：知识密集、品牌规范强、全球协作复杂的消费企业。可复制条件：品牌知识、权限、搜索质量、人工审阅和分阶段扩展。

案例5：淘宝天猫商家AI工具——大规模使用不等于大规模价值

主体与时间：淘宝天猫在2023年“双11”前后向商家推出生成图片、营销内容、客服和经营分析等AI工具，并于2024年扩大开放。公开结果：阿里云官方材料称，这些工具在2023年“双11”期间被使用超过15亿次。作用机制：把内容、客服和分析能力嵌入商家经营入口，降低使用门槛。归因限制：15亿次是调用量，不是独立商家数、增量成交或利润；平台未在该披露中给出统一对照。适用边界：高频、标准化、平台内反馈快的电商任务。可复制条件：嵌入业务入口、低学习成本、强反馈数据、区分活动指标与经营指标。

规模化的标志不是“更多部门都装了Copilot”，而是企业能持续把目标转成信号、把信号转成决策、把决策转成可控执行，再把结果转成学习。Deming在质量管理中推广PDSA循环；Teece、Pisano与Shuen在1997年提出动态能力，强调感知、捕捉与重构。两者结合，形成智能原生营销运行系统：持续感知市场和客户信号，配置资源与动作，通过反馈更新规则、知识和组合。

平台先行的沉没成本风险

在流程和数据契约尚未稳定时，统一平台会固化未经验证的假设。随着业务发现例外，平台团队往往通过新增字段、接口和配置弥补，复杂度和维护成本快速增长。董事会应要求平台预算由已验证的复用需求触发：至少三个稳定场景共享同一身份、日志、评测或数据实体；共享能力有明确服务等级和退出方案。

案例6：Klarna AI客服——效率披露与人类服务回摆

主体与时间：Klarna于2024年宣布其OpenAI驱动的客服助手上线，并由公司披露其在上线首月处理约三分之二客服对话、工作量相当于约700名全职人员、平均处理时间下降；公司预计带来利润改善。2025年，Klarna管理层又公开强调需要保留和恢复更多人工客服选择，以改善服务质量与客户体验。作用机制：自动处理高频查询、全天候响应和多语言支持。归因限制：早期数字为公司自报，等同全职人员是工作量折算，不等同实际裁员现金；客户满意、复杂问题和长期信任需要单独评估。适用边界：高频标准问题适合自动化，复杂、情绪化或高价值客户问题需人工。可复制条件：问题分级、人工升级、体验监控、质量与成本双指标。

专家观点：Amy Edmondson与David Teece

Amy Edmondson对心理安全和组织学习的研究说明，员工必须能报告AI错误而不受惩罚，否则异常会被隐藏。David Teece的动态能力强调组织需要持续重构资产和流程。报告判断：规模化系统必须把“报告错误、暂停流程、修改规则”设计成常态管理能力，不能只追求自动化覆盖率。

AI执行权每扩大一步，风险责任也必须同步迁移。组织需要区分四种权力：建议权、起草权、执行权、承诺权。建议和起草通常可在较低风险下广泛使用；执行涉及系统动作；承诺涉及价格、合同、对外声明、资金或客户权益，应受到更严格审批。

组织权责迁移表

行业差异

消费品内容场景的主要风险是品牌偏差、知识产权和生成内容标识；B2B营销的风险集中在客户数据、报价、销售承诺和长周期归因；金融、医疗等高监管行业还涉及适当性、记录保存、解释、敏感个人信息和专业责任。授权半径不能按技术能力统一设定，应按错误不可逆性、客户脆弱性、监管后果和资金影响分级。

案例7：Air Canada聊天机器人裁决——企业不能把自动化错误外包给工具

主体与时间：加拿大不列颠哥伦比亚省民事争议解决法庭于2024年就Air Canada聊天机器人向乘客提供错误丧亲票价信息的案件作出裁决。业务情境：乘客依据机器人说明购票，后续航空公司拒绝按该说明退款。具体动作：聊天机器人在官网提供政策信息，但内容与正式政策不一致。公开结果：法庭认定Air Canada应对其网站聊天机器人提供的信息负责，并判令赔偿。作用机制：自动化界面被客户合理视为企业官方渠道。归因限制：这是个案裁决，法律适用受辖区和事实影响。适用边界：任何涉及客户权益、价格、退款、合同或政策承诺的AI交互。可复制条件：知识单一来源、版本控制、人工升级、承诺类内容限制、完整日志。

数据与技术应跟随已验证场景演进。0—1阶段先建立最小数据产品：为一个闭环提供明确的数据实体、字段、质量和权限；1—N阶段才形成共享数据契约和知识服务；规模化阶段建设事件流、持续评测、统一控制面与模型路由。过度集中会拉长交付周期、放大单点故障并造成业务团队失去数据责任。

数据契约最小字段

模块化技术架构

标准框架的管理转译

NIST AI RMF 1.0以Govern、Map、Measure、Manage四项功能组织风险管理；2024年发布的生成式AI Profile补充了生成式AI特有风险。ISO/IEC 42001:2023建立AI管理体系要求。报告采用这些框架的原则，但不把合规认证等同于用例安全：企业仍需把框架映射到具体场景、数据、授权半径和事故响应。

专家观点：Fei-Fei Li与Andrew Ng

Fei-Fei Li长期强调以人为本的AI，适用于提醒企业把客户、员工和社会影响纳入系统设计。Andrew Ng在产业实践中持续倡导从具体用例和数据迭代出发。报告判断：模块化架构的目的不是追逐“最先进模型”，而是让企业在模型变化时保留数据、流程、评测和责任。

AI营销投资应拆分为六个账户：试验期权、共享能力、数据、变革、治理、稳定运营。混在一个“平台预算”中，会掩盖哪些支出正在创造证据，哪些支出只是维持系统。Stage-Gate由Robert G. Cooper系统化，用阶段审查控制创新投资；实物期权则提醒企业保留撤回和扩张选择。

TCO口径

三年TCO至少包括：许可证与模型调用、集成与连接器、数据准备、评测与安全、业务专家与审核、培训与岗位迁移、运维与支持、供应商切换、事故和停机、合规与审计。应分别计算固定成本、随用量变化成本和风险调整成本。

节省工时如何转化为现金

案例8：UOB Microsoft 365 Copilot试点——高监管行业的分阶段扩展

主体与时间：新加坡大华银行UOB于2023年宣布在多个职能试点Microsoft 365 Copilot。业务情境：银行员工需要处理大量文档、会议、邮件和分析，同时受数据、保密和监管要求约束。具体动作：先在有限员工和场景中试用，覆盖内容摘要、写作、会议和协作。公开结果：官方公告强调提升生产率与协作的目标，但未披露完整财务ROI。作用机制：在现有办公环境内降低信息处理摩擦。归因限制：供应商与客户联合披露，缺少对照与长期结果。适用边界：内部知识工作；客户承诺、交易和受监管决策仍需更强控制。可复制条件：有限范围试点、身份权限、数据边界、风险评估、分阶段扩大。

指标体系应从任务质量逐级升级到流程、客户和经济价值。活动量只能证明系统被使用；行为变化证明工作方式改变；机会指标证明可能影响经营；增量利润需要反事实；长期资产包括知识、数据、品牌、客户关系和组织能力。

证据等级

归因边界

营销结果同时受价格、渠道、竞争、季节、产品、销售执行和宏观环境影响。AI带来的创意量增加不必然提升增量销售；转化率上升可能来自人群变化；平台报告的归因可能采用点击或曝光窗口。董事会应要求关键结果附上反事实设计、时间窗口、分母和毛利口径。

专家观点：Ron Kohavi与Cathy O’Neil

Ron Kohavi长期推动互联网公司在线对照实验，强调预先定义指标、样本和护栏；Cathy O’Neil在《Weapons of Math Destruction》（2016）揭示不透明模型如何放大偏差和问责缺口。报告判断：实验文化需要与风险护栏并行，不能只优化点击和转化而忽略公平、投诉、品牌和长期客户价值。

治理应在每次扩大执行权之前发生，而不是事故后补充。高可靠组织研究由Karl Weick与Kathleen Sutcliffe等发展，强调对失败保持敏感、避免过度简化、贴近运行、保持韧性和尊重专业。对AI营销的转译是：持续关注微小异常，保留人工接管，记录真实运行状态，定期演练暂停和回滚。

中国监管要点

《生成式人工智能服务管理暂行办法》自2023年8月15日起施行，适用于向境内公众提供生成式AI服务，强调发展与安全并重、合法数据来源、个人信息和知识产权保护等。《人工智能生成合成内容标识办法》于2025年3月发布，自2025年9月1日起施行，规定显式和隐式标识要求。企业内部应用是否直接落入特定规则，需要结合是否向公众提供服务、内容类型、角色和行业规定判断；即使不直接适用，数据安全、个人信息、广告、知识产权和合同责任仍然存在。

风险授权半径

为什么零风险会冻结学习

真实场景永远存在不确定性。若企业要求模型在上线前证明零错误，任何新能力都无法获得真实反馈；团队会转向未经治理的影子AI。合理做法是把风险分层：低风险内部任务允许快速试验；中风险任务通过抽检、额度和人工接管学习；高风险承诺保持人工批准。

反例：把调用量当成价值

大型平台可以披露数亿或数十亿次AI调用，但调用量只代表使用活动。若没有分母、独立用户、任务质量、客户结果和成本，无法推断企业价值。董事会应把调用量放在L0活动层，不作为G2或G3证据。

反例：把供应商自报当作因果证据

供应商案例通常擅长描述动作和方向，但结果可能受客户选择、平台流量、实施团队和同期改革影响。自报结果可用于发现机会，必须标注口径；规模决策应补充企业内部数据、对照或跨周期证据。

管理思想转译三：双环学习

Chris Argyris与Donald Schön在《Organizational Learning》（1978）区分单环学习与双环学习：前者在既定目标和规则下纠错，后者质疑目标和规则本身。AI营销规模化后，企业不能只调局部操作规则和模型参数，还要质疑是否选择了错误指标、错误客户旅程或错误授权结构。管理动作是：季度复盘必须同时审议“系统是否按规则运行”和“规则是否仍然正确”。

90天启动计划

三年路线总表

下一次董事会决议日

董事会决议模板

企业AI营销三年路线的核心，是用更高等级的证据交换更大的资本与执行权。董事会不需要预测三年后使用哪一个模型，但必须现在确定：如何选择约束、如何建立基线、如何关闭无效试点、如何把有效能力复制、如何保留模型替换、如何在错误发生时暂停和回滚。智能原生不是无人化，而是让目标、信号、决策、执行和学习在明确责任下更快闭环。

工具A：起点诊断表

工具B：用例组合评分卡

工具C：最小经营闭环画布

工具D：阶段证据包清单

工具E：供应商准入问题

• 客户数据是否用于训练，默认设置和退出方式是什么？

• 模型、数据、工作流、日志和评测能否导出？

• 数据处理地域、分包商和跨境机制是什么？

• 身份、权限、密钥、日志、暂停和回滚如何实现？

• 模型更新如何通知，如何做回归评测？

• 事故、停机、数据泄露和知识产权责任如何分配？

• 合同终止后的数据删除、迁移和业务连续性如何保证？

工具F：董事会检查表

• 我们正在解决一个明确的经营约束吗？

• 是否有基线、分母、样本、周期和退出线？

• 结果是任务级、流程级还是经济级证据？

• 供应商自报与企业内部证据是否区分？

• 复制依赖组件和契约，还是依赖个人经验技巧？

• 平台预算是否由稳定复用需求触发？

• AI执行权是否与责任、日志、暂停和回滚同步？

• 节省工时是否真正转化为现金或新增增长容量？

• 是否存在必须停止或收缩授权的领先信号？

• 下一次决议日、证据包和责任人是否明确？

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。

1. Michael E. Porter, “What Is Strategy?”, Harvard Business Review, 1996。战略取舍与活动系统。

2. Peter F. Drucker, The Practice of Management, 1954。目标管理与管理责任。

3. Eliyahu M. Goldratt and Jeff Cox, The Goal, 1984。Theory of Constraints。

4. Clayton M. Christensen等，Competing Against Luck, 2016。Jobs to Be Done的系统阐释。

5. Eric Ries, The Lean Startup, 2011。构建—衡量—学习。

6. Stewart C. Myers, “Determinants of Corporate Borrowing”, Journal of Financial Economics, 1977；相关实物期权资本配置思想。

7. Everett M. Rogers, Diffusion of Innovations, 1962及后续版本。创新扩散。

8. Eric Trist and Ken Bamforth, “Some Social and Psychological Consequences of the Longwall Method of Coal-Getting”, Human Relations, 1951。社会技术系统。

9. W. Edwards Deming, Out of the Crisis, 1986。PDSA与质量管理。

10. David J. Teece, Gary Pisano, Amy Shuen, “Dynamic Capabilities and Strategic Management”, Strategic Management Journal, 1997。动态能力。

11. Robert G. Cooper, Winning at New Products及Stage-Gate系列研究。阶段闸门。

12. Chris Argyris and Donald Schön, Organizational Learning, 1978。单环与双环学习。

13. Karl E. Weick and Kathleen M. Sutcliffe, Managing the Unexpected, 2001及后续版本。高可靠组织。

14. Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, “Generative AI at Work”, NBER Working Paper 31161, 2023及修订。5,179名客服人员；每小时解决问题的生产率平均提升14%，新手和低技能人员提升34%，对经验丰富和高技能人员影响很小。

15. Fabrizio Dell’Acqua等, “The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise”, Harvard Business School working paper, 2025。P&G 791名产品开发专业人员随机现场实验。

16. Daron Acemoglu, “The Simple Macroeconomics of AI”, NBER Working Paper 32487, 2024。任务覆盖与宏观生产率边界。

17. National Institute of Standards and Technology, AI Risk Management Framework 1.0, 2023。Govern、Map、Measure、Manage。

18. NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, 2024。生成式AI风险管理。

19. ISO/IEC 42001:2023, Artificial intelligence management system。AI管理体系标准。

20. 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年7月发布，2023年8月15日起施行。

21. 国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局，《人工智能生成合成内容标识办法》，2025年3月发布，2025年9月1日起施行。

22. Amazon, Amazon Ads生成式图像与视频工具官方发布材料，2023—2025。结果为平台/公司披露，未提供统一增量利润口径。

23. Amazon, EU Small and Medium Enterprises Impact Report 2024。生成式广告创意工具作为降低中小企业制作门槛的案例。

24. Microsoft与Estée Lauder Companies官方案例，“Estée Lauder uses AI to reimagine trend forecasting and consumer marketing”, 2025。未披露统一财务ROI。

25. Alibaba Cloud/淘宝天猫官方材料，“Taobao and Tmall Upgrades Consumer Shopping Experience with AI”, 2024。披露商家AI工具在2023年双11期间调用超过15亿次；该指标为使用量。

26. Klarna官方新闻稿与管理层公开说明，2024—2025。AI客服处理量、效率与利润影响为公司自报；后续强调恢复更多人工服务选择。

27. Civil Resolution Tribunal of British Columbia, Moffatt v. Air Canada, 2024 BCCRT 149。企业对官网聊天机器人错误信息承担责任的个案。

28. Microsoft与UOB官方公告，“UOB pioneers trial of Microsoft 365 Copilot”, 2023。高监管行业有限范围试点，未披露完整财务ROI。

29. Amy C. Edmondson, The Fearless Organization, 2018。心理安全、错误报告与学习。

30. Ethan Mollick, Co-Intelligence, 2024。AI协作与人类责任。

31. Ron Kohavi, Diane Tang, Ya Xu, Trustworthy Online Controlled Experiments, 2020。在线实验与护栏。

32. Cathy O’Neil, Weapons of Math Destruction, 2016。不透明模型、偏差与问责。

33. 中国《个人信息保护法》《数据安全法》《网络安全法》及广告、知识产权、行业监管相关规则；具体适用应按场景与主体判断。