全球 AI 营销
创新趋势与
标杆案例报告

本报告面向需要把人工智能纳入营销经营体系的企业管理者。报告所讨论的“创新”，以是否改变经营机制、能否稳定运行、能否被治理和能否进入经营结果为判定标准，不以模型参数、工具数量或演示效果作为成熟度依据。

报告中的企业案例优先采用企业公告、财报、投资者材料、监管文件、同行评审研究和披露样本口径的专业研究。企业自报、平台案例或供应商测量均按其原始口径呈现；未披露增量收入、利润或因果归因的案例，不作推断。

本报告允许公开引用，但应保留报告名称、出品方与版本时间。除品牌首页外，正文不提供第三方可点击链接；来源以编号和附录纯文本索引呈现。

2023—2024 年的企业讨论集中在内容生成、员工助手和单点效率；到 2025—2026 年，领先实践开始把 AI 接入商品发现、客户对话、个性化决策、媒体与 CRM 协同以及跨系统行动。采用率的提高并未自动带来价值普及。麦肯锡 2025 年调查显示，71% 的受访组织已在至少一个业务职能经常使用生成式 AI，营销与销售是最常见职能之一；但高价值企业的共同特征是端到端流程重构、高层责任、数据与技术基础以及规模化采用机制，而非单纯增加工具。^[1]

对营销管理者而言，真正需要管理的是一个新的经营系统：模型输出只是中间产品，最终价值取决于信号是否可靠、判断是否进入业务动作、动作是否触达客户、结果是否回流、风险是否被控制。内容团队可以在几周内把产量扩大数倍，但如果没有清晰受众、差异化主张、分发优势、转化路径和实验设计，新增内容只会稀释注意力、增加审核成本并扩大品牌噪声。

本报告提出“全球 AI 营销创新价值闭环”：信号捕捉—经营判断—创意生产—渠道激活—客户服务—反馈学习，并以数据、品牌、风险三条控制轨贯穿全链路。该框架把洞察、策略、内容、媒体、CRM、销售协同、客服与治理放在同一经营逻辑中，避免部门各自采购工具、各自优化局部指标。

十个核心结论

• 1. 采用已经普及，价值仍高度集中。 普遍使用说明工具门槛下降，但价值兑现需要流程重构、Owner、数据接入、指标基线和持续采用。

• 2. 客户信号系统比单次调研更重要。 领先企业将搜索、行为、交易、服务和社会信号持续汇聚，但必须控制样本偏差、同意范围与人工解释。

• 3. AI 对策略的最佳角色是扩大备选与压力测试。 AI 能快速形成假设、情景和反证，但无法替代战略取舍、资源承诺与责任承担。

• 4. 内容规模只有在“可选择、可分发、可学习”时创造价值。 高产量若没有品牌边界、素材治理、渠道反馈与淘汰机制，会形成内容库存和品牌同质化。

• 5. AI 搜索和对话入口正在改写品牌发现机制。 品牌需要同时经营可被模型理解的事实、第三方可信证据、结构化内容和可验证服务能力。

• 6. 个性化的瓶颈不是文案，而是身份、库存、权限和决策。 下一最佳行动要求实时数据、可执行供给、接触策略与公平约束协同。

• 7. Agentic Marketing 的先进性体现在可控，而非自治程度。 权限最小化、审批、日志、停止、回滚和责任映射是跨系统执行链进入生产环境的前提。

• 8. 组织必须形成业务嵌入、平台中枢、治理中枢三者分工。 只建创新实验室容易产生演示与业务脱节；只让业务自行探索则会造成工具堆叠和风险碎片化。

• 9. AI 营销必须同时算五本账。 成本、速度、质量、增量收入、风险与长期资产需要分别设基线，不能用内容产量替代经营结果。

• 10. 中国企业应迁移机制，不应复制表象。 平台生态、数据可得性、监管责任、消费者行为和单位经济性决定海外案例能否落地。

表 1 创新实践四种形态

1.1 采用率上升并不等于经营机制改变

全球企业已经跨过“是否允许员工使用生成式 AI”的初始阶段。营销与销售因为文本、图像、客户互动和数据分析占比高，成为采用最活跃的职能之一。然而，组织常把个人使用、团队试点和生产级流程混在一起统计，导致“转型”被高估。2026 年 BCG 对 CMO 的研究显示，96% 受访者声称营销职能正在发生端到端转型，但 42% 同时承认仍只在少数工作流中把生成式 AI 作为个人任务助手。两组数据揭示了一个重要事实：企业对“转型”的定义远宽于真正的流程改变。^[2]

判断一个实践是否进入稳定经营，应同时通过五道门：是否有明确经营问题；是否进入正式流程；是否连接必要数据与系统；是否设定责任、权限和例外处理；是否用基线和对照测量结果。缺少其中任何一项，实践更接近能力展示或效率试点。

表 2 AI 营销实践进入稳定经营的五道门

1.2 全球 AI 营销创新价值闭环

本报告将全球领先实践抽象为六个相互连接的环节。信号捕捉把客户行为、交易、搜索、服务、竞品和文化变化转成可处理信号；经营判断把信号转成目标、优先级、受众、主张和资源选择；创意生产形成可审核的内容与体验资产；渠道激活把资产投向搜索、推荐、媒体、私域、销售和线下触点；客户服务承接咨询、购买、使用和问题解决；反馈学习把实际结果写回模型、规则、知识库和经营决策。

三条控制轨贯穿闭环。数据轨管理来源、同意、质量、身份与反馈；品牌轨管理主张、语气、事实、视觉、版权与声誉；风险轨管理权限、偏差、合规、监控、停止和责任。任何只优化六环节之一、却没有三条控制轨的项目，都可能以局部效率换取系统性风险。

表 3 全球 AI 营销创新价值闭环

1.3 管理含义

• 董事会应要求所有 AI 营销预算绑定经营问题、责任人、基线和退出门，而不是按工具类别分配。

• CEO 应把端到端闭环指定给业务 Owner，技术、数据、法务和品牌团队提供能力与约束。

• CMO 应停止以“使用人数、生成篇数、账号数量”作为转型主指标，改用五本账和流程通过率。

2.1 持续信号系统改变了洞察的节奏

传统调研以季度或项目为周期，适合解释稳定态度与深层动机，但难以及时捕捉搜索、社交、交易、客服和产品使用中的弱信号。AI 可以对大规模非结构化信息进行聚类、摘要、异常识别和主题演化追踪，使洞察从一次性报告转成持续更新的问题队列。其真正价值不在自动写报告，而在缩短“信号出现—管理判断—动作验证”的周期。

Herbert Simon 关于注意力稀缺的判断在生成式 AI 时代更具现实意义：信息供给无限增长后，管理者缺少的不是材料，而是把有限注意力配置给高价值异常与可行动问题的机制。AI 信号系统应主动压缩噪声、标注证据强度、提示样本偏差，并让人类研究者保留解释与追问权。

2.2 案例：Spotify 把个性化从推荐列表推进到可对话的 AI DJ

主体与时间：Spotify 于 2023 年推出 AI DJ，2025 年增加语音请求，2026 年继续扩展语言和市场。业务情境：音乐推荐长期依赖行为数据与编辑策展，但用户对当下情境和临时意图的表达难以被历史行为完整推断。具体动作：Spotify 将既有个性化技术、编辑知识、生成式语言和合成语音组合为一个持续主持的界面，用户可通过语音请求改变当前播放方向。官方披露称，截至 2026 年 5 月，DJ（测试版）已服务 9,400 万 Spotify Premium 用户；该口径说明使用规模，不等于增量留存或收入。^[3]

作用机制：历史行为负责“了解我”，自然语言负责“理解此刻”，编辑与品牌声音负责“解释为什么”，播放行为继续形成反馈。可迁移条件：高频使用、丰富行为数据、实时可供给内容、低风险可逆选择。边界：音乐选择错误的损失较低，不能直接类比金融、医疗或高价商品建议；用户规模也不能证明因果增量。

2.3 洞察系统的四类偏差

表 4 持续客户信号系统的偏差与控制

2.4 管理含义

• 洞察团队的交付物应由“报告”改为信号队列、证据卡、假设和验证建议。

• 任何自动洞察必须显示数据来源、时间、样本边界与置信等级，不能把模型语言的确定性当成证据。

• 高价值 B2B 场景应优先连接销售访谈、CRM 阶段变化、招投标信息和服务问题，而非只监测社交热度。

3.1 策略工作的变化发生在“备选空间”和“验证速度”

AI 能在较短时间内整理市场材料、生成竞争假设、模拟客户异议、构建情景并寻找反证，这使策略团队可以探索更多备选。然而，Porter 所强调的战略本质是取舍：选择服务谁、拒绝什么、以何种活动系统形成差异。模型可以提出更多选择，却不能替管理层承担资源承诺、组织冲突和机会成本。

Herbert Simon 的有限理性提示管理者：AI 扩大信息处理能力并不会消除判断边界，反而可能制造“分析看似充分”的错觉。策略流程应把 AI 用于发散、证据组织与压力测试，把人类责任集中在问题定义、价值判断、取舍和最终承诺。

3.2 人机共同判断的标准流程

表 5 人机共同判断的六步机制

3.3 实证案例：P&G 随机现场实验显示，AI 可部分复制跨职能协作收益，但不能替代真实市场验证

主体、时间与任务：Harvard Business School 等研究者与 Procter & Gamble 在 2024 年开展大规模随机现场实验，工作论文于 2025 年 3 月发布。实验纳入 791 名 P&G 专业人员，覆盖商业与研发岗位；参与者围绕公司真实的新产品开发前端任务提出并完善解决方案，随机分配至个人或双人团队、使用或不使用生成式 AI 等条件。任务模拟企业创新流程的早期阶段，评价重点是方案质量、用时、专业知识整合与参与者体验，而不是上市销量或广告转化。[21]

作用机制：AI 同时承担信息扩展、方案发散和跨专业翻译。没有 AI 时，商业人员更偏商业方案，研发人员更偏技术方案；使用 AI 后，两类专业人员的解决方案更趋平衡，说明模型在一定条件下可以降低专业“筒仓”造成的视角偏斜。研究还发现，使用 AI 的个人在方案质量上可达到传统双人团队的水平；相对无 AI 对照组，AI 个人和 AI 团队的质量分别提高约 0.37 和 0.39 个标准差，完成时间分别缩短 16.4% 和 12.7%。这些是实验任务中的统计结果，不是企业经营收益。

结果口径与边界：随机分配增强了因果解释，但样本来自一家大型消费品企业，参与者具备专业背景，任务集中在新产品创意前端，且有明确问题、材料和评价机制。因此不能外推为“一个人加 AI 可以普遍替代两人团队”，也不能据此推断广告效果、产品成功率或组织编制可以同比减少。实验说明的是知识整合与方案形成机制，不是市场端价值兑现。

可迁移条件与管理动作：中国企业可复制的不是人员替代比例，而是实验设计：选取有清晰任务定义和可评分产物的跨职能工作；把 AI 同时开放给不同专业角色；记录基线、时间、质量和方案多样性；由独立评审盲评；检查 AI 是否真正减少专业偏见，而非只让文本更完整。CMO 应把人机创意评估从“喜欢哪一稿”升级为方案质量、差异性、证据完整度、跨专业整合和后续市场验证五项指标。

3.4 案例片段：Coca-Cola 将生成式 AI 纳入创意探索，但品牌资产仍由企业定义

Coca-Cola 自 2023 年起通过 Create Real Magic 等项目允许创作者使用品牌档案资产进行生成式创作，并在 2024—2025 年节日传播中继续使用 AI 叙事。该实践说明大型品牌可以把生成能力开放为参与式界面，也可以用于降低部分制作成本；但官方材料没有提供可独立验证的增量销量或品牌资产回报。更重要的是，2024 年 AI 节日广告引发公众对画面质感与品牌温度的争议，显示高知名度资产的效率收益与声誉风险同时放大。^[4]

可迁移的机制是“受控开放”：限定品牌素材、设定使用规则、保留人类创意总监与最终审批，并把消费者参与本身视为体验，而不是把模型输出直接当作广告成品。不能照搬的是把节省制作时间等同于提升品牌效果。

3.5 管理含义

• 战略会议应保留决策日志：哪些建议来自 AI、采用了什么证据、谁作出最终取舍。

• 模型生成的竞争结论必须回到一手材料、客户证据和财务约束验证。

• 董事会不应把“AI 给出的最优方案”作为责任转移工具，关键决策仍应明确自然人责任。

4.1 产量提升经常没有转化为增量效果

生成式 AI 显著降低了初稿、变体、翻译、尺寸适配和素材组合的边际成本。问题在于，内容供给增加也会推高审核、资产管理、分发竞争和品牌同质化。Ted Levitt 对“营销近视”的批评提醒企业：客户购买的是问题解决与体验，而不是更多广告材料。若组织把 AI 项目定义为“每月生成多少篇内容”，就会优化生产指标而非客户结果。

人机协作研究表明，AI 对较低经验人员的帮助通常更大。NBER 对 5,179 名客服人员的研究发现，AI 助手使每小时解决问题数平均提高约 14%，对新手和低技能人员的提升更明显，对高技能人员影响较小。该研究对象是客服，不应直接外推为广告创意效果，但它支持一个组织判断：AI 更适合扩散优秀实践、降低入门门槛，而非自动替代顶尖判断。^[5]

4.2 平台案例：Amazon Ads 将生成、审核、投放与分析入口接入同一广告工作流

主体与时间：Amazon Ads 自 2023 年推出广告图像生成功能测试，随后在 2024—2025 年扩展 AI Creative Studio、Video Generator、Audio Generator，并于 2025 年在 Amazon Marketing Cloud（AMC）推出自然语言 SQL 生成器。其创新重点不是单一模型能力，而是把生成式功能嵌入广告控制台、Amazon DSP、Creative Studio 和 AMC 等既有工作界面，减少素材与分析在不同工具之间搬运。[22][23][24]

具体工作流：图像生成器依据商品详情和广告主输入形成生活方式图片，并允许继续编辑和生成变体；Video Generator 把静态商品图和商品信息转为适用于 Sponsored Brands 的短视频草稿；Audio Generator 让广告主选择声音、音乐和信息后形成可投放音频；AI Creative Studio 把多种创意能力集中到同一自助入口。AMC 的 SQL 生成器则把自然语言描述转换为受众查询代码，返回生成步骤，广告主验证后在 AMC 运行查询，再将受众用于 Amazon DSP 或广告控制台。

作用机制：该体系同时降低两类摩擦。第一类是创意供给摩擦，使缺乏专业制作资源的广告主可以形成更多符合规格的素材候选；第二类是数据使用摩擦，使业务人员可以把受众问题表达为自然语言，再由技术人员验证查询。生成、审核、激活和回写仍处于 Amazon 的广告与数据边界内，因此比把素材导出到多个孤立工具更容易形成可追踪流程。

结果口径与边界：本报告不采用 Amazon 页面披露的 CTR、ROAS 或销售提升数字作为案例结论，因为相关数字属于平台内部观察，样本选择、归因方式和广告主差异不足以支持外推。可核验结论仅限于功能、可用市场、工作流和官方所述“查询开发由数小时缩短至数分钟”等效率口径；SQL 仍需验证，生成素材仍需品牌审核和平台审核，工具上线也不等于广告主获得增量经营价值。

可迁移条件与管理动作：中国平台型企业可学习“能力嵌入交易与投放系统”的产品机制；品牌企业可学习统一商品事实、品牌资产、规格模板、审核和效果回写。不能照搬的是把多个生成器理解为完整营销操作系统。CMO 应要求创意工具记录素材来源、版本、审批、投放单元和后续表现；数据团队应保留 SQL 或规则验证、权限隔离和可复现查询，避免自然语言入口掩盖错误逻辑。

表 6A 两项新增案例的经营证据卡

4.3 案例：Mondelez 建设企业级内容生产平台，先算成本账而非宣称收入增长

主体与时间：Mondelez 于 2024 年开始与 Accenture 建设生成式 AI 内容工具，2025 年披露已投入超过 4,000 万美元。业务情境：全球零食品牌需要为多个市场、电商页面和社交渠道生产大量适配内容。具体动作：工具用于 Chips Ahoy、Milka 等品牌的数字内容和个性化视觉，并计划扩展到电商产品页和短视频。公司高管对 Reuters 表示，预期内容制作成本降低 30%—50%，同时设置避免不健康行为和冒犯性刻板印象的规则，所有输出由人审核。^[6]

结果与边界：披露的是企业预期与制作成本口径，不是已审计的营销增量或利润贡献。该案例的价值在于平台化治理：统一资产、规则、模型与审核，而不是员工各自生成。可复制条件包括高内容重复度、多市场适配需求、稳定产品视觉、集中品牌治理和足够规模；中小企业若没有相应内容量，投入重型平台可能无法形成单位经济性。

4.4 案例：京东数字人直播证明“供给连续性”，但不能把流量峰值当长期增量

2024 年 4 月，京东以创始人刘强东的 AI 数字人参与家电家居和超市直播，官方披露首小时观看量接近 2,000 万。业务机制是把可信人物的形象、声音与标准化商品知识复制到直播供给中，延长运营时段并降低对真人排班的依赖。公开材料没有提供经过对照的长期增量 GMV、复购或品牌影响，因此该案例更适合被视为“供给效率与事件传播”的验证。^[7]

中国企业可复制的是标准商品讲解、低峰时段补位、多语言与多店铺扩展；不能照搬的是名人数字分身带来的首次关注。数字人若缺少实时库存、价格、售后政策和人工接管，会放大错误承诺风险。

表 6 内容规模化创造价值的五个必要条件

4.5 管理含义

• CMO 应把内容项目的第一指标设为有效测试数量、命中率和转化链路，而不是总产量。

• 品牌团队必须建立可调用的事实库、版权资产库、禁区、视觉规范与审核分级。

• 对高风险品牌资产使用生成式 AI 时，应设置小范围预演、舆情监测和可撤回版本。

5.1 客户发现路径由链接列表变为答案与行动

传统搜索营销围绕关键词排名、广告位和落地页展开；生成式搜索与购物助手把检索、比较、解释和推荐合并为一次对话，客户可能在访问品牌网站之前就完成初步判断。品牌的竞争对象不再只是同类网页，还包括模型对产品事实、第三方评价、价格、库存和适用场景的综合表达。

这一入口的测量仍不稳定。模型答案会随提示、用户上下文、索引更新和平台策略变化；引用并不等于正面推荐，未被引用也不等于没有影响。企业应区分“可见度、事实准确率、推荐倾向、引流、转化”五类指标，并保留测试样本和时间戳。

5.2 案例：Amazon Rufus 把商品搜索升级为购物决策界面

Amazon 于 2024 年推出生成式 AI 购物助手 Rufus，2025 年继续加入个性化与主动发现能力。2026 年 Amazon 官方披露，Rufus 在 2025 年帮助超过 3 亿客户研究、比较和购买商品。该数字说明使用覆盖，不代表由 Rufus 造成的增量成交。其作用机制建立在 Amazon 的商品目录、评价、价格、库存、购买历史和交易闭环之上，助手不仅回答问题，还能在同一平台推动购买。^[8]

可复制条件是完整商品知识、实时供给、可信评价、身份与行为数据以及可直接执行的交易。品牌官网上的通用聊天机器人通常缺少这些条件，因此不能仅通过接入大模型复制 Rufus。中国平台生态更加封闭，品牌需要分别经营电商、内容平台、搜索、地图和私域中的结构化事实与服务接口。

5.3 品牌进入 AI 答案的四类资产

表 7 AI 入口时代的品牌资产组合

5.4 管理含义

• 品牌可见度项目必须由品牌、SEO/GEO、产品、客服和数据团队共同负责。

• 对关键问题建立固定测试集，按月记录不同平台的答案、引用、准确率和客户下一步。

• 不得通过批量低质量内容“投喂模型”；长期优势来自可验证事实、真实评价和稳定服务能力。

6.1 个性化需要五项共同依赖

实时个性化常被简化为“给不同人写不同文案”，但商业价值依赖五项条件同时成立：能够识别或合理推断客户；拥有可用内容与商品供给；能够在正确渠道触达；有权限执行动作；能观察结果并更新决策。缺少库存、资格、频控或人工服务能力时，生成再精准的表达也无法兑现承诺。

BCG 对 200 个品牌的个性化研究发现，领先者的长期收入增长率高于落后者，但该研究属于跨企业观察与指数分析，不等于单个个性化动作的因果回报。其管理意义是：个性化能力是一组长期组织能力，而非一次营销活动。^[9]

6.2 个性化决策栈

表 8 个性化经营的五层决策栈

6.3 监管边界：个性化价格与敏感推断正在受到更严格审视

美国 FTC 在 2025 年发布监测定价研究，指出企业可能结合位置、人口属性、信用历史和浏览购物记录形成个体化价格。监管关注点不只在数据是否可得，还在消费者是否知情、差异是否公平、算法是否造成欺骗或不利待遇。对中国企业而言，个人信息保护、自动化决策透明、公平合理和拒绝权等要求意味着，个性化不能无限追求转化率。^[10]

6.4 管理含义

• 个性化项目应先画清身份、数据、供给、权限和反馈，而不是先采购生成工具。

• 对价格、信贷、招聘、医疗等高影响场景设置更高审批和公平性审查。

• 将长期客户价值、投诉、退订和信任指标纳入目标函数，防止局部转化最优。

7.1 跨系统执行链带来价值，也放大连锁错误

当 AI 可以读取客户状态、生成建议、调用媒体或 CRM 接口并写回结果时，营销工作从“建议系统”变成“行动系统”。价值来自减少等待、交接和重复录入；风险来自错误可以跨系统传播。一个错误分群可能触发错误内容、错误优惠、错误触达和错误记录，后续模型又把这些结果当成学习数据。

因此，自主性不是单一等级，而应按动作风险配置。读取公开数据、生成内部草稿、向低风险测试人群发布、修改预算、对客户作出承诺，必须拥有不同权限、审批和回滚方式。

7.2 生产级 Agentic Marketing 八项控制

表 9 Agentic Marketing 八项控制

7.3 受限案例：Klarna 的客服自动化说明成本效率与客户体验需要共同管理

Klarna 在 2024 年披露其 AI 助手首月处理 230 万次对话，相当于约 700 名全职客服的工作量，并宣称重复咨询下降、解决速度提高。该口径来自企业自报，主要反映服务自动化效率。随后公司管理层公开强调重新增加人工客服和更高质量的人际服务，说明在复杂问题、情绪安抚、信任与品牌体验上，纯自动化存在边界。该案例不应被解读为“AI 失败”，而应被视为服务组合需要重新平衡：标准问题自动化，复杂与高价值问题快速转人工。

对营销的启示是，任何 Agent 不应以“自动处理率”作为唯一目标。更合理的组合指标包括一次解决率、客户努力、升级准确率、投诉、留存和服务成本。

7.4 管理含义

• 所有跨系统 Agent 上线前必须完成权限表、失败模式、停止与回滚演练。

• 不要以自动化率为北极星指标，应把客户结果和风险结果纳入同一看板。

• 先让 Agent 在影子模式中给建议，与人工决策对照，再逐步开放执行权限。

8.1 创新实验室无法替代业务 Owner

许多企业设立生成式 AI 中心后可以快速完成演示，却难以进入业务流程。原因是实验室拥有技术资源，却不拥有客户目标、预算、流程权和一线采用。相反，完全分散到业务部门又会导致重复采购、数据泄漏、品牌不一致和无法复用。

更稳定的模式是“三角责任”：业务嵌入团队拥有经营目标和流程改变；平台中枢提供模型、数据、连接器、评估和复用组件；治理中枢制定风险分级、审批、监控与事件处理。三者必须通过产品负责人、架构委员会和价值评审门连接。

表 10 AI 营销三角责任模型

8.2 March 的探索与利用：创新组合需要双重节奏

James March 对探索与利用的区分适用于 AI 营销：探索关注新入口、新体验与不确定机制；利用关注已验证流程的标准化、成本和规模。企业若只探索，会形成永久试点；若过早利用，会把尚未证明的机制固化为平台。管理层需要为两类活动设置不同预算、指标和退出条件。

8.3 管理含义

• 每个 AI 营销项目必须同时指定业务 Owner、平台 Owner 和风险 Owner。

• 创新团队的年度评价应包含进入正式流程、复用和停止项目的质量，而非演示数量。

• 平台中枢优先建设共享身份、知识、评估、日志和连接器，而不是制作更多前端聊天入口。

9.1 单一 ROI 容易掩盖迁移成本和长期资产

AI 项目早期常用节省工时计算 ROI，但节省的时间只有在岗位、流程或产能配置发生改变时才转化为财务价值。若员工只是把节省时间用于更多低价值内容，企业并未获得等量成本下降。相反，一些项目短期收入不明显，却建立了品牌知识、客户标签、评估集和工作流资产，未来可以复用。

Kaplan 与 Norton 的平衡计分卡思想提示管理者：财务结果需要与客户、内部流程和学习能力共同观察。本报告将其转化为“五本账”，并要求区分产量指标、过程指标和经营结果。

表 11 AI 营销五本账

9.2 基线、投入、结果和归因

价值评估必须在试点前记录基线，包括任务量、人员、周期、质量、转化、投诉与风险事件。投入应覆盖模型、软件、集成、数据治理、审核、培训和迁移成本。结果需要说明时间窗、样本、分母和是否通过对照或实验获得。供应商案例通常选择表现较好的客户和指标，适合证明“可行”，不适合估计行业平均回报。

9.3 AI 营销创新组合矩阵

表 12 AI 营销创新组合矩阵

9.4 管理含义

• 财务团队应参与基线和增量口径设计，而不是在项目结束后被动审核 ROI。

• 每季度必须作出“继续、修改、复制、规模化、停止”之一，避免试点永久化。

• 供应商自报结果只能进入证据库的较低等级，规模化前必须用企业自身数据复验。

10.1 案例可迁移性六维评分卡

国际案例经常被拆成表面动作：建立购物助手、生成千人千面内容、用数字人直播或让 Agent 自动跟进。真正决定可迁移性的，是客户行为、数据可用性、渠道结构、组织能力、法规责任和单位经济性。六维评分卡不追求一个精确总分，而是强迫管理者识别“在哪些条件下成立”。

表 13 案例可迁移性六维评分卡

10.2 对五类标杆案例的迁移判断

表 14 典型国际与中国案例的迁移判断

10.3 中国监管与平台条件

中国生成式 AI 应用需要同时关注个人信息、数据安全、算法推荐、深度合成和生成内容标识。2025 年发布的《人工智能生成合成内容标识办法》及强制性国家标准自 2025 年 9 月 1 日实施，要求对适用的生成合成内容配置显式和隐式标识。对品牌内容、数字人、对话界面和平台分发而言，标识、元数据和传播环节责任需要进入生产流程，而不是发布前临时补充。^[11]

欧盟 AI Act 自 2024 年 8 月生效并分阶段适用，透明度等要求在 2026 年继续落地。跨国企业不能以总部统一模板覆盖所有市场，需要将数据、标识、用户告知、供应商责任和事件响应按地区配置。^[12]

10.4 管理含义

• 每引入一个海外案例，必须先完成六维评分卡并说明最低成立条件。

• 中国企业优先选择与本土渠道、私域、直播、企微/CRM 和内容标识要求匹配的机制。

• 跨境品牌应建立地区化控制配置，而不是只维护一套全球生成规则。

11.1 选择试点应兼顾价值、可控与学习速度

理想试点不一定是潜在收益最大的场景，而是可以在较短周期内观察完整闭环、风险可控且结果可比较的场景。高频、重复、有明确输入输出、可以人工兜底、拥有历史基线的流程，通常比一次性大型品牌战役更适合作为首个验证对象。

11.2 试点退出门

表 15 AI 营销试点退出门

11.3 案例评审卡

表 16 标杆案例评审卡

11.4 管理含义

• 创新预算至少保留一部分用于停止项目后的复盘和组件沉淀。

• 管理层应奖励及时停止低价值项目，而不是把停止视为失败。

• 规模化前必须证明跨团队或跨市场复制，而非只证明单点成功。

12.1 90 天：验证机制而不是建设“大而全平台”

表 17 CMO 90 天验证路线图

12.2 365 天：能力建设路线

表 18 365 天年度能力路线图

12.3 董事会决策清单

• □ 本年度 AI 营销要解决的前三项经营问题是否明确，并与战略取舍一致？

• □ 每项投入是否有业务 Owner、平台 Owner 和风险 Owner？

• □ 采用率、内容产量等活动指标是否被误当成经营价值？

• □ 是否建立成本、速度、质量、增量收入、风险/长期资产五本账？

• □ 跨系统 Agent 是否具备最小权限、审批、日志、停止和回滚？

• □ 是否对个人信息、自动化决策、生成内容标识和跨境要求完成地区化控制？

• □ 创新组合中有多少项目处于探索、验证、复制、规模化和停止？

• □ 过去一个季度是否主动停止过项目，并沉淀了什么可复用知识？

12.4 CMO 90 天行动清单

• □ 选择一个高频、可测、可人工兜底的完整闭环，不以内容生成单点作为试点。

• □ 建立 30—50 条固定测试集，覆盖事实、品牌、客户异议、风险和边界问题。

• □ 记录当前人员、周期、质量、转化、投诉和成本基线。

• □ 先运行影子模式，再按动作风险逐级开放权限。

• □ 建立内容与回答的事实来源、品牌规则、版权和标识流程。

• □ 每两周召开一次价值与风险评审，记录继续、修改或停止决定。

• □ 第 90 天提交五本账、迁移六维评分和下一阶段组合决策。

12.5 年度能力路线的最终目标

365 天的目标不是让所有营销任务自动化，而是形成一套能持续选择问题、验证机制、复制能力、控制风险并停止无效项目的经营系统。成熟企业会拥有更少但更稳定的工具，更清晰的权限，更厚的品牌与客户知识资产，以及可以跨团队复用的闭环。

全球 AI 营销创新的主线已经清晰：客户入口更对话化，洞察更连续，内容更规模化，决策更实时，执行更跨系统。但这些变化并没有取消营销的基本规律。Drucker 所说的企业目的仍是创造客户；Porter 的战略取舍、Levitt 对客户问题的强调、Christensen 的任务视角、March 的探索与利用、Kaplan/Norton 的多维衡量，以及控制论关于反馈与稳定性的思想，仍然决定 AI 是否能进入长期经营。

管理层最重要的工作，是把技术可能性压缩为可承担的经营承诺：选择一个值得解决的问题，建立真实基线，设计受控闭环，验证客户与财务结果，在证据不足时修改或停止，在机制成立时再复制。AI 的价值不会从模型中自动流出，它来自组织把信号、判断、行动、反馈和责任连接起来。

管理层必须持续回答的十二个问题

客户价值是否真实改善：不能只看生成速度和触达数量。应观察客户完成任务的时间、选择质量、问题解决率、购买后满意度与信任变化，并检查不同客户群体是否获得一致、公平的服务。

经营结果是否具有增量性：收入、线索和转化的变化需要排除促销、季节、渠道预算与销售人员变化。没有严格实验时，也要使用分阶段上线、匹配对照或影子模式，并标注归因置信度。

自动化是否减少了总成本：模型费用下降并不代表总成本下降。集成、数据清洗、审核、品牌返工、异常处理、培训和供应商管理都应计入全成本，节省工时只有转化为岗位或产能变化才形成财务价值。

质量是否被重新定义：AI 时代的质量不仅是文字流畅和画面完整，还包括事实准确、品牌识别、客户适配、版权清晰、可执行性和长期声誉。质量标准必须由业务与品牌共同制定。

数据使用是否符合客户预期：合法获得数据只是最低要求。企业还应判断客户是否合理预期这些数据被用于当前推荐、价格、内容或服务决策，并提供透明说明、选择与纠错渠道。

模型更新是否改变了既有控制：外部模型和平台会持续更新。每次重大版本变化都可能改变输出风格、拒答边界、成本和错误模式，因此需要回归测试、灰度发布和可降级方案。

业务团队是否真正拥有流程：如果项目只能由创新团队或供应商运行，就尚未成为组织能力。业务 Owner 应掌握目标、规则、例外和价值评审，平台团队负责底座，治理团队负责边界。

人工环节是否被合理设计：Human-in-the-loop 不等于所有结果都由人重做。人工应集中在高风险判断、例外、关系和责任环节，低风险重复任务则通过抽检与监控实现规模化。

客户是否知道自己正在与 AI 互动：在客服、数字人、推荐和生成内容场景中，适当告知与标识是信任和合规的一部分。企业应避免通过拟人化设计让客户误以为对方是真人或拥有不存在的能力。

失败是否可以被及时发现和补救：必须定义什么是失败、由谁发现、何时自动停止、如何恢复数据与配置、是否需要通知客户。没有补救路径的自动化不应进入不可逆动作。

成功是否能跨场景复制：单次活动的流量峰值、某位专家的个人效率或供应商深度支持，可能无法复制。规模化前应在第二个团队或市场复现，并测量共享组件带来的边际成本下降。

停止项目是否被视为正常决策：当价值不足、风险过高或条件不成立时，及时停止能够释放预算并形成知识。管理层应记录停止原因、可复用资产和未来重新启动的触发条件。

工具 1：AI 营销创新项目一页纸

表 19 AI 营销创新项目一页纸模板

工具 2：Agent 上线前检查表

• □ 唯一身份与自然人 Owner

• □ 工具和数据最小权限

• □ 高风险动作审批

• □ 输入输出与工具调用日志

• □ 异常和成本告警

• □ 独立停止开关

• □ 配置、预算、内容和客户状态回滚

• □ 人工接管与客户补救

• □ 生成内容标识与用户告知

• □ 定期红队与事件演练

工具 3：案例迁移快速评分

表 20 案例迁移快速评分表

工具 4：五本账月度看板

表 21 五本账月度看板

补充行动原则：如何避免工具堆叠与试点永久化

第一，所有新工具必须映射到既有闭环中的明确节点，并说明替代什么、连接什么、产生什么可测结果。若无法说明与现有系统、数据和责任的关系，就不应进入采购。工具数量不是能力，稳定的流程、共享知识和可审计状态才是能力。

第二，建立企业级组件目录，把身份、知识检索、品牌规则、评估集、审批、日志、内容标识、连接器和成本路由做成共享服务。业务团队可以在统一边界内快速组合场景，避免每个部门重复搭建一套不可维护的技术栈。

第三，试点必须从第一天写明结束日期和决策会议。到期后只能进入复制、修改或停止，不能以“还需要更多数据”为由无限延长。确需延长时，应明确新增不确定性、额外预算和新的判断阈值。

第四，供应商演示应使用企业自己的测试集、历史样本和边界问题，而不是只观看预设案例。评估需要同时记录正确答案、拒答、幻觉、品牌偏差、响应时间、单位成本和异常恢复，防止被单次最佳输出误导。

第五，管理层应控制场景数量而非压缩必要治理。一个具备数据、审批、日志和价值测量的完整闭环，通常比十个缺少责任与反馈的助手更有价值。首年能力建设应优先形成少量可复用的生产级样板。

第六，组织学习应沉淀在规则、测试集、知识条目、工作流版本和决策日志中，而不是只存在于项目成员记忆。每次错误都要区分数据、模型、提示、工具、流程、权限和人工判断原因，并指定修复 Owner。

第七，面对快速变化的模型市场，企业应保持架构可替换性。关键业务状态不能只保存在模型会话中，提示、知识、评估和工作流应能够迁移；高价值场景需要准备备用模型、降级流程和人工接管方案。

第八，品牌与客户信任应被视为资本。短期点击、低成本内容或更高自动化率，如果伴随事实错误、过度个性化、隐蔽机器身份或投诉增加，可能侵蚀长期资产。五本账必须把这类损失显性化。

表 22 案例与证据边界总览

表 23 经典思想在 AI 营销中的应用

[1] McKinsey & Company，《The state of AI: How organizations are rewiring to capture value》，2025-03-12；全球调查，生成式 AI 采用与管理实践；访问日期：2026-07-20。

[2] Boston Consulting Group，《Making the Agentic Marketing Transformation a Reality》及相关 CMO 调查，2026-06-15；全球 CMO 样本与营销转型自报；访问日期：2026-07-20。

[3] Spotify Newsroom，《Your Personalized DJ Experience Is Expanding With 4 New Languages and More Markets》，2026-05-07；官方产品使用规模；访问日期：2026-07-20。

[4] The Coca-Cola Company，Create Real Magic 与 2024/2025 Holiday Campaign 官方材料，2023-2025；活动与制作披露；访问日期：2026-07-20。

[5] Brynjolfsson, Li, Raymond，《Generative AI at Work》，NBER Working Paper 31161 / 后续期刊版本；5,179 名客服人员；访问日期：2026-07-20。

[6] Reuters，《Oreo-maker Mondelez to use new generative AI tool to slash marketing costs》，2025-10-24；企业高管披露，成本预期与投资口径；访问日期：2026-07-20。

[7] JD.com Corporate Blog，《JD.com Debuts AI Digital Representative of Founder Richard Liu During Livestream》，2024-04-16；官方观看量口径；访问日期：2026-07-20。

[8] Amazon About，《Alexa for Shopping / Rufus》系列官方材料，2024-2026；官方产品能力与使用覆盖；访问日期：2026-07-20。

[9] Boston Consulting Group，《How Consumer Experience Is Changing Across Industries in the Age of AI》，2025-06-11；200 个品牌、神秘顾客与财务分析；访问日期：2026-07-20。

[10] U.S. Federal Trade Commission，《The Rise of Surveillance Pricing》及 2025 年研究公告；个性化定价数据实践；访问日期：2026-07-20。

[11] 国家互联网信息办公室，《人工智能生成合成内容标识办法》，2025-03-14；2025-09-01 实施；访问日期：2026-07-20。

[12] European Commission，EU AI Act 官方政策与实施时间线；2024-2026 分阶段适用；访问日期：2026-07-20。

[13] 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》，2023-07-13；适用范围与治理原则；访问日期：2026-07-20。

[14] 国家市场监督管理总局、国家标准化管理委员会，GB 45438-2025《网络安全技术 人工智能生成合成内容标识方法》；发布日期 2025-02-28，实施日期 2025-09-01；访问日期：2026-07-20。

[15] McKinsey & Company，《The State of AI: Global Survey 2025》，2025-11-05；1,993 名参与者，AI 规模化与价值实践；访问日期：2026-07-20。

[16] Boston Consulting Group，《How CMOs Are Scaling GenAI in Turbulent Times》，2025-06-02；200 名亚洲、欧洲、北美 CMO；访问日期：2026-07-20。

[17] Spotify Newsroom，《Spotify’s DJ Now Takes Requests》，2025-05-13；语音请求产品更新；访问日期：2026-07-20。

[18] Amazon About，《Amazon’s AI-powered Interests feature》，2025-03-26；主动商品发现机制；访问日期：2026-07-20。

[19] U.S. Federal Trade Commission，《Operation AI Comply》，2024-09-25；对误导性 AI 声称与不公平行为的执法；访问日期：2026-07-20。

[20] European Commission，《Code of Practice on Transparency of AI-Generated Content》；Article 50 透明度义务，2026-08-02 起适用；访问日期：2026-07-20。

[21] Dell’Acqua, Fabrizio 等，《The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise》，Harvard Business School Working Paper 25-043，2025-03；P&G 791 名专业人员随机现场实验，任务为新产品开发前端方案；访问日期：2026-07-20。

[22] Amazon Ads，《Introducing AI-powered image generation for advertising》，2023-10；图像生成测试版能力、广告控制台工作流与官方内部观察口径；访问日期：2026-07-20。

[23] Amazon Ads，《AI creative solutions》及 Creative Studio、Video Generator、Audio Generator 官方产品材料，2024-2026；功能、可用范围与流程说明；访问日期：2026-07-20。

[24] Amazon Ads，《Amazon Ads brings generative AI to Amazon Marketing Cloud》，2025-01；AMC 自然语言 SQL 生成、验证、运行与受众激活流程；访问日期：2026-07-20。

附录 C.1 报告使用说明

本报告建议按照三种会议场景使用。董事会和 CEO 会议重点阅读执行摘要、第一章、第九章、第十章与路线图，用于确定战略问题、投资边界和责任机制；CMO 与数字化负责人重点使用价值闭环、四种创新形态、组合矩阵和六维迁移评分卡，用于选择项目与配置平台；执行团队重点使用 90 天路线、Agent 检查表、试点退出门和五本账看板，用于日常实施。

企业不应把报告中的案例数字直接转化为自身目标。每个案例的任务频率、客户风险、数据条件、品牌资产、渠道权力和成本结构均不同。合理做法是先完成六维迁移评分，再以自身历史基线设定目标区间，并在试点中逐步提高证据等级。

当企业同时存在多个候选场景时，应优先选择能覆盖完整闭环、拥有可用历史数据、可以人工兜底且在 90 天内观察客户结果的场景。对于高声誉风险、不可逆客户承诺或缺少合法数据基础的场景，应先建设控制和数据能力，不应以创新压力为由提前上线。

表 24 关键术语边界

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。

本报告以全球案例的事实、机制、结果口径、证据边界和迁移条件为主线，帮助管理团队识别可复制的经营机制，并为中国市场重算成立条件。