摘要：“当AI开始参与到品牌决策，不再只是老板‘凭感觉’拍板，而是让企业独有的经验和外部海量知识‘共同进化’时，商业决策的方式正在发生根本改变。”蒋青云教授这样描述AI为市场营销带来的变革核心。

文 | Eric

“当AI开始参与到品牌决策，不再只是老板‘凭感觉’拍板，而是让企业独有的经验和外部海量知识‘共同进化’时，商业决策的方式正在发生根本改变。”蒋青云教授这样描述AI为市场营销带来的变革核心。

在 AI 技术狂飙突进的时代浪潮中，营销领域正经历前所未有的变革。企业面临着一连串亟待解答的关键命题：如何制定契合 AI 时代的营销战略？传统 “拍脑袋” 式的决策模式是否已被彻底颠覆？在瞬息万变的市场环境下，企业又该如何实现动态平衡，确保营销战略有效落地？当数据爆炸式增长，消费者洞察是否还停留在基于历史数据的滞后分析？

当企业着手布局 AI 战略时，其核心不应仅局限于技术工具的引入，而需深入剖析 AI 对营销商业底层结构的重塑效应。为此，本期 「AI营销新范式」专题对话特邀复旦大学蒋青云教授，围绕 AI 时代的营销变革展开深度探讨。

市场营销三次革命：

从消费者视角到AI智能体时代

AI营销新范式：您怎么理解AI于营销商业的重构？

蒋青云：AI对营销的赋能是更加宏观、更加高度化地改变，它更像是市场营销的第三次革命。

市场营销诞生于上世纪初期，第一次革命发生在20世纪50年代，营销开始从生产者视角转化为消费者视角。也就是品牌开始从消费者的思路出发，来为消费者创造价值。从那时起，真正意义上的现代营销思路诞生了。

第二次革命则发生在20世纪80年代初期。过往我们遵循的传统式营销是一种交易化的营销，也就是所谓的“一锤子买卖”。像麦卡锡所讲的4P理论（即产品product、价格price、渠道place、促销promotion）以及科特勒的营销战略理论（STP)，本质都是服务于传统的“交易式营销”。

这种交易式营销在20世纪80年代便开始逐渐转向了“关系式营销”。而二者间最大的差别是什么呢？

交易式营销，顾名思义，就是本次交换和前一次以及后一次交换都没关系。就像我们买了一瓶水，后续就不会再去找卖水人了，所以这种交换本质上是离散式的交易。

但像以金融业为代表的服务行业则不同，银行为我办了一张卡，但发卡这个动作只是第一步，因为这张卡的价值，得等到开始用它存钱、转账、消费之后才会体现出来。因此，早期参与金融业研究的营销学者如Berry通过观察提出了交易应该是长期的、持续的和互动的，从而提出了关系营销（Relationship Marketing)的理论。

如今AI带来的，正是市场营销的第三次革命。AI的独特之处在于，即便面对不完备的信息，也能通过算法和工具进行优化决策。从传统的机器学习、深度学习到如今的协同性学习，技术的演进不断拓展着决策的边界。

举个例子，在商业活动中，合作各方常因客户隐私保护或商业机密问题，无法完全打通数据。但借助联邦学习技术，各方无需共享原始数据，就能实现协同学习并联合做出决策。这种在数据隔离状态下完成协作的模式，在过去难以想象，却在AI时代成为现实。

AI营销新范式：所以，可以这么理解。在数字化商业浪潮中，数据曾因结构性割裂成为企业发展的桎梏。那在营销行业数字化转型加速的当下，企业智能体在企业管理和支持营销决策方面的角色发生了怎样的变化？

蒋青云：企业内部正通过整合运营、财务、供应链等系统数据，构建属于自己的企业智能体。这个智能体就像“数字大脑”，可以实时监控运营效率、成本结构等关键指标，并通过异常预警和智能诊断，为管理提供优化路径。

当外部智能体的市场洞察与内部智能体的运营反馈实现双向交互，就能形成“感知—分析—决策—执行”的智能闭环。这是企业走向更高效、动态决策模式的关键一步。

这种数据驱动的智能协同，正在重塑企业决策范式。早期的专家系统虽也具备一定智能化，其实也能模拟人类做出基于不完备数据做决策，但它远不如AI能在复杂场景下自主做出高效决策。

如今，从传统的系统决策跨越到高效智能化决策，我认为是一场大的营销革命。

AI营销新范式：基于您对AI引发市场营销第三次革命的底层逻辑的深刻洞察，从实际应用层面来看，您目前最关注AI在哪些领域的落地与发展？

蒋青云：我主要的研究领域是营销战略，核心是帮助企业制定营销决策。在AI赋能营销决策方面，我认为经历了两个比较明显的阶段：

第一阶段，AI作为工具的时代。主要是在大模型兴起之前，我们通常称之为“狭义人工智能”或“专用人工智能”。其实在那个时期，AI就已经在营销决策中有所应用了。

例如，我们会利用历史数据训练出一个基础模型，然后持续引入新的数据来优化和完善这个模型。最终，这个模型可以帮助企业做具体的决策，比如筛选合适的广告代言人，或者为消费者提供个性化的产品推荐。值得注意的是，个性化推荐不仅是技术面的能力，更是消费者的真实需求。微软广告最近发布的《解码现代消费者》白皮书显示，59%的受访者认为个性化的产品推荐对他们做出购买决策有帮助。这意味着，数据驱动的模型不仅能提升营销效率，也契合了消费者的期待。

这个阶段AI带来的关键突破在于处理“非结构化数据”的能力。相较于传统数据，AI能够更有效地分析和学习那些难以直接量化的信息，比如人脸识别、声音分析以及图像和视频等技术。正是利用这些更丰富、更接近真实场景的非结构化数据，AI工具为营销决策提供了新的维度和依据。

第二阶段，则是AI作为系统的时代。随着AGI与大模型的兴起，AI的角色发生了根本性转变。在这个阶段，一个重要的突破是营销策略的自动化生成，这也是AIGC概念的延伸。

过去，我们理解的“生成式营销”往往局限于AIGC为主的内容创作。这固然是大模型的基础能力，但其潜力远不止于此。关键在于，如何利用这种能力自动形成企业的营销战略。

传统营销战略的制定，高度依赖企业自身的信息库和本地化知识。也就是说营销人在长期实践中积累的独特经验和行业洞察才是企业的核心竞争力所在。

而通用AI的核心价值在于其整合了海量网络知识。真正的突破点在于：将企业独有的本地化知识与强大的通用大模型能力进行深度对接和融合。只有这样，才能生成真正具有独特性、符合企业自身情况的营销策略和决策。

否则，仅仅依赖通用网络信息，比如大家都去问AI模型，得到的方案很可能趋同，缺乏差异化和竞争优势。一定要植根于企业自身的知识土壤，结合AI强大的分析和生成能力，才能构建起独属自己的营销策略。

除了自动化生成之外，智慧化生成也同样重要。二者的核心区别聚焦在“人”的核心地位，在自动化阶段更多依赖企业本地化知识与通用网络智能体的对接来生成策略，人的深度参与相对有限。

而在智慧化生成阶段，人必须要发挥主导作用。我们和秒针合作提出了“超级个体”这一概念，也就是指企业内部那些能够熟练运用AI工具、具备深厚经验与洞察力的关键人才。他们能够通过持续的经验学习以及知识的分享，成为企业本地化知识的载体。通过AI的赋能，他们能逐渐驱动企业自身进化为“本地智能体”。目前，不少企业正以实现智能体为目标持续推进相关布局。

与此同时，外部通用大模型也在飞速进化，成为强大的“外部超级智能体”。

因此我认为智慧化生成的核心，就在于促进企业内部的由“超级个体”所构成的“集体知识”与外部强大的“超级智能体”之间进行深度的“人机互学”。这种持续的学习互动，再深度结合企业独特的本地化知识库，最终将催生出一个能够自主学习、具备思维推理能力、并不断自我完善的“超级人工智能体”。

AI营销新范式：所以您是否认为“智慧化生成”会成为AI赋能市场营销的未来大方向？企业又需要做哪些举措来迎合这种趋势？

蒋青云：是的，“智慧化生成”是AI赋能下市场营销未来发展的一个重要方向，我认为企业需要明确三件事：

1.本地化知识是核心能力的基础：这是经济学和战略管理理论早已阐明的道理，缺乏独有知识的企业将丧失差异化优势。

2.人的协作与集体智能是动态性的源泉：没有“超级个体”之间互动形成并不断更新的集体知识，系统将缺乏适应性和进化能力。

3.与外部超级智能体的融合是生成能力的保障：离开了与最前沿通用大模型的对接与学习，系统难以具备真正强大的生成与推理能力。

因此，我认为智慧化生成是本地知识、人的集体智慧与外部超级智能体三者深度协同、共同进化的结果。

AI营销新范式：可以说在“智慧化生成阶段”，这种智能体的本质是整合公司内部成员智慧，形成企业Know-how的集合体？

除了企业内部以外，这个智能体还需要融合行业及外部系统的知识，将内外部知识相结合，最终让每个公司都能打造出专属的、具备强大能力的“超级智能体”。

AI营销新范式：这种超级智能体更多应用于战略层面，那从技术实际落地的角度来看，它会如何去布局一个品牌的市场战略？比如一家童鞋品牌去年做了20亿规模，今年想做40亿规模，我营销战略怎么做？AI在其中怎么赋能？

蒋青云：大模型同样是从内部与外部两方面入手：

首先，在本地智能体中深度融入了企业家的实践智慧。当我们输入一个跨越式发展的目标时，智能体会调取并分析企业内部的历史经验，从而去做出可行性的判断。

其次，在外部智能体，也就是行业中同样潜藏了一些机会。外部的通用智能体中不仅蕴含着信息，它不仅能提供宏观行业数据和趋势分析，更能对接专业领域的知识库或专家系统。比如它可以调用麦肯锡的行业洞察智能体，向其询问“行业在何种条件下通常会发生跨越式变革”这类问题，我们就能获得外部视角的专业研判。

AI营销新范式：然后随着外部与内部智能体的相互沟通就可以输出一个系统的品牌战略方案？

蒋青云：并不是，在内部外部模型沟通的基础上，我们还需要对营销战略计划进行可行性检验。这涉及到引入动态市场博弈模拟，系统会模拟在我方采取特定策略时，主要竞争对手可能如何反应。这种模拟分析能预判市场互动可能产生的结果，为策略提供反馈并评估其落地可能性。

在AI赋能市场竞争的动态博弈方面，目前也有一些进展。比如纽约大学的华人学者刘柳就曾发表研究，探讨如何将AI智能体嵌入动态市场博弈模型中进行策略推演。

AI营销新范式：利用AI技术对市场竞争中的动态博弈塑造可视化，这似乎对大部分营销人而言是件很有技术性的挑战？

蒋青云：动态博弈并非大多数人需要学习的技能，它主要是对结果的一个大致预测，我们只需要看懂结果就足矣。比如我们输入“希望增长率超过10%”的指令，它可能会呈现出几种结果？亦或是我们想去改变企业的定位，动态博弈就会去模拟定位改变后的一些可能性。不过它只能做一些颗粒度比较大的方向性决策，比较精细化的市场决策还是相对困难。

AI时代的企业战略，

“外部大脑”和“内部大脑”结合的“超级智能体”

AI营销新范式：战略是个比较宏观的词汇，在前面探讨了关于“AI时代的企业战略”，除此之外，AI对品牌的市场战略会不会有一些突出影响呢？

蒋青云：AI在品牌的市场战略这方面一定是有影响的。

成本与定价是市场战略的基础，当企业采用低成本策略时，定价自然倾向于亲民路线，以价格优势抢占市场份额；而若企业投入高成本打造产品，通常会选择差异化战略，通过凸显产品独特性来吸引消费者。

这种差异化既可以体现在市场细分上，聚焦特定消费群体，开辟蓝海市场；也可以落脚于客户价值层面，通过技术创新、服务升级等方式，为目标客户提供独一无二的体验。而AI就会去通过大模型的推理能力或是博弈方面的能力协助企业做战略布局。

AI营销新范式：那在AI赋能下传统的战略结构是否有发生改变？例如在定价策略这一关键战略组件中，AI是如何参与数据收集、分析及策略制定过程的？

蒋青云：从理论框架上看，AI赋能并未颠覆营销的核心逻辑。经典的STP（市场细分、目标选择、定位）模型依然适用。

变化在于：传统的定位决策可能较多依赖“拍脑袋”的经验判断，而如今则能更多地基于数据分析进行定位。这本质上是大数据能力的体现。

至于前文提到的动态博弈模拟，其价值在于提供一种推演工具。例如，可以模拟不同定位策略下竞争对手的可能反应，使决策更具预见性。但需要明确的是，模拟结果与现实可能存在天然差距。

因为在实际执行中情况复杂多变，且竞争对手的真实反应往往取决于其对你策略变化的观测与解读，而这本身就难以在模拟中完全复现。

AI营销新范式：就像是在下棋？与不同人对弈时心境也不相同。

蒋青云：是的，不过当前AI在营销决策中最广泛且成熟的应用还是体现在显著提升‘敏捷营销’能力上。也就是快速捕捉市场信号与消费者需求变化并作出响应的能力。这种能力在需要高频调整的环节尤为突出，其中价格决策是典型代表。

虽然价格策略关乎整体竞争格局，但其日常调整的特性使其天然适合AI驱动：

在广告投放领域，智能出价系统已能实现高度动态化的实时决策；

在电商和零售领域，AI系统可以实时分析消费者的个性化需求变化、监测竞争对手的定价动态、并挖掘社交媒体上的价格相关舆情。

基于这些多维度数据，企业能够实现自动化或半自动化的调价。相比之下，调整广告创意或优化配送效率等其他营销环节，虽然响应速度不如定价迅捷，但同样可以借助AI进行数据驱动的快速反馈与优化。这类高频、操作层面的策略执行，主要由市场部主导，是当前AI技术渗透最深、应用最广的营销领域。

而当决策上升到CEO层面，涉及品牌再定位或核心竞争战略转型等重大方向性问题时，AI的角色则转变为提供强大的分析支持和模拟推演工具，最终的判断与拍板责任仍需由CEO来承担。

AI营销新范式：目前AI在各行业的实际应用普及程度存在哪些差异？特别是在电商领域，企业是如何借助AI技术实现运营策略调整和优化的，能否分享一些具体应用场景和实践案例？

蒋青云：目前，不同行业在应用AI赋能营销的进度上存在差异，并非所有企业都处于前沿。

总体而言，电商平台和相关电商企业在AI应用方面走得最快、覆盖最广，尤其体现在运营层面。相比之下，传统制造业或品牌导向型企业的采纳速度则相对滞后一些。

以我担任独立董事的一家电商代运营公司为例，AI的应用就非常深入。他们能够利用AIGC技术，根据市场动态和消费者情绪变化，实时动态调整内容传播策略，并进行高度个性化的内容推荐，这些过程基本实现了自动化或极速响应。同样，价格的快速调整以及基于数据分析的短期策略优化，也已是其日常运营中成熟运用的手段。

AI营销新范式：在营销战略体系中，AI技术在策略执行和战略决策两个层级分别扮演着怎样的角色？能否结合具体案例，详细说明AI如何赋能营销实践，以及在哪些关键决策环节仍需要人类主导？

蒋青云：在营销战略层面，我们可以区分两个层级：

策略层级聚焦于日常或阶段性的“4P”（产品、价格、渠道、促销）执行与调整，其变化相对频繁。

而战略层级则涉及更重大的方向性决策，例如核心定位、是否研发全新产品、是否进入全新市场等。这些战略性决策往往需要经过较长时间的考量。

在AI赋能方面，当前技术深度渗透于策略执行环节。以出海为例：一旦企业做出出海的战略决策后，在具体的海外市场运营中，无论是通过社交网络推广、运营独立站、平台投放，还是进行智能化直播等，AI都能在数据驱动下发挥巨大作用，实现高效精准的执行。

然而，对于“是否出海”这类根本性的战略抉择，尽管AI可以提供市场分析和预测支持，但最终的决策权仍在于企业管理者基于综合判断作出。简言之，AI在“如何做”层面能力强大且应用广泛；而在“做什么”的根本问题上，人类决策者依然扮演着核心角色。”

AI营销新范式：在您的实践与观察中，无论是您服务的企业、担任独立董事的公司，还是行业内大型机构，有哪些在AI赋能战略规划与策略执行方面表现突出的案例？这些企业或机构具体是如何运用AI技术解决实际问题，实现商业目标的？能否分享其中的关键应用场景、创新实践及显著成效？

蒋青云：在营销策略执行层面，特别是电商领域，许多企业已取得显著进展。

以我担任独立董事的代运营公司为例，其运营模式已实现深度智能化转型。过去，诸如设计化妆品推广方案、展示素材、营销话术等高度依赖人力的环节，如今主要由AI驱动，人力角色转变为关键节点的审核与判断。

这大幅节省了人力资源成本。视频内容的制作同样由AI承担。在直播运营上，在目标客群活跃时段使用真人主播，而在非高峰时段则切换为虚拟数字人直播，实现了近乎全天候的覆盖。

此外，个性化定价等动态决策也完全基于人工智能系统。甚至产品包装设计这类创意工作，也已转向AI承担大部分创意生成工作，设计师聚焦于创意审校与品牌一致性把关，实现更高效的协同。

然而，当涉及更重大的战略层决策：例如是否推出全新产品线、是否进入全新市场，或如该公司内部反复讨论的“是否从代运营转向开发自有品牌”这类根本性方向选择则不同。

虽然AI能提供市场数据分析、竞品案例参考甚至产品概念生成等支持，为决策者提供依据，但诸如最终拍板是否行动、投入多少资源组建团队等核心战略抉择，还是要由人来完成。

AI营销新范式：在B2B企业的业务场景中，AI技术的布局和应用呈现出怎样的特点？特别是在市场洞察与研究方面，AI 如何帮助企业突破传统模式的局限？能否结合具体案例，分享相关企业利用AI实现市场开拓的创新实践与成效？

蒋青云：在B2B企业的AI布局方面，情况有所不同，但其应用正逐步深化，尤其在市场洞察与研究领域。

传统上，B2B企业高度依赖第三方行业报告、协会数据或咨询公司服务来获取市场信息并进行决策。如今，越来越多的企业开始转变模式：通过付费接入专业的数据资源，并在咨询公司协助下构建专属的市场洞察系统。这使得企业能够自动化收集、整合相关数据，并生成报告，这也就降低了对第三方机构的依赖。这种自主化趋势在工程项目类B2B企业中尤为明显。

这类项目信息往往不透明且分散，以往依靠人工打探不仅效率低、覆盖面窄，还受限于关系网络。而现在，利用AI技术可以高效地全网搜寻、追踪散落在各类网络线索的工程信息，并探索付费获取数据的可能性。一旦打通关键数据获取通道，企业便能建立自主的数据分析能力。

以某港务工程公司为例，他们正积极应用AI进行市场洞察。过去，他们开发客户主要依靠人工打听消息或等待招标公告，往往错失先机。如今，通过AI系统全网抓取和分析上下游行业发布的信息，自动生成市场分析报告，其目标客户的方向精准度和命中率都得到了大幅提升。这种利用AI主动获取、分析信息，赋能市场开拓的模式，已成为当前B2B企业，特别是工程项目领域，一个颇具特色的AI应用方向。

数据质量与知识缺口：

企业智能体的双重挑战

AI营销新范式：在您看来，企业智能体在4P和STP战略落地中能力提升的关键挑战是什么？是缺乏高质量语料库，还是算法与业务场景的适配度不足？目前针对这些问题，有哪些可行的解决方案和探索方向？

当前企业智能体建设是热点，领先企业都在积极布局。然而，智能体的进化速度和实际能力仍面临两大核心挑战：

首要问题在于信息质量的甄别能力不足。大模型输出的内容在通用性上具备一定覆盖能力，但也可能缺乏企业决策所需的独特洞察和价值。这是因为大模型难以有效去伪存真，也就是一些公共数据中混杂的信息垃圾经模型处理后依然存在，且模型本身缺乏个性化的深度洞察。

另一项关键挑战在于本地化知识与语料库的缺失。这与战略管理的核心理念相悖：企业的核心能力源于其独有的、特别是难以言传的隐性知识。传统上，企业依赖团队协作与决策机制将这些隐性知识转化为核心竞争力。

我们期望智能体能够承担此任，既承载企业独有知识，又能提炼知识转化为能力。然而，智能体能否真正掌握并转化隐性知识，目前尚存疑虑。

因此，现实的突破口在于：优先将企业已有的显性知识，即结构化的文本、文档、数据库等——系统性地转化为基础语料库。这是构建具备企业特色智能体的第一步，也是当前最可行的路径。

AI营销新范式：既然当前企业智能体发展受限于高质量语料库的匮乏，在实际探索中，您观察到哪些值得借鉴的语料库建设模式？

近期我考察了一家专注构建行业语料库的机构，通过算法将领域信息系统化、结构化，支持多场景智能应用，能为不同行业提供专业内容/数据基础。

也正是受其启发，我们复旦大学东方管理研究院也希望与相关企业合作，将积累的文本资料转化为管理学领域的专业语料库。不过这些文本属于显性知识。更进一步的挑战在于转化隐性知识，也就是那些大量未结构化的历史音视频资料。

虽然理论上结构化后可纳入语料库，但当前技术尚未完全实现，这也是当下企业亟需的能力。然而，绝大多数企业在此领域仍处起步阶段。值得期待的是，以微软Copilot为代表的现代AI工具已能实现动态信息的实时结构化，无缝补充语料库，为决策提供即时依据，这大幅降低了历史知识转化的门槛。

AI营销新范式：企业在用AI辅助战略制定或决策时，信息失真或数据幻觉可能带来决策偏差，您如何看待AI的风险管理机制？

当前智能体运作的核心逻辑类似于一个高速CPU：输入信息即快速生成输出。

这种高效机制在放大价值的同时，也显著放大了幻觉的风险。因此，在外部语料输入环节进行有效鉴别变得至关重要。这需要在算法层面解决一个关键问题：如何赋予AI识别信息权威性的能力。

理想状态下，AI应具备根据来源可靠性动态调整信息权重的能力，以此提升整体输出内容的准确性与可信度。

另一方面，人类的判断不可或缺，但也存在局限。完全依赖人工验证海量信息效率低下。因此，需要发展超级人工智能辅助工具赋能人类：当专家需要验证信息真伪时，可先借助AI快速搜集背景信息，再结合自身经验对AI提供的来源进行权威性评估。

这实质上是构建一种人机协同的双重验证机制。AI提供初步筛选与效率，人类提供最终权威判断与深度洞察。这种梦中有梦的复杂体系，我认为是当前应对AI幻觉和信息失真的核心挑战与探索方向。

从辅助到共创：

未来营销智能体的无限可能

AI营销新范式：如果我们作为一家全球营销商业媒体，想要打造一个智能体矩阵该要如何做呢？

蒋青云：主要分为三步

第一步，将数据存储在云端并构建企业智能体；

第二步，与通用大模型打通，以此为客户提供咨询服务、辅助内容创作；

第三步，结合营销科学家的创意进行优化，打造智能体矩阵。

AI in Marketing：整个AI赋能营销策略和策略这方面，是否仍处于早期阶段？

蒋青云：总体而言，企业级智能体的发展仍处于相对早期阶段。无论是部署在云端还是公网上的智能体，其构建往往基于公开可得的通用知识，功能相对基础。而聚焦于企业自身本地化知识挖掘的智能体则更为初级，成熟度有限。

在咨询领域，有一个值得关注的实践：资深咨询师会利用特定知识源构建的公域智能体来辅助报告撰写。例如，一位专家分享，他在完成报告初稿后，会先交由基于通用问答平台构建的智能体审阅，它能有效指出细节问题并提升报告完备性；随后，他会请具备战略管理知识的智能体来把关，以获得更具战略高度和管理学深度的洞察；若觉得视角需更本土化，他甚至会设想调用基于诸葛亮智慧训练的智能体来提供东方谋略视角。

通过这种串联不同知识背景的公域智能体进行多重校验与补充，最终报告不仅更扎实，内容也显著丰富。这展示了利用垂直知识库构建专业智能体辅助决策的雏形和价值，这类协同机制深度释放了AI的潜能，而最终的关键判断和洞察，依旧来源于人类专家对复杂情境的深度理解和经验判断。

来源：Morketing一点号