宇宙的盡頭是帶貨，大模型首戰在營銷_風聞

最近網上流行一句話：宇宙的盡頭是帶貨。

簡單來説，就是以前那套“羊毛出在豬身上”的變現方式即內容向觀眾和粉絲免費、靠品牌主廣告主付費，已經不好用了。企業“花錢賺吆喝”的品宣預算減少，而是更看重品效合一，希望將“有效流量”轉化成實際的業績增長。所以越來越多的網紅博主、大V甚至某些新聞當事人，最後都走向了“帶貨”。

精準、高效、低成本的營銷需求，不只卷網紅大V們，也在卷大模型。

一次交流中，一位銀行從業者直言：金融行業的數字化是建設比較久的，目前“數字營銷”也遇到了關於增長的困境，從一線業務員到CMO首席營銷官，都希望能夠將營銷的迭代速度加快，各個環節實現從效率到效果的提升，通過AI智能營銷來形成一條更大的增長曲線。

“但是，跨越從數字營銷到智能營銷之間的鴻溝，以前這一步，大家邁得非常累。藉助大模型的機會，或許我們可以更快地把這一步邁過去。”

從數字營銷進化到AI營銷，在大模型的加持下，進一步提質降本增效，帶來真金白銀的效果提升與業務增長，讓許多行業和企業為之興奮。

在過去的2023年裏，我們看到百度、騰訊、阿里、京東等基礎模型廠商，以及金融、教育、廣告、傳媒等多個領域的企業與垂類ISV數字化服務商，都在積極推動大模型在營銷場景落地。

那麼， AI營銷與互聯網時代的數字化營銷，究竟有什麼本質區別？大模型真的給營銷帶來了實質性的改變嗎？企業在使用AI營銷時需要考慮哪些現實問題？

本文將結合我們的一線採訪與思考，嘗試剖析這些問題。

從數字營銷到AI營銷，為什麼要“跨越鴻溝”？

從數字化營銷到智能化營銷，為什麼是企業眼中必須跨越的一道“鴻溝”？

大家可能都聽説過一句名言：我知道我的廣告費至少浪費了一半，但我不知道究竟是哪一半。對企業來説，營銷的投入產出比ROI，始終都有優化提升的空間。

降本增效，提高營銷ROI，這件事情在數字化營銷階段，有被解決，但沒完全解決。

所謂數字化營銷，就是在任何營銷活動、整個流程，都跟數字緊密捆綁在一起，通過數據進行機會觀察，對大量用户進行畫像、分層、測算，然後將活動物料進行數字化的廣告投放。

和傳統營銷的問卷調查、人工經驗相比，數字化技術的全流程應用，讓營銷效率得到了大幅提升。但是，數字化改造的諸多問題，也隨着大量行業和企業的應用而暴露出來。

最核心的問題就是：數據孤島。

營銷工作涉及多個流程，傳統意義上的數據中台，企業內部形成了各種營銷數據系統，但不同系統的用户數據及行為數據之間相互獨立，彼此不打通，數據很多但用不起來。導致的結果就是：

人更累了。

一個營銷活動，需要多人跨崗位跨部門協作，在企業內部也變得越來越細分。如果做一場大型活動，比如雙十一、618這類大促，營銷人員通常需要在十幾個系統裏來回倒騰，其中有大量重複勞動，比如一份物料在多個渠道平台系統上反覆粘貼，手動進行大量的權益選擇、頁面搭建，這些低價值的重複勞動非常耗時，讓營銷人員無法把更多精力放在高價值的思考優化上。

人更多了。

由於營銷業務的細分，企業不得不為多個環節配置更多的人員，一個人員只負責某個環節，只用關心怎麼把單一模塊做精做好，投放人員關心投放ROI，活動策劃關注匹配營銷目標的活動設計，內容運營希望設計師幫自己設計出更好的文案、素材、圖片……過於細分的營銷“流水線”，需要大量營銷人員做“螺絲釘”，只幹自己的一畝三分地，無法從全流程、全局視角去優化結果，不僅會影響營銷效果，也不利於個人的職業發展。

人更難了。

數字化營銷，對人員的技能要求也更高了。基於數據進行分析和覆盤，就是一個門檻非常高的複雜任務。其中消費者怎麼想的，決策過程是什麼，怎麼埋點，監控哪些數據，用户在不同頁面的流失率、操作時長哪個步驟影響了整體流程？這些都只能依靠營銷人員的經驗，以往只能通過前輩傳授和自己試錯。

結果就是，一些企業招不到這樣專業的營銷人才，靠拍腦袋的方式來做營銷，在廣告創意、活動設計、客服話術上花費了大量的精力，最後消費者用户的反饋卻不如人意。

有沒有可能，讓一個人變成一支營銷隊伍？

這就需要為營銷人員配備一個全流程使能的“AI副駕駛”，能夠從一開始就將數據與營銷目標相結合，讓數據貫穿整個過程和所有環節，並結合營銷知識，自動做出最佳決策，替營銷人員來進行洞察、寫方案、做物料、篩渠道、完成個性化精準投放，最後覆盤調整。

有了“AI副駕駛”，人更輕鬆了，人用得少了，人的技能也被全方面提升，這是為什麼企業要積極從數字化營銷跨入AI營銷。

大模型，讓AI營銷天塹變通途

以前營銷環節也有AI參與，為什麼大模型出現後，營銷人員才有了“AI副駕駛”？

答案是：傳統AI做營銷，太慢太貴。

此前也有很多互聯網企業、電商平台將AI算法引入到智能推薦、海報創作、智能客服問答等場景之中，但效果總體來説，不咋地。

智能客服被普遍認為是“人工智障”，只能解決一些基礎問題，用户還是要找人工，降本增效的效果有限。

另外，傳統AI算法的泛化能力不高，必須針對專項任務進行定製化訓練，開發起來非常耗時，比如一個銀行的智能客服，需要人工訓練師拆解話術文檔、生成QA，之後再擴展標準、投入到一線中，開發週期基本上一個月起步，六個月都有可能。一些中小企業請不起專業的開發團隊，也等不起那麼長的開發週期。

大模型出現之後，如同一橋飛架南北，將“AI營銷”的天塹變通途。

洞察環節：一個基座模型，統籌全局，拉通數據孤島。

大模型強大的泛化能力，一個基座模型可以調度大量專有小模型，通過一個交互入口，與營銷人員進行交互，把各個系統、數據孤島都串聯起來，做到更全面的智慧洞察。在騰訊雲的企點分析平台上，銷售人員只要問一句“哪個產品賣得最好”，就可以實現準確的商業分析；在京東的一站式AI增長平台上，營銷人員只需打開領航者AI營銷助手，就能完成全鏈路的活動配置。

設計環節：一個營銷大腦，集合行業知識，消除經驗鴻溝。

將營銷知識與行業Knowhow，壓縮到大模型裏面，可以消除中小企業、運營新人等在營銷經驗知識上的差距，快速進階為AI營銷達人。

“這給了中小銀行一個掀桌子的機會”，一位受訪者告訴我們，“以前中小銀行欠缺的不僅是數字化系統，還有經營相關的一些行業Knowhow，比如怎麼做產品設計，怎麼把產品更好的規劃賣給用户，有沒有更好的營銷手段。過去要積累這些經驗，要麼招聘大量的相關專業人才，再花一定的時間蹚出自己的路來。但是到了大模型時代，大模型賦能金融，就讓它們有機會彎道超車，彌補上很多經驗上的短板”。

執行環節：一個生成與創造工具，生產力提質增效。

到了具體的營銷活動落地環節，需要大量的物料、文案創意、投放配置等工作，創意素材和精準觸達，是廣告的核心競爭力，但是重複勞動量極大。尤其是每到“雙十一”“元旦大促”等節點，需要創建和投放大規模的物料，以往只能通過“人海戰術”，營銷人員加班來解決。

大模型強大的生成和創作能力，可以基於前期的全局洞察和領域知識，生成最佳物料和投放方案。

領航者的插件AI營銷助手，將主流模型的圖片生成能力遷移至金融領域，專注於營銷所需的各類素材生成。快速生成符合業務背景的，能夠在京東金融場內投放的首頁彈窗圖、啓動圖、通用推薦圖等常用資源位的圖片，生圖率和採用率達到中階設計師水平。

在搜索推廣、信息流、輕舸等場景中，百度營銷打造的AIGC營銷工具擎舵輕量版，可根據所選計劃、單元、關鍵詞等信息智能推薦版權圖片和AI圖片，還可通過用户自主表達推廣業務、畫面主體、比例等，生成創意圖片，用户用相關圖片用以投放測試，“廣撒網”來獲取更多流量。

除此之外，京東、百度、騰訊雲還提供數字人平台，合成數字主播，進行產品和服務的賣點信息的視頻講解，幫助企業拓客。

總結一下，大模型對營銷的全流程進行重構，每一個環節的降本增效，加起來就是AI營銷整體的加速進化。

大模型營銷，不能有斷點，也不該有斷點

一方面，企業需要改變數字孤島的營銷問題，實現全鏈路、全流程的數據洞察和優化，對整個流程進行提質增效；另一方面，大模型在認知智能、泛化能力、生成和創造等方面的強大潛力，確實可以從前期洞察、交互溝通、物料生成、分析決策等方面，全流程落地應用。

所以，內外壓力之下，全流程重構，大模型廠商沒有討價還價的可能。

比如百度世界2023上，百度商業生態體系化發佈“AI Native商業全景應用”，從品牌到內容，再到效果與經營，重構營銷全鏈路。

京東推出的新一代營銷增長平台領航者，以全局視角為中心、覆蓋營銷全生命週期，提供全鏈路的工具/插件。

騰訊雲則為營銷場景提供了從算力、模型、開發平台/工具到應用的全程支持，讓客户自動調用相應的API。

在營銷和智能客服領域有十多年積累的容聯雲，推出基於數智大模型的“容犀智能”，實現了通用批量場景的AI全覆蓋，比如私域加分、營銷通知等，以及用户全生命週期的全覆蓋，從新用户獲取，到活躍用户、流失用户，提供不同場景相應的營銷工具。

總結一下：全流程重構，是各大大模型廠商拿下“AI營銷”這一戰場的前提，做不到就上不了牌桌。

紮下“王旗”，還要經過哪些考驗？

營銷場景，是一個付費意願高、高價值、效果明顯的落地場景，也是大模型廠商的必爭之地和關鍵戰場。

基於大模型的全流程重構的AI營銷體系框架，需要堅實的內核，來支撐企業客户的信心。想要在營銷戰場紮下“王旗”，有幾個方面的賽點：

第一，基座模型的技術先進性。

人們常説技術公司不能“拿着錘子找釘子”，但如果手裏沒有錘子，即使發現了釘子也砸不下去。對於AI營銷服務商來説，基座模型的能力是最為關鍵的。

基座模型的認知智能水平不高，生成內容質量差，容易出現幻覺，寫商品文案胡説八道，那根本不可能為營銷業務所用。

一位京東的技術人員告訴我們，如果AI生成的文案審核通過率只有70%-80%，AIGC對於業務的價值就會大打折扣，必須讓AIGC的審核通過率達到95%以上，業務方才可以使用。

再比如，智能語音在營銷場景的應用，最難的一點是“你這東西不行，所有人一下子就能聽出來了”。比如智能客服詢問用户“你要買的蘋果手機沒了，要不要換一款顏色”，這時候消費者可能都會想一想，這一想，人機交互就被打斷了，但AI智能客服要判斷你究竟是説完了還是在考慮，是該等你説完還是直接接話，技術上的難度就非常大，而一旦判斷錯誤，用户體驗就會很不好。

總之，營銷業務場景是很複雜的，涉及高級智能的一些前沿技術，因此AI營銷的基座模型必須具備技術上的絕對領先性。

第二，對業務場景的理解和數據積累。

應用於營銷場景的大模型，需要完成比較嚴肅的業務應用，比如幫助老年客户在銀行開户，生成一張符合金融廣告規範要求的海報，對可控性的要求就非常高，是客户選擇大模型營銷解決方案的一條重要紅線。

容聯雲告訴我們，就以一線營銷人員所需要的話術為例，一線人員每天要打很多電話，企業不可能把所有電話都聽一遍，很多話術沒有提煉出來，也無法從語音數據中解析出一些行業優秀的話術，那麼溝通的業務目標轉化效果，比如開户、填單、購買等，就很難去洞察和優化。很多企業以前的話術庫，其實是隻有量，沒有質。目前，容聯雲通過大模型去提取問題，把一線及時反饋出來的高頻問題，通過自動化手段及時挖掘出來，再反饋給主管或座席，更快地洞察客户關注的問題，可以改善服務質量，提高客户滿意度。

高質量數據和行業Knowhow的數字化積累，讓大模型真正深入理解營銷業務，也是判斷AI營銷方案的一個標準。

第三，工程能力做出好用的產品。

技術很先進，但產品很難用，是阻礙AI落地的一個主要問題。就拿AI營銷一站式工具來説，全流程貫通是很多企業都在追求的目標，但很少有企業能夠把所有營銷工具都進行跨平台、跨系統的整合。

要麼工具不全不完整，運營人員還是要在多個系統中來回切換；要麼簡單地堆砌在一起，只提供一個聚合入口，運營人員需要在繁雜的應用中反覆查找，無法快速執行完成。目前頭部AI營銷產品的做法是，通過AI agent智能編排調度，把大模型變成一個大腦中樞，對不同的工具API進行編排，自動把營銷目標拆解到不同任務並執行。

營銷人員只需要抓住一個營銷目標，把預算、目標人羣、投放形式等關鍵要素，跟大模型説明白，大模型就會結合領域知識，對目標任務進行拆解，並對其中的重複勞動進行摺疊壓縮。這樣，營銷小白也可以很快“抄作業”，讓大模型引導到對應的系統、應用和節奏，完成整個營銷過程。

從這個角度看，AI營銷的產品化能力，就是把大模型學到的知識經驗，讓營銷人員抄對、抄好、抄快。

最後，還要考慮成本的問題。

一定要用大模型嗎？以前的小模型還能不能用？如果所有的環節全用大模型，算力成本、開發工程量誰來出？增加的支出能否覆蓋減少的成本呢？

投產比是否合理，是企業面臨的現實問題，也是是否採取大模型解決方案的底層邏輯。目前業界的普遍做法，是大小模型配合。

小模型來完成一些確定性高、離線、特定任務，大模型負責調度、指揮、認知理解。舉個例子，在客服對話中，用大模型來挖掘金牌話術，再用小模型進行推薦，把好的話術推給普通銷售，提高他們的業務能力，而客户的智能化綜合成本也更低了。

再比如，金融行業的營銷環節，基金的選基工具，需要非常高的確定性，不能出一點差錯，大小結合，用好大模型的推理能力和語言理解能力，用好小模型的精準化識別能力，可以更好地達成業務目標。

看到這裏不難發現，想要在AI營銷這個戰場插下“王旗”，對大模型廠商和解決方案服務上的挑戰，其實不小，競爭才剛剛開始。

而作為大模型商業化落地的首選站，AI營銷也經歷了一場心態上的“過山車”，從2023年初的極度興奮、不能錯過，逐漸冷靜下來，開始把做精做專做細。

“大家對通用大模型期待很高，但它不一定是滿足行業場景需求的最優解。針對某個單一的場景，解決客户的業務問題，讓大模型的商業化變現能力獲得行業認可”，一位從業多年的數字化服務商這樣説到。

在企業的實際場景中，真正解決了某個問題，打造出實用性高的智能服務，大模型才有未來。而AI營銷，就是大模型真正抵達和改變的第一個關鍵戰場。