营销的本质是品牌与竞争对手争夺消费者注意力、抢占心智的博弈。随着人工智能技术的爆发式发展，这一博弈的核心已从传统的规模、资本、品牌优势，转向对 AI 能力的驾驭。

深度智能化不是企业的 “选择题”，而是决定未来生存的 “必修课”。本期播客为《生成：AI生产力重构营销新范式》新书解读第十二章，从模型选择、知识库建设、智能体应用、落地执行四大维度，拆解企业智能化转型的关键逻辑。

共谈嘉宾：

谭北平 — 营销科学家 MSAI联合主播 / 秒针营销科学院院长

钱峻 — 营销科学家 MSAI 联合主播 / MSAI M360 创+平台创始人

SHOWNOTES：

0:31   人工智能对企业营销业务的影响是非常非常显著的。

1:55   不同的企业要选择匹配的人工智能模型。

4:36   企业需系统化建设内容、产品、消费者、媒介及竞争知识库。

10:56  企业构建营销知识库是一个系统化的过程。

12:26  营销不是孤立的行为，是品牌和竞争对手争夺消费者的注意力。

15:36   企业智能体拥有自主感知、决策与执行的能力。

19:19  五大实施步骤：统一思想、定位场景、重构工作流、拓展应用场景和人才培养。

24:08   AI模型越来越发展特征会越来越明显，我们有非常多可选择的AI。

26:35   经济性是选模型的首要因素，今天大模型在专业性和泛化性上相差不大。

31:13   AI的应用很广泛，未来企业内的智能体应用会在各个部门。

一、模型选择：打破 “不可能三角”，以 “适配性” 定胜负

AI 模型是企业智能化的 “引擎”，但选择并非越先进越好，而是要在 “专业性、泛化性、经济性” 的平衡中找到最优解 —— 这三大维度构成了大模型选择的 “不可能三角”，没有任何一款模型能同时满足三者最优，企业的核心任务是 “按需匹配”。

• 专业性：指模型在特定领域的精准度，如擅长广告文案生成的模型，可能在数据洞察场景中表现平平；
• 泛化性：指模型跨领域适配能力，通用大模型（如早期 ChatGPT）能应对多场景，但难贴合企业个性化需求；
• 经济性：涵盖模型开发、训练、运行成本，传统大型模型的算力成本曾让中小企业望而却步。

这一三角并非绝对壁垒，而是企业选择的 “决策框架”—— 例如国产模型 DeepSeek 通过独特训练模式，将训练成本压缩至传统模型的 1/100、算力成本降至 1/10，在经济性上实现突破，成为中小企业的高性价比选择。

企业选择模型需紧扣自身业务场景与能力，避免盲目跟风：

• 看业务范围：国内业务优先选国产模型，中文处理能力更优且符合数据合规要求；国际业务可搭配海外模型，但需同步做好备案；
• 看技术实力：技术薄弱企业选闭源模型（通过 API 快速接入），技术储备充足企业可选用开源模型（如 DeepSeek，腾讯、百度均提供支持），自主部署更灵活；
• 看场景需求：营销场景需优先 “行业适配性”，通用大模型与营销需求存在天然鸿沟，需通过 RAG 或微调技术，让模型结合行业数据（广告、社媒、电商）与企业私有数据（销量、客户信息），形成 “营销专属模型”。

二、知识库建设：从 “数据堆积” 到 “核心资产”，构建 AI 的 “记忆大脑”

如果说模型是 “引擎”，知识库就是 “燃料”—— 没有高质量、体系化的知识库，再先进的 AI 也只能 “空转”。企业需系统化建设五大知识库，这是区别于竞争对手的 “独家壁垒”。

企业知识库建设需围绕营销核心场景，形成可复用、可迭代的资产体系：

• 内容知识库：整合企业广告素材、营销文案、KOL 合作内容，让 AI 生成的内容始终贴合品牌调性；
• 产品知识库：梳理产品特性、卖点、使用场景，支撑 AI 在客服、推荐场景中精准传递价值；
• 消费者知识库：沉淀私域客户画像、消费行为、反馈数据，甚至通过 AI 主动收集 “店长 - 消费者” 互动记录，深化用户洞察；
• 媒介知识库：记录不同媒体的资源价格、投放形式、创新特征，为 AI 智能投流提供决策依据；
• 竞争知识库：通过公开信息 + AI 分析，跟踪竞争对手营销策略，让企业及时调整博弈思路。

知识库建设无需新增庞大团队，可依托现有组织架构推进：

• 责任主体：多隶属于战略部、HR 或 CDO/CTO 部门，小型企业可由核心业务负责人牵头；
• 数据来源：通过行政规范推动全员参与，如要求销售团队整理客户会议纪要、门店店长分享服务经验；
• 核心价值：不仅赋能 AI，更能解决 “知识流失” 问题 —— 新员工可快速上手，老员工经验通过 AI 沉淀为企业资产。

三、智能体应用：从 “被动问答” 到 “主动执行”，重构业务流程

智能体是 AI 能力的 “落地载体”，它打破了传统大模型 “人问 AI 答” 的被动模式，成为能自主感知、决策、执行的 “数字员工”。智能体将重构企业工作流，未来每个高频场景都可能对应专属智能体。

• 自主性：无需人工指令，可根据环境变化调整行为，如投流智能体自动优化投放策略；
• 反应性：能感知多维度信息，如读取客户反馈、识别媒体数据变化；
• 主动性：可主动发起动作，如向客户发送回访邮件、生成营销报告；
• 社会性：多智能体可协同工作，如 “微博数据分析智能体”+“PPT 生成智能体” 自动输出复盘文档；
• 进化性：能从失败中学习，如某搜索引擎不可用时，自动切换工具。

智能体在营销领域的应用已从概念走向实践，核心是构建 “智能体矩阵” 而非依赖单一工具：

• 内容端：内容生成智能体自动创作文案、设计素材，优化智能体调整内容风格；
• 投放端：投流智能体实时优化媒体投放，多账号管理智能体同步操作多平台；
• 服务端：客服智能体自动响应客户咨询，回访智能体跟进售后需求。

四、落地执行：五步走战略，让智能化从 “概念” 到 “价值”

AI 转型不是技术部门的 “独角戏”，而是需要全员参与的系统工程。某头部食品企业的 “五步走” 战略，为企业提供了可复制的落地框架。

通过 AI 体验培训、行业案例学习，让业务部门与技术部门达成共识：明确 AI 不是 “替代人”，而是 “赋能人”；同步快速确定工具架构与业务可行性，避免 “技术自嗨”。

用 “二维评估法” 筛选场景：

• 纵轴：AI 应用可能性（降本增效场景可能性最高，商业模式变革场景最低）；
• 核心逻辑：集中资源突破 “高价值 + 低泛化” 场景，快速看到效果。横轴：行业泛化度（通用场景如会议助手泛化度高，优先采购外部工具；企业专属场景如客户服务泛化度低，优先自主建设）。

拆解现有业务流程，识别 AI 可优化的节点：例如在营销领域，形成 “全渠道获客 - 全生命周期服务 - 全域投放管理” 的智能体矩阵，让 AI 负责重复劳动（如素材生成、数据统计），人聚焦创意、策略等核心工作。

通过核心场景的实战演练，验证 AI 底座的适配性，逐步将智能化延伸至边缘场景（如从广告投放拓展到供应链协同），形成 “试点 - 优化 - 推广” 的闭环。

设立 AI 建构师、提示词培训师、知识工程架构师等新岗位；通过技能培训、AI 创业大赛，提升员工 AI 应用能力，让智能化理念深入每个岗位。

五、现状洞察：谁在领跑？谁在滞后？

从当前实践来看，AI 应用的 “分化” 已逐渐显现：

• 领跑者：直面消费者的服务型企业（如绝味鸭脖、肯德基、中小型美容院），通过智能体实现门店轻量化运营、客户服务自动化，用低成本快速见效；
• 滞后方：大型企业因数据合规要求高、岗位流程固化，转型步伐较慢；部分中小企业依赖 “通用 AI 工具搬运”，未构建专属知识库与模型，难以形成竞争优势。

未来，企业间的竞争将不再是 “是否用 AI”，而是 “能否让 AI 与业务深度融合”。那些能选对模型、建好知识库、用活智能体的企业，将在营销博弈中占据绝对主动 —— 因为深度智能化不仅是技术升级，更是企业竞争力的底层重构。

TAKEAWAY

1、深度智能化是企业营销竞争的核心方向，而非可选项，其正重构企业竞争力底层逻辑。

2、企业选择 AI 模型需应对 “专业性、泛化性、经济性” 不可能三角，核心是按需匹配业务场景与技术能力。

3、国内业务优先选适配中文场景且合规的国产模型，国际业务可搭配海外模型，开源 / 闭源选择取决于企业技术储备。

4、通用大模型与营销需求存在鸿沟，需结合行业数据与企业私有数据，通过 RAG 或模型微调构建营销专属模型。

5、企业需系统化建设内容、产品、消费者、媒介、竞争五大营销知识库，其是 AI 发挥价值的核心 “燃料”。

6、知识库建设可依托现有组织架构推进，需推动全员参与数据收集，同时兼具赋能 AI 与沉淀企业知识的双重价值。

7、智能体具备自主、反应、主动、社会、进化五大能力，是 AI 落地的关键载体，需构建多场景协同的智能体矩阵。

8、企业 AI 转型可遵循 “统一思想、定位场景、重构工作流、拓展场景、人才培养” 五步走战略，确保从概念落地为价值。

9、选择 AI 应用场景时，优先聚焦 “高 AI 应用可能性 + 低行业泛化度” 领域，避免资源浪费在通用场景。

10、直面消费者的服务型企业 AI 应用推进较快，大型企业因合规与流程惯性转型较慢，中小企业需避免仅依赖通用 AI 工具。

思考点

1、企业在平衡 AI 模型 “专业性、泛化性、经济性” 不可能三角时，可结合自身业务需求与资源，采取哪些具体策略优先突破核心矛盾？

2、为让营销知识库有效支撑 AI 应用，企业在推动全员参与数据收集、避免知识流失方面，可建立哪些落地机制？

3、针对 “高 AI 应用可能性 + 低行业泛化度” 的营销场景，企业该如何判断场景价值并快速验证 AI 应用效果？