AI Marketing Daily · 2026-08-25

今天的 20 条素材几乎挤在同一条主线上：AI 正从「生成更多内容」转向「替客户想好每一刻的下一步」。头条的麦肯锡给出可上车的四引擎方案，另有 8 条拆出客户旅程与 CRM 落地打法，8 条梳理战略、平台与成本账，3 条守住品牌与合规底线。每条照旧配实战点评，标🔗原文方便深读。

🎯 今日头条

AI 驱动的「下一最佳体验」：麦肯锡把客户留存做成一套可测量的引擎

先说发生了什么。麦肯锡增长营销与销售部门在去年十月发表《Next best experience》一文，提出 next best experience 这套能力：在客户自己察觉之前先探到他的状态，把接触点按顺序编排，再针对每个客户实时生成并发送他此刻该看的那条信息。这跟现在主流的 push 轰炸走的是两条路：push 按名单把优惠挨个发，NBE 先让模型判「这个人现在最需要什么」。文中用一位投保人举例，报销单填错、客服打不通、推广和问卷同一天砸来，全不领情；接入后，账单错误自动修复还附一杯咖啡，理赔转给专员，问卷他也愿意填了。

文章给了一组能算的账：校准到位的模型配上打通整个生命周期的数据，客户满意度提升 15% 到 20%，收入增加 5% 到 8%，服务成本下降 20% 到 30%。案例有四组。一家全球支付处理商给商户建了数字孪生，预测未来 7 天最可能流失的商户，再按争议、现金流聚类配上干预动作，预计每年压掉 20% 的商户流失；欧洲一家电信把所有有未关闭投诉、高来电概率的客户一概移出营销触达，只做这一点，NPS 就追平了市场龙头；美国一家航空公司给客服上机器学习补偿建议，同一个安抚券以前不分人，现在能区分刚误点三次的常旅客和出入顺利的休闲客，换来盯高危客户能力提升 210%、满意度上升 800%、高价值客群流失意愿下降 59% 的成绩。

亚太一家电信商做「账单惊悚」管理，把流失减少 5%，换回约 4 倍投入产出。四部件引擎每一环都落在现有技术栈上，这是它在技术上的友好之处：数据工程把账单、CRM、网站、App、客服日志统一进一个数据层；高级分析层跑倾向、渠道、价值三类模型，再由决策编排层把分数翻译成具体动作，比如高风险流失客户自动移出全部促销转入留存旅程；大模型负责动态生成个性化文案，进阶版再配 agentic AI，让智能体自己测措辞、改文案、调发送；最后一层是 Campaign 投放平台。

为什么这对营销人重要。获客成本抬起来之后，留存就是增长的下半场，而多数公司的账单部、客服、忠诚项目、营销部还在各发各的，用户同一天收到欠费提醒、会员邀请、升级推荐，第一反应是退订，NBE 治的正是这种跨部门不协调的骚扰。六步启动法可以直接落地：接数据、练一个朴素模型追明确指标、补 MLOps 与 Martech、把各部门拉到同一份 contact 政策、建全局对照、双线走路。对多数团队最划算的一招几乎零成本：把正在投诉维权的客户从所有实时投放里拿掉，先让客服把坑填完再谈营销，欧洲电信的证据已经证明这一步就能把 NPS 推到头部。其他值得抄的包括给「账单惊悚」建预警队列、给刚受挫旅程的客户设静默期、把高价值客户的补偿建议交给模型决定。

最后是判断。我在想这篇最大的价值不在四引擎架构多漂亮，而在它把结果和难度一起摆了出来。麦肯锡自家 GenAI 平台 Lilli 超过一半的精力花在采用培训和变革管理上，没有花在技术上，这句话值得每位 CMO 在月度运营会上念一遍。另一个注意点是别被代理商把四件套打包成一条龙卖给你，真正的壁垒在于数据统一和跨部门 contact 政策两件不性感的事，模型反而是最不缺的一环。先挑一个小用例切成闭环，再往外扩，比重等一个完美底座再起飞更现实。这条内容也是今天的知识视频脚本源。

🔗 深入阅读：查看完整文章

🏷 客户旅程与编排

AI 时代的客户旅程：从首次触达算到转化（Digital Applied）

这篇文章把 2026 年的 B2B 买家旅程描述成碎片化、非线性：决策途中冒出一批 AI 搜索引用、聊天机器人对话、语音查询、AI 编排的社媒信息流，传统分析根本看不见。文章引 HubSpot 报告，61% 的营销人说 AI 是二十年来营销领域最大的冲击；有两组数字更该记：AI 检索、语音推荐、聊天对话共同影响 35% 到 40% 的 B2B 购买决策，而多数归因模型完全忽略这类隐形触点；带 AI 身份解析的 CDP 能把跨渠道归因准确率拉高约 28%。从考虑走到决策，60% 到 70% 的潜客会在这里掉队，原因无非内容错配、跟进节奏和渠道断档。文末给了一个可重复的五步：盘点包含 AI 在内的全部触点、CDP 打通身份、AI 聚类勾勒旅程、阶段配合自动化、按周观测优化。

💬 对有增长诉求的 B2B 团队，本周最值的调查是去搜你品牌在 AI 搜索里能不能被一句话说清、被引用，这个结果决定你下季在看不见的那块里吃到还是亏掉 35% 到 40% 的曝光。让销售代表各自搜一轮，把「品牌语义」从玄学变成一张排期表。

🔗 深入阅读：查看完整文章

静态地图变操作系统：7 个阶段逐个改装（Insider One）

Insider One 讲怎么把惯例的静态旅程地图升级成会自动更新的系统：传统画法靠定性访谈、画完即旧，AI 画法从 App、网站、邮件、门店、社媒拉实时信号识别触发器。七个阶段逐段配 AI：认知期做预测人群建模，考虑期做预测分群，购买期上对话助手和购物车回收，激活期加感知上下文的引导，互动期发微提醒和动态定价，留存期用流失预测触达挽回，拥护期按好感度触发忠诚推荐。文章反复说落地顺序比技术重要，Slazenger 只做一段购物车弃置旅程，邮件、网页推送联动，八周内拿回 49 倍回报。

💬 「先挑最漏的一节，其余不动」这条规矩多数团队听得进、做不到。这个季度把购买或留存的一段做到明确的挽回闭环，产出与测试期分红拆开，等退单率真正往下走，再把下一段接上。

🔗 深入阅读：查看完整文章

逐段给工具箱：AI 客户旅程的分阶段指南（Sogolytics）

它把旅程切成八段，一段一段告诉你能用哪些 AI：认知期按意图画像分群、生成内容并识别高效率转化者；考虑期给推荐和对话助手；购买期上 AI 聊天、引导式销售、动态定价；启动期用自动化走查与预测标记，第一时间抓住会流失的新用户；使用期做行为推荐和增量销售；客服期加意图识别机器人和情感分析提升解决率；留存期检测离意信号并触发挽救；忠诚期按时机触达奖励和推荐请求。底座写得很明白：统一数据层加预测与 NLP 模型，中间有编排决策引擎，末端接实时激活；衡量用 CSAT、NPS、CES、转化率、流失率和 LTV，最后补公平性和重大交互的人工监督。

💬 对多数团队这更像清单而非打动故事，价值在让你看清底座缺哪一环。建议 CMO 把这八段与上面七阶段对着一张表走一遍，凡是当下数据拿不到的段位先标红，标红项就是未来三个季度数据治理的重点。

🔗 深入阅读：查看完整文章

AI 更新客户体验目录：从拆解到衡量（NewMetrics）

NewMetrics 是一篇 CX 咨询公司的综述，把 AI CX 的组件摊开作了交代：跨渠道数据整合、NLP 情感分析、预测分析与流失建模、协同与内容过滤推荐的差异、实时与预测式个人化的分界、聊天机器人配人工的客服分工，还有 GDPR、CCPA 与偏见缓解。集成本身是六步：定义目标、评估数据就绪、选工具、小范围试点、连入 CRM 与自动化、持续监测。

💬 这篇更像底层手册，单点都不深，但它把「从哪下手」的组织顺序写正了，适合刚接手 AI-CX 的团队先拿去对齐内部数据、工具、指标三张地图，再去追上面那些深度方案。

🔗 深入阅读：查看完整文章

🏷 CRM 与客户连接

AI-CRM 个人化：从实验品变成收入引擎（TechImplement）

文章先抛两个数字镇场：87% 的企业高管把个人化列为 2026 年头号任务，采用 AI-CRM 的公司第一年收入平均增长 20% 到 30%。它把传统 CRM 和 AI 版按五个维度对比：客户理解从人口学分组变成行为微观分群，触达从定时脚本变成事件触发，内容从固定模板变成持续自适应，决策从规则变成自主优化，学习从静态变成自改模型。落地点是一条七环节生命周期：智能获客评分、画像补全、超个人化沟通、销售支持、预测式自动化、智能客服、主动留存。它还给了 52 周的路线图，前 6 周搭底座、7 到 18 周试点、19 到 52 周放大。案例有实名的：Michael Kors 的对话机器人跑 WhatsApp、邮件、社媒三种渠道和 15 种语言，响应时间缩短 83%，转化提高 20%。

💬 给正在写明年预算的人，Michael Kors 和那组转化提升比一百句 AI 愿景都好用，它会落进你给 CFO 的一页纸。落地别照 52 周划线，先选一条产品线把「行为微细分加事件触发」跑透，一季度的数据就够判断要不要扩。

🔗 深入阅读：查看完整文章

客户互动趋势 2026：agent 开始把事办完（CX Today）

CX Today 把 2026 年客户互动归纳成四个变化：第一，AI 智能体从「答问题」跨到「办成事」，退款、改期、改订单这类动作 agent 直接执行，Salesforce 已把这类智能体编进客服流程；第二，个人化走向实时、带上下文、受合规约束，Zendesk 调查 76% 的客户期待个性化体验，治理要跟上创意；第三，旅程分析和编排合成一个实时闭环，Adobe Experience Platform 这类平台侦测到摩擦（比如结账卡住）就触发下一个动作，发优惠或唤起客服；第四，数据质量摆上战略位，IBM 估美国低质数据一年烧 3.1 万亿美元。文末的高频失误清单值得背：无授权个人化、无上下文自动化、逻辑没定就买工具、把数据清理当可选项、用活动量冒充成果。

💬 「用活动量冒充成果」这一条多数团队肉眼可见犯着。建议先把客服部最贵的流程做一次端到端实验，接口对齐之后再谈 agent 采购，否则再聪明的模型也补不齐治理空洞。

🔗 深入阅读：查看完整文章

AI 放大 CRM 之前，先确认根扎得稳（The Drum）

The Drum 刊出的是 Luxid 高级营销自动化策略师 Kim Le 的观点文章，立场直接：AI 能抬升 CRM 的个人化，前提是细分这些基本功先做对，否则模型只会把不合理的分段高速放大。文章主張把 CRM 从邮件营销扩展到短信、App 推送组成的多渠道全生命周期旅程。建立细分地基的五步：先盘数据采集点和系统孤岛，再核合规和 GDPR 授权；用 RFM、队列、行为三组把数据组织起来；再建立细分画像与可测目标；最后把细分嵌进定向、内容、商品推荐和渠道每次决策。它推荐 RFM 打分，按消费频次和客单价把客户映射到忠诚、易流失、有潜力、休眠、风险这几档。

💬 这段话的要点是「分批健康度」这个序。建议运营本季度先把 RFM 六档量化完，再把每一个由 AI 推荐出来的问候套进档位，颗粒细了才看得见问题，等公司认真上 AI 客户策略时，地基不会闹乱子。

🔗 深入阅读：查看完整文章

五份报告叠读：客户互动 2026 的共同结论（CX Today）

这篇文章把 Deloitte Tech Trends 2026、麦肯锡、Twilio、Salesforce Connected Customer、Omdia 五份报告交叉读了一遍，得到一条贯穿主线：客户要快、要实时的个性化，企业旅程却仍碎片，营销、客服、数据各管各的，AI 效力被割裂锁死。Twilio 管这叫「客户互动悖论」，渠道越多时机和信任越差，解法是先修身份再谈自动化；Salesforce 报告里 88% 的客户认为变化期信任更重要。作者给的五步落地很务实：选一条高交易量旅程，把丢失用户上下文的环节描出来，修好身份和数据质量，在真实摩擦点嵌入 AI，用成果而不是产出衡量。

💬 这个「低后悔低风险」的开法值得直接抄。不用换工具，先选发货、改地址这类高频流程把身份与数据链路修顺并可视化，这一步做完再谈 AI，成本低、确定性高，稳过新上平台。

🔗 深入阅读：查看完整文章

🏷 AI 营销战略与 ROI

15 组让人清醒的数据：AI 营销 ROI 没那么容易到手（Iterable）

这篇用了 15 条带出处的数据把 ROI 的残酷面摊开。BCG 去年十月的结论是只有约四分之一的企业从试验走出来，74% 的公司还没有从 AI 拿到真金白银；数据问题占了 AI 项目工作量的约八成，43% 把数据质量列为头号障碍，35% 归咎人才与素养。Gartner 说 2023 年全球只有 54% 的 AI 项目活着走出试点；IBM 联合研究表明约 47% 在盈利、14% 反而亏损；部署成本普遍被低估到十倍，最终真正进生产的只有约一半。拉开差距的做法也清晰：给团队做 AI 培训的，项目成功率高 43%；营销销售投入深的，平均销售 ROI 高 10% 到 20%。麦肯锡很早就定下 10/20/70 的资源分配，算法一成、技术数据两成、人和流程七成。

💬 这篇适合直接在预算会引用，它把「为什么 AI 项目一排就黄」讲得很顺。本月可做的事是自查这个 10/20/70 比例，如果算法成本占了大块，拿它去和 leader 谈，把资源挪到数据与培训上。

🔗 深入阅读：查看完整文章

「少数的大胜」而不是「一千朵花」：Bain 的 GenAI 规模五步

Bain 拿美国大型企业调研和个人用例，论证生成式 AI 已经从新鲜词变成基础话题。先行者吃的数字：市场切入时间最多缩短 50%，内容生产时间降 30% 到 50%，超个性化活动点击率多可提升 40%。五步框架：CMO 定大胆可衡量的野心；集中少数几个大赢家而不是到处点火；按真实工作流设计并拉业务共创；持续给前线做 AI 素养；往外扩生态。案例：Etsy 的 AI 按 200 多个人格逐人推荐，Booking.com 在旅行规划里扩 AI，一家消费银行把内容生产砍掉 75% 还找到 20% 到 25% 的新开户机会，一家媒体公司活动点击率翻了 5 到 7 倍。

💬 值得带走的一条是「先集中再铺开」，它反直觉：大众直觉喜欢撒网，ROI 却靠赢家来还。内容向团队用「时间减半」「CTR 5 到 7 倍」两个目标做校准，集中到哪条线比上什么工具更关键。

🔗 深入阅读：查看完整文章

生成式 AI 改写绩效营销，但测速是底线（Funnel）

Funnel 先从模型分类：大模型管文案和客服回复，扩散做 Banner 与样机，GAN 合成视觉，语音模型接管配音。它给平台侧一个清醒判断：Meta Advantage+ 与 Google 虽会生成创意，优化内核仍是「预测式」而非「生成式」，生成在创意层，投放优化还是那套 AI 叠加，别被「生成即优化」带偏。风险清单六项：隐私、幻觉、过度依赖、创意趋同、集成摩擦、偏见放大；缓解用企业治理和私有模型应对 GDPR、CCPA，人机协同对抗幻觉，提示多样性加品牌微调，定期审计把关偏见。它反复交代：AI 产出要过 MMM、多渠道归因加增量测试这一关，否则试验永远是试验。

💬 给投放与数据团队提醒一句：创意层可以快，验收必须慢。先搭增量测试和统一数据两层，AI 出稿你出判断，基线扎实再谈扩产，预算才不会变成「AI 包装的广告费」。

🔗 深入阅读：查看完整文章

从注意力经济到亲密经济：一场给 AI 时代的演讲预告（营销 AI 研究院）

这篇文章预告 Mitch Joel 在 MAICON 的开场演讲 Marketing Forward。论断是营销从「注意力经济」走向「亲密经济」：以前比触达面和体量，之后比相关性与意义。Joel 认为 AI 打开了「one-to-X」的世界，品牌既能维持规模触达又能让每句像一对一。他给营销人的诊断很狠：最常犯的错是只用 AI 生产更多内容，真正该问的是因为 AI 我们终于能理解、创造、交付哪些以前不可能的事。原文留了一句值得记住的话：机会不是无限内容，是无限上下文。

💬 演讲细节虽未展开，但「无限上下文」这句够写进你的团队手册了。落地法是给每次 AI 需求表加一个固定提问：这批内容能让客户多理解我什么，把「产出量」的执念往「识别度」上挪。

🔗 深入阅读：查看完整文章

🏷 营销工具与平台

你的 AI 军团背后那笔恐怖的成本账（MarTech）

MarTech 用自家 MarTechBot 回答了营销运营负责人绕不开的问题：上线 agent 前怎么做全成本测算。论点很直接：标准按人头收订阅的软件计价逻辑框不住 AI agent，因为成本全是变量。第一是 token 消耗和 API 费用，特别要留意系统后台轮询，比如 agent 持续扫描实时库抓购买意图；第二是自定义集成和中间件工时，把 agent 接通 CRM、CMS、广告网络都要真金白银的研发，再叠加安全合规审计；第三是存续维护，审计输出、修坏掉的集成、更新 prompt、调护栏，是持续人力；第四是服务端编排和向量数据库的存储与处理费，跟着客户体量一起涨。结论是，评估 agent 基础设施的 ROI，要从订阅价格升级成 token 量、中间件工时、prompt 维护加存储成本四件套一起算。

💬 给 MOPs 和财务的同学，这篇顺手把四维成本落成一张检查单。拿你打算上线的 agent 试算一轮后台轮询的开销，如果目标是把全量客户库每日扫一遍找意向，光 token 就可能吃掉一个席位预算。先限烧、降轮询频率，再谈放大。

🔗 深入阅读：查看完整文章

B2B 营销自动化 2026：从 if/then 升级成 predict and execute（gomega）

gomega 讲 B2B 自动化的换代，痛点在旧系统：配置要 3 到 6 个月，专职运维年成本 8 万到 12 万美元，规则人肉维护，渠道各干各的又逼着用 4 到 6 个工具。换 AI 后模式变成「预测加执行」：培育自适应、内容带 SEO 实时感知、广告出价和素材人群自我优化、SEO 机会驱动。产能也有具体数字：一个 B2B 团队能把博客月产从 2 到 4 篇拉到 10 到 20 篇，AI SEO 智能体能取代每月 3000 到 1 万美元的外包。价格对照一侧是自家 MEGA 的 699 美元起，一侧是 Marketo 1000 到 5000 以上、HubSpot Pro 890 美元。落地四步：审计技术栈、按收入影响排优先级、先试一个渠道、再用 CPL、ROAS、月度自然增长观测。

💬 价格表有自家广告嫌疑，但「旧系统迁移成本常年被低估」是共识。建议先算清当前系统的年度总持有成本，再照「自建小型 AI 池」的对比评估，跑一条渠道的 pilot 再决定替换，别被表里的低起价打动。

🔗 深入阅读：查看完整文章

LinkedIn 营销的 AI 新规则：会答题才会被推荐（MarTech）

MarTech 这份指南把 LinkedIn 的 AI 更新单独挑出来。它的新推荐排序值得单拎出来：用大模型评估帖子，自洽、能独立成立、围绕「可被回答的问题」组织的内容优先，因为 AI 能解析并复用，这等于把「一个帖子只回答一个可答题」写成了新创作语法。广告侧给中小商家一批 AI 工具：自动定向、Draft with AI（从网页和既有广告生成标题文案）、AI 广告变体、按行业职位考虑投放偏好、预算自动聚到高绩效素材的灵活创建。直播侧有 AI 推荐的片段和章节，能把 LinkedIn Live 回放切成短 clip。数据侧引 Metricool 对 47735 个账号、577180 条帖子的统计，调查类内容获 206% 高于平均的分发，轮播互动率最高，视频是增长最猛的类型。

💬 算法风向实际上变了：摘抄转发式内容继续掉量，自答式单点观点吃香。建议把「一个帖子只回答一个问题」写进内容 SOP，配合 AI 变体测标题，用数据迭代。挤进 AI 排序等于免费的流量池，值得试一个月。

🔗 深入阅读：查看完整文章

2026 B2B SaaS 营销自动化平台之选：照着清单挑（AI Growth Agent）

这篇横评排了 12 个玩家，按 ABM 深浅、打分力度、免费档、AI 自动化、口碑、透明价格几个维度。第一名 HubSpot Marketing Hub，连续五年拿下 Gartner Leader，免费档支持约百万联系人，付费从 20 美元每月起步；第二名 ActiveCampaign，行为自动化出名，870 个以上集成，Plus 从 49 美元起；企业级看 Marketo Engage 1195 美元以上、Salesforce Marketing Cloud Account Engagement 1250 美元以上；预算紧选 Brevo，免费档覆盖邮件、短信、聊天、CRM；产品驱动型团队用 Customer.io，150 美元以上每月。文章还贴了自家 SEO 的 702% 回报和自动化的 544% 回报，无原始数据。

💬 这篇适合搭短名单而不是直接下单：人力和预算紧张的看 ActiveCampaign 或 Brevo，要深模型的准备 Marketo 或 Salesforce。那组 7 倍、5 倍数字没出处，别拿来立项。

🔗 深入阅读：查看完整文章

🏷 品牌信任与数据合规

把 GenAI 用进品牌：商标该防的坑（Varnum 律所）

美国律所 Varnum 这篇是给市场法和品牌负责人的实操。先把原则立住：商标和知识产权法不会因为创作者是人类、AI 还是机器而变，AI 不豁免责任。风险路径很具体：AI 训练数据里大量现有商标，产出的品牌名、Logo、标语会和已有保护概率重叠；AI 辅助检索替代不了传统清查，模型拿不到商业商标库，关联度和市场语境也评估不来；代理和供应商可能悄悄用 AI，出纠纷责任落到品牌方头上；生成门槛降低，侵权内容生产速度与体量都变快，监测压力翻倍。文末的合同清单可直接抄：披露、不侵权保证、知识产权归属、第三方索赔赔偿。

💬 多数营销团队不会读合同条款，出事只能兜底。建议这周让法务对外协合同做一轮 AI 专项审查，把「是否用 AI、谁用、出问题谁赔」写清；内部发一版品牌资产的 AI 使用边界，对外产出先过一遍商标清查。

🔗 深入阅读：查看完整文章

品牌信任正在被 AI 稀释：四个守住底线的动作（AIPMM）

这篇文章讲 AI 大规模铺开后品牌信任的反面，随手就是一堆翻车：Guess 的 AI 模特广告被骂、H&R Block 和 TurboTax 的客服机器人答错率过半、微软 Tay 和 X 的 Grok 出过有害内容。它引的调查显示 43% 的人会因公司大量使用 AI 生成内容而降低购买意愿，51% 犹豫要不要推荐。正反两面摆成对：Sephora 的 AI 试镜让线上销售提升 30%，Netflix 推荐引擎驱动了超过 80% 的观看量。对产品和品牌经理给出四条：人优先，AI 是工具不是替代；用真实照片和客户证言撑起真实性；质量优先于数量，别拿半成品刷屏；持续审计工具和产出。

💬 品牌组可以立一道「AI 含量检查」流程：对外素材标注来源后再过一轮人审，涉及品牌主张和价值观的界面 AI 只出初稿、署名给人。这条线立在没出事的时候最便宜，等出一轮舆情再来补成本完全不同。

🔗 深入阅读：查看完整文章

给用 AI 的营销团队的 GDPR 路线图（Advisera）

Advisera 这篇是给部署个人数据 AI 的团队写的合规说明。它把 GDPR 原则逐条对照 AI：合法公平透明、目的限定、最小化、准确、存储限制、完整保密、默认设计保护、可追溯的责任清单清清楚楚。权利侧讲全了访问、修正、删除、限制、可迁移、异议，以及第 22 条：纯自动化决策如涉及法律或重大影响，必须有人的介入、解释和申诉。它特别提醒 GDPR 有域外效力，服务或监控触及欧盟境内的人就得适用。同意须具体、知情、自愿、可撤回，撤同意就是删数据，包括算法产出的文本。最小化手法给了匿名化、假名化、合成数据、差分隐私，以及 DPIA 和法律影响评估义务。

💬 这是出海团队的必修课。容易被低估的是「同意可撤回」这一点，模型产出的内容也要随源头删除。上线任何面向欧盟能力的服务前，先做一次 DPIA，把数据控制人、处理人的角色画清楚，纸上便宜，被查到就贵了。

🔗 深入阅读：查看完整文章

💡 今日总览

把今天的二十条连起来看，主线只有一条：AI 在营销里的角色，正从「内容生产车间」移向「客户旅程的实时编排器」。头条的麦肯锡把这个迁移讲成可量化的工程，客户旅程与编排的四条把它拆成可执行的起点，CRM 的四条负责提醒你地基在哪。四组案例里，航空公司那次最扎眼：模型没有生成任何一句新广告语，只是改变了补偿「发给谁、给多少」的决策方式，就换了八百个百分点的满意度变化。价值不一定长在文案上，长在判断和编排上。

今天的另一头也立了三块警示牌。麦肯锡自己一半的 GenAI 精力花在采用培训；Iterable 的数据问题吃掉八成项目工时；GDPR 提醒模型做的每个出头决策都要面对删除权的回旋。合起来的事实一致：瓶颈根本不在模型，在数据、组织与合规。技术越来越便宜，反而是这些不性感的环节在定落地速度。

给营销团队三件同步推进的事：把一条高价值旅程的数据和身份先修通；给团队配 AI 培训和一套使用手册，别等出丑再补；审一遍对外素材与合同里的 AI 条款，把信任与合规的防线架在没有危机的时候。明天的简报继续看这条主线的走向。