营销人，你的 AI 到底该怎么用？

前段时间，我碰到一位做了十几年营销的朋友。

他跟我说，公司刚上了 ChatGPT，市场部的人拿它写公众号、写小红书、写广告文案，忙得不亦乐乎。写出来的东西呢，乍一看也像模像样。

但他就问了一个问题：

"发出去之后，转化率涨了吗？"

全办公室安静了。

没人答得上来。

这件事让我想了很多。你看，生成式 AI（Gen AI）这两年在营销领域简直是横扫千军，到处都是"效率提升 10 倍"的故事。但真正搞清楚"怎么用对"的人，其实少得可怜。

今天我就来聊聊这件事。

先给你看几个数字

Vanguard（先锋领航）用生成式 AI 写广告文案，投在 LinkedIn 上。结果呢？转化率涨了 15%。

Emirates NBD（阿联酋迪拜国民银行）用 AI 做个性化信用卡推荐，线索量涨了 177%。你没看错，177%。

联合利华（Unilever）拿 AI 分析客户留言，不光看客户说了什么，还看客户说话时的情绪。客服响应时间砍掉了将近 90%。

沃尔玛更狠。他们做了一个 AI 谈判机器人，专门跟供应商谈价。结果呢？成本省了 3%，而且大部分供应商说，他们更喜欢跟机器人谈。

Bloomberg 预测，这个市场到 2032 年会突破 1.3 万亿美元。

你说，营销人能不着急吗？

但 AI 有两种，你分得清吗？

我先把一个最基础的东西讲明白，因为很多人确实没搞清楚。

什么叫分析型 AI？

就是它看过去的数据，帮你预测未来。银行用它判断一个客户会不会违约，Spotify 用它给你推荐歌单，电商用它猜你下一个可能买什么。它的核心能力是预测。

那生成型 AI 呢？

它不预测。它创造。

给它一个指令，它能给你写一篇博文、画一幅画、剪一段视频、生成一段代码。它做的是从无到有。

你想想看，这两种 AI 对营销的影响能一样吗？

分析型 AI 帮你把已有的事情做得更准。生成型 AI 帮你做出全新的东西。在营销这个以内容和沟通为核心的行当里，后者的冲击力显然大得多。

亚马逊已经用生成式 AI 给商品评论写摘要。可口可乐公开说，他们未来的营销路线是"AI 与人类创意"的结合。

天呐，连可口可乐都这么激进了，你还能坐得住吗？

两个选择，决定你用 AI 是赚还是亏

好了，激动完了，咱们来说点真正有用的。

我最近研究了很多公司在生成式 AI 上的实践，发现成败的关键其实就两个选择。

第一个选择：你用什么数据喂它？

ChatGPT 这类工具，用的是通用大模型。它吃过互联网上几乎所有的公开信息，什么都懂一点。你让它帮你写个社交媒体帖子、拟个广告初稿，它干得又快又好。

但如果你是沃尔玛，你需要告诉顾客某个商品在哪个货架上、缺货了什么时候补、有什么替代品——ChatGPT 帮不了你。这些信息是沃尔玛自己店里的，公开互联网上没有。

这时候你就需要定制化输入。把企业自己的数据喂给模型。

Morgan Stanley（摩根士丹利）走了一条中间路线。他们用一个叫 RAG（检索增强生成）的技术，在通用大模型的基础上，用自己公司内部的文档去"补课"。这样输出既有了广度，又有了专业深度。

第二个选择：AI 的输出要不要人把关？

这个选择更微妙，也更关键。

一家财富 500 强公司的销售团队用 AI 生成提案初稿。写完之后呢？销售团队会逐条审核、修改、个性化定制，然后才发给客户。人，是最后一道关。

但亚马逊用 AI 给评论写摘要，直接就上线了，根本不用人看。

为什么差别这么大？

因为出错的代价不同。

评论摘要写歪了，最多被点几个"踩"。销售提案写错了呢？可能丢一个百万大单，还砸品牌。

所以，出错代价越高的事，人需要介入得越深。

四个象限，对号入座

把这两个选择交叉一下，就得到了四个象限。我给你一一拆解。

第一象限：通用数据 + 低人工干预。

又快又便宜，但风险也最高。适合用在出错代价低的场景。比如你拿 ChatGPT 做内部头脑风暴，让员工个人查查资料、做个摘要。错了也无所谓，反正不出公司门。

第二象限：通用数据 + 高人工干预。

快，但有人把关。适合那些需要广泛信息、但又不能犯错的场景。最典型的就是社交媒体内容。你不需要企业专有数据来写一条微博，但你绝对需要人审一遍再发——因为一条不当发言可能引发公关灾难。

第三象限：定制数据 + 低人工干预。

快，而且精准。前提是你的数据质量足够好。那个帮 Instacart 代购员找商品位置的零售 AI 就是这类。店里的数据是实时更新的，AI 回答几乎不会出错，所以不需要人介入。

但这个象限的落地难度最大。你得把企业内部系统和 AI 打通，还得保证数据持续更新。很多公司搞不定。

第四象限：定制数据 + 高人工干预。

最慢，最贵，但也最安全。Bloomberg GPT 帮金融公司起草 SEC（美国证监会）文件就属于这一类。数据是金融专有的，写完还有人审。因为这种文件一旦出错，面临的可能是天价罚款。

你看，选哪个象限，不是看哪个最先进，而是看你的任务性质：出错代价多大？需要多精准？数据你有没有？

选错了，AI 不但帮不了你，还可能害你。

说完了好处，该说坑了

前面那些案例都闪闪发光。但我觉得，对营销人来说，真正值得花时间想的是下面这几个坑。

第一个坑：幻觉。

生成式 AI 会一本正经地胡说八道。你让它写一篇产品介绍，它可能凭空编出几个不存在的功能。这不是 bug，是这类模型的本质：它是概率模型，不是确定性工具。

一项实验发现，68% 的参与者在用 AI 辅助写作时，直接把 AI 的初稿交了上去，一个字都没改。

天呐。

这就好比你雇了个实习生，他交上来的东西你看都不看就签发了。任何在职场待过的人都知道这有多危险。

第二个坑：效率和效果不是一回事。

有人做过一个对比测试，把 AI 生成的广告和人类创意团队做的广告放在一起比。

AI 广告的点击率是人类广告的 3 倍。听起来 AI 赢了对吧？

但人类广告带来的潜在客户线索量，是 AI 广告的 9.5 倍。

你说谁赢了？

点击率高可能只是因为 AI 的标题更"标题党"。但真正能转化为客户的，还是那些有洞察、有创意深度的人类作品。这就是效率（做得快）和效果（做到位）的区别。

BCG 和 Zeiss 合作做的医疗 AI 助手号称超过 90% 的回复已经"可以直接面向患者"了。但他们的做法是什么呢？还是安排了一个验光师做中间人，每条回复先过一遍再转发。

你品品。嘴上说 90% 没问题，身体却很诚实地加了一道人工审核。

第三个坑：版权。

DALL-E 3 和 Midjourney 能生成非常漂亮的图片。但有人发现，它们有时候会几乎原封不动地"复制"训练数据里的受版权保护的作品，而且不会告诉你图片来源。

如果你拿这种图去做商业广告，版权官司可能就找上门了。不管是告 AI 公司还是告你这个使用者，都够你喝一壶的。

第四个坑：偏见。

有一项研究测了 14 个大语言模型的政治倾向。结果发现，OpenAI 的 ChatGPT 和 GPT-4 偏左翼自由主义，Meta 的 Llama 偏右翼威权主义。

AI 不是中立的。它的偏见来自训练数据，也来自模型本身的权重设计。

如果你的营销内容是由一个"自带偏见"的 AI 生成的，你可能会在不知不觉中得罪一部分客户。

第五个坑：黑箱。

分析型 AI 的模型相对好理解——你大致能搞清楚它为什么给你这个预测。生成型 AI 呢？你问它一个问题，它给你一段话，你可能完全搞不清楚它为什么这么说。

这在某些行业是致命的。如果你的 AI 推荐系统给客户推荐了一个不合适的产品，监管部门问你"为什么推荐这个"，你总不能说"我也不知道，AI 自己想的"吧？

那，到底怎么用？

说了这么多坑，不是让你别用。恰恰相反，你不得不用。

那 300 多位受访的首席数据官里，超过四分之三认为生成式 AI 会彻底改变他们的商业环境。但真正到了组织层面在用的，只有 20% 左右。剩下的都还停留在员工个人拿 ChatGPT 试试手的阶段。

换句话说，大多数公司还在门口徘徊。你现在认真想清楚怎么用，就已经领先了。

怎么领先？我的感觉是三句话：

低风险的事，放手让 AI 干。 写个内部备忘、做个数据摘要、起个创意初稿——这些事出错代价低，AI 又快又好，不用纠结。

高风险的事，让人站在 AI 和客户之间。 广告发布前审一遍，客户提案改一遍，社交媒体内容发出去之前过一遍。AI 给你起了头，人来收尾。

需要企业专有数据的事，先把数据理顺了再说。 别急着上定制大模型。你的数据如果还是乱的、散在各部门的、过时的，喂给 AI 也是垃圾进垃圾出。

AI 的时代已经到了。但工具再强，用工具的人才是关键。

就像那台沃尔玛的谈判机器人。它确实帮沃尔玛省了钱。但真正做决策的，还是那个决定"我们该不该用机器人跟供应商谈"的人。

工具是杠杆，你是那个支点。