原对话:沿提问、回答和转折完整展开
下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。
00:00:06–00:28:36连续对话 1
00:00:55–00:03:45开场:筛网红与AI广告翻车,为什么AI营销不能只看生成能力
主持人先从出海‘又老又新’切入:华为、中兴、大疆、影石、拓竹、TikTok、腾讯游戏和Temu已经证明中国企业可以全球化,但AI正在改变企业进入海外市场后的增长与营销方式。这里有两条不同的线:AI创业公司本身在出海,传统企业也在用AI重做营销。
主持人提供的正面例子是一些扫地机器人品牌用模型分析海外博主和达人画像,以匹配更适合产品的达人,并称获得了很好效果。这个案例对应本期标题中的‘模型筛网红’,但它来自主持人转述,没有公开筛选变量、达人名单、对照组或转化数据。它能说明模型可参与达人研究,不能单独证明模型推荐带来了销售增长。
反例是麦当劳在荷兰上线几乎由AI生成的节日广告。主持人强调争议不仅在画面粗糙,还在广告显得廉价、偷懒、没有诚意。这个失败提示,技术能生成完整视频,并不等于它满足品牌气质、节日情绪和用户期待。后文嘉宾继续讨论该广告因争议下架,关键不是‘AI广告都会翻车’,而是商业目标和品牌约束没有进入生产流程。
沈晨岗随后介绍,飞书深诺成立约12年,从媒介服务扩展到优化、创意、红人和数字化服务。他列举安克、SHEIN、Temu、阿里、米哈游、莉莉丝、字节、美图等客户,并称服务超过10万家中小企业。客户名单与规模属于嘉宾/公司自述,本期节目又由飞书深诺特别支持,读者应把它理解为访谈的业务背景,而非第三方效果验证。
出海1.0与2.0阶段嘉宾沈晨岗提出的中国企业出海发展阶段划分。1.0阶段(约2014-2024年)指从“商品”到“产品”的时期,企业以“卖货”为核心,注重流量和快速变现。2.0阶段(约2025年起)指从“产品”到“品牌”的时期,企业更注重“经营”,通过提升产品力和品牌力来建立长期竞争力。
D-MES模型飞书深诺提出的衡量出海品牌发展潜力的评估模型。输入是企业在四个维度的表现,输出是其综合潜力的评估。四个维度分别是:S (Sales Performance,商业转化力),对应卖货能力;E (Product Evolution,产品创新力),对应产品迭代能力;M (Mental Dominance,心智影响力),对应品牌建设能力;D (Digital Competence,数字化能力),是贯穿并加成前三者的底层核心能力,对提升运营效率和决策质量至关重要。
话题推进:在嘉宾的业务背景之后,主持人先不直接谈AI,而追问其出海1.0与2.0的划分,以理解AI落地前企业正在经历什么变化。
00:03:45–00:09:45出海1.0到2.0:从即时卖货转向产品、品牌与企业经营
- 1.0与2.0按什么标准划分,为什么2025年成为新的阶段?
- 早期卖货企业难道没有认识到营销的力量吗?当时和今天的营销有什么本质区别?
沈晨岗先给出四层模型:商品只是把货卖出去,产品开始具有综合价值,品牌进一步提供身份和情绪价值,企业则是有灵魂和生命力的组织。手机例子用于区分这些层级:华强北组件组合可以销售,贴白牌logo进入产品阶段,小米把研发、产品精神和用户心智结合,才形成品牌及企业全球化。‘有logo不等于有品牌’是该论证的关键限制。
他认为公司成立后的前十年,主流是从商品到产品,营销强调即时销售:流量买来后当天、一周或一个月回本,就继续扩大。主持人追问早期企业是否忽视营销,嘉宾没有简单批评,而是说这是流量红利下的理性选择——既然即时反馈就能赚钱,企业自然会把资源投入到最容易获得的机会,而不必先建设复杂能力。
变化来自两种压力。流量成本和同质化竞争上升,使价格优势的收益递减;平台对质量与合规要求提高,又压缩偷工减料、违规擦边等向下竞争的空间。于是企业不得不从产品功能、设计和品牌寻找更高附加值,从‘销’走向‘营’。嘉宾把2025年作为这种转变更明显的节点,但并不是断言此前没有品牌型企业,也不是说所有企业在同一年完成转型。
SHEIN与小米被用于补充不同品牌类型:SHEIN先形成渠道品牌,小米更接近产品品牌。这里的1.0/2.0是嘉宾用于理解行业变化的框架,不是统一行业标准或严格分期。
话题推进:主持人继续追问为什么偏偏是2025年,嘉宾用客户转型困难与安克的提前布局,说明转变更依赖长期准备而非某个突然日期。
00:09:45–00:16:18转型的成本与准备:安克、代际差异和用户需求导向
- 流量内卷早已存在,为什么2025年才成为分水岭?
- 有没有很早意识到变化、提前完成转型的企业案例?
- 美特斯邦威两代企业做事方式有什么不同?
面对‘为什么是2025年’的追问,沈晨岗把时间点弱化为量变到质变:此前已有品牌转向,2025只是更明显。一个早期流量卖家的例子说明转型成本:其年销售额可能数亿甚至超过10亿元、拥有几千万海外用户,但成本上升和利润收窄后,继续找人做精细销售或寻找便宜流量已看不到出路。转向产品设计和用户运营又需要新投入,早期没有铺垫便难以转身。数字是该客户自述的约数,不应写成经审计的营收。
外部环境也在改变。媒体平台提高商品合规和质量要求,堵住了以偷工减料、擦边违规换低成本的路径。嘉宾认为,分水岭上一些企业能向上走,另一些会遭遇重挫甚至消失;这是他对行业演进的判断,不是本期提供的失败企业名单或统计。
安克被用作提前准备的正例。它最初也卖充电线和充电宝,但把早期收入继续投入研发,改善接头工艺、充电效能,同时建设品牌,让用户从认识、记住到喜欢。重点不是安克一开始就资源充足,而是它在完成第一步销售时已经为第二步产品和品牌做准备。沈晨岗称双方有很多交流,这仍是嘉宾基于业务观察的讲述。
美特斯邦威二代案例用于讨论组织惯性和用户导向。第一代熟悉的是生产、销售与运营方式,新一代更可能从海外消费者和营销视角重新组织产品。核心差别被概括为‘我生产出来想卖掉’与‘用户需要什么我生产什么’。安克、小米及服务商做的用户调研,在这里不是附属营销动作,而是把真实需求反馈到产品迭代的机制。
主持人由此把讨论带到D-MES:如果要判断企业有没有能力完成上述转型,应该看哪些能力。
话题推进:嘉宾已经把销售、产品、品牌和长期准备联系起来,下一步是把它们放进一个可讨论的企业能力模型。
00:16:18–00:22:47D-MES:数字化怎样放大销售、产品和品牌,而非替代它们
- D-MES为什么这样排序,D与MES之间的连字符有什么意义?
- 数字化除了把门店交易搬到线上,还怎样影响企业的销售和营销?
主持人依据飞书深诺报告解释四个维度:D为Digital Competence(数字化能力),M为Mental Dominance(心智影响力),E为Product Evolution(产品创新力),S为Sales Performance(商业转化力)。嘉宾说命名顺口也重要,但结构上与商品、产品、品牌、企业的成长路径是反向描述:S对应销售,E对应产品,M对应品牌。
D被单独放在连字符前,是因为嘉宾把它看作贯穿其他能力的底层乘数:销售需要数字化,产品研发与用户心智影响也需要数字化,企业整体运营同样需要。这个‘乘数’是概念表达,原对话没有给出可直接代入的公式,也没有证明D高就能弥补产品或品牌完全缺失。更合理的理解是:当S、E、M已有基础时,数据和反馈系统可能放大其效率与质量。
欧莱雅被用来说明,外界容易看到渠道、产品和品牌,却可能忽略近三五年在业务流程、线上线下店铺数字化上的投入。该例用于说明底层能力不易从营销表面观察到,投入规模仍按嘉宾表述,不补未经核实的金额。
嘉宾随后把数字化拆成两层。第一层是现有运营框架内的效率:星巴克把支付、会员档案、消费历史与忠诚度计划结合,减少冗长人工流程,同时给用户提供更快捷和有针对性的服务。第二层是决策效率和质量:美团依赖数据对骑手分配、运力、时间和激励进行快速本地化决策,并用反馈继续调整。
因此数字化不是‘使用某个小程序’或‘收集更多数据’本身,而是把记录转化为更快、更准的行动。主持人从这里把问题推进到AI:既然数字化影响决策,AI会不会进一步改变营销。
话题推进:对话从数字化进入AI的共识与非共识:大家都知道要用,但什么任务值得用、结果怎样验收仍不清楚。
00:22:47–00:28:36AI营销的共识与非共识:商业目标、容错率与责任归属
- 营销行业对AI最大的共识和非共识是什么?
- 应该先弄清怎么用再上,还是不知道也先上?
- 有哪些AI应用与商业目标匹配或不匹配的实际例子?
- 什么时候意识到AI会对营销产生根本影响?
沈晨岗把最大共识概括为‘AI很重要、要马上用’,最大非共识则是‘AI到底解决什么问题’。他用漫画描述:企业承认重要,却不知道用途,仍决定现在上线。主持人追问他是先理解再用还是边用边学,他选择允许尝试,但强调尝试有成本,必须把AI放进目标体系,而不是让生成能力本身成为目标。
这解释了麦当劳广告争议:如果目标是做一张图或一段视频,AI很容易;如果目标是让人点赞、注册、下单或建立品牌好感,就需要不同约束。漂亮画面没有带来所需行为,不等于完成商业任务。失败不只来自技术瑕疵,也来自目标、评价标准和品牌责任缺失。
嘉宾用AI客服进一步区分任务风险。简单、标准化的问题适合利用模型通用知识;涉及是否在某媒体花钱的专业决策,一次错误就可能造成重大损失。因此不能仅以平均回答质量决定是否上线,还要看错误成本、人工复核和责任承担。自动驾驶类比是在说明低容错场景,不是对自动驾驶合规现状的事实论证。
主持人继续追问其最早意识到冲击的时刻。沈晨岗认为ChatGPT最重要的是把通用知识变成高效、个性化分发的能力,所以客服成为自然入口:原来人工成本较高,问题又相对标准化。此时他并未直接推导出营销会被立即替代,而是看到知识工作的可能性。
这一段把全期评价AI的核心标准说清楚:任务是否明确、结果怎样衡量、错误是否可承受、谁对商业结果负责。
话题推进:接下来对话进入过去三年:为什么客服和编程能率先落地,而营销的高价值决策仍主要依赖人。
00:28:36–00:57:16连续对话 2
00:28:36–00:30:37从ChatGPT到Claude Code:知识分发与编程提效,不代表所有判断已自动化
沈晨岗回顾,人们最初容易高估AI马上解决问题的能力。标准化客服相对容易,但复杂、高价值场景会出现幻觉。他把原因归结为对领域知识理解不够,以及缺少‘怎样算好’的判断标准。这里应区分他的解释与严格技术结论:幻觉涉及训练、检索、上下文、评价和任务约束等多种因素,不能只用‘知识不够’概括全部原因。
他随后把Claude Code视为一次跃升:编程能力可以被AI化,原本需要大量工程师的工作可能由Coding Agent在更短时间完成,人类更多承担审核、校验和管理。他还说全球领先科技企业的很多编程工作量已交给AI。这是嘉宾基于观察的概括,不是本期提供的采用率或100人替代实验,不能改写成‘一个Agent确定替代100名工程师’。
客服和编程的共同点,是任务输入输出相对容易定义、执行结果可较快检查,通用模型因此可以进入流程。但编程也有层级,嘉宾明确提醒不同层级的Coding不能一概而论。把这一点放回营销:生成素材与判断预算并不共享相同的可靠性,后文会继续拆解决策容错与业务学习。
因此‘落地是渐进的’不是保守套话,而是说通用能力必须经过任务拆解、评价与组织配合才能成为生产力。
AI Coding指利用人工智能(特别是大语言模型)来辅助或自动完成软件编程工作。输入是编程任务的需求(自然语言描述或代码片段),输出是可执行的代码、代码修正建议、测试用例等。它可以极大提高开发效率,减少重复性编码工作。
AI Agent指一个能够感知环境、自主决策并执行任务以实现特定目标的人工智能系统。在本段对话中,它被描述为一个模糊的概念,但嘉宾倾向于将其定义为能够完成明确、可衡量商业结果的AI程序。一个复杂的Agent可以由多个专注于不同子任务的小Agent组合而成,形成一个工作流(Agent flow)。
数字化原生(Digital Native)在本段中,指企业从成立之初就将所有业务流程、数据和运营建立在数字化系统之上。其特点是数据统一、互联互通,没有历史遗留的、非数字化的流程和数据孤岛。这为应用AI等新技术提供了坚实的数据基础。
话题推进:主持人接着问过去三年AI对营销的最大影响,嘉宾用执行与决策两层回答。
00:30:38–00:34:06素材生产先提效,预算决策仍需要业务学习与人工负责
沈晨岗认为内容生成最先受到影响:文字、图片、视频的制作成本下降、门槛降低、交付数量增加。更复杂的、基于数据的营销策略仍在演进。这个分层避免把‘能做素材’直接等同为‘会做营销’。
执行层的输入和产出较明确,模型可以提高速度和数量。决策层则包括在哪个媒体增减预算、某阶段投入多少、是否保留某条广告、怎样随市场变化调整。嘉宾描述,一名营销优化师每天要面对成百上千个决策点,例如Meta出价、Google预算、日本市场投入。这里的‘成百上千’是对工作复杂度的自述,不能写成这些决策已由AI自动执行。
嘉宾认为,商业花钱的容错空间小,因此当前多数高价值判断仍依赖人,AI先提供后台信息和支持。他把AI比作刚毕业的博士生:即使通用知识强,也不能马上独当一面,需要跟师傅理解为什么这样调广告,再逐步为判断负责。
这个比喻对应一个具体落地要求:通用大模型之外,还要在企业自己的业务决策环境中构建模型、积累反馈、形成评价。学习并不意味着只要给模型更多数据就能自动学会,必须知道数据对应哪个动作、结果怎样衡量、异常由谁接管。
由此,AI从后端支持走向前端决策是逐步建立信任的过程。执行提效可以先发生,复杂决策需要更强的业务约束和验收。
话题推进:主持人随后请嘉宾分享硅谷见闻,讨论这种业务学习与组织重构在中美为何可能呈现不同速度。
00:34:07–00:38:29硅谷观察:基础模型领先与业务流程包袱,是两种不同比较维度
- 在硅谷观察数周,有哪些见闻?当地对AI的拥抱和应用是什么样?
- 美国AI介入营销的方式与国内相比有什么不同?
沈晨岗访问Meta、Google、英伟达及创业公司,感受到当地对AI的高度热情,也看到大厂员工创业。他把硅谷优势概括为基础模型与具身智能研究,把中国优势概括为具体业务应用的速度和迭代。这个对比来自其短期观察,不能推广成美国没有应用、中国没有基础模型研究。
他给出两个解释:一是中国拥有丰富的To C和To B场景,可更快试验;二是成熟市场的既有业务流程更固定,引入AI意味着改变上下游关系和工作方式,迁移成本更高。AI在这里不是独立工具,而是需要重组业务流程的智力能力。
美团餐饮管理系统出海是具体例子。嘉宾称,美国餐厅已有结算和管理系统,且上下游深度嵌套,即使新系统更先进,商家也因更换成本和缺少动力而难以接受。该例说明‘技术更好’与‘组织愿意迁移’之间存在距离,但并未提供商家访谈或市场份额证据。
因此,中国企业的‘后发优势’不是天然永久领先,而是当既有流程尚未完全固化时,更容易按AI能力重新设计业务。沈晨岗判断,一些应用可能先在中国推进,再向全球扩散;这是基于上述机制的行业预测。
话题推进:主持人把这一比较聚焦到营销公司,嘉宾进一步用数据孤岛与自身数据仓库说明历史路径的影响。
00:38:30–00:42:15数字化原生与历史包袱:统一数据有帮助,‘几乎不可能重组’是强判断
- 为什么会有这样的中美差异?国际营销公司是否必须打碎重组才能用好AI?
沈晨岗认为国际大型营销公司首先受组织惯性约束,其次受数据孤岛约束。集团旗下公司既竞争又分散,客户信息在不同主体之间不通;即使服务层面看似整合,底层数据也未必贯通。要做预算建议,模型需要知道客户过去在哪里花钱、哪些有效、哪些无效,否则计算能力缺少可靠输入。
他对比飞书深诺的数字化路径:早期就建设数据仓库,把媒体、创意和广告运营沉淀到统一系统,现在是在既有数据上叠加AI。转录中的‘12015年’和‘25年’存在噪声,结合公司历史可判断其指2015年前后;一两百万元投入是嘉宾自述,惠普与Tableau是其所提系统。
他据此认为,许多美国同行需要先打碎重组才能用好AI,几乎是不可能完成的任务,并以诺基亚无法转身作类比。这一强判断应保留归属,不能写成已被验证的行业定律。数据孤岛确实会提高成本,但大型集团仍可通过收购、战略合作、独立创新部门或新数据平台转型,路径不必只有内部从零重建。
沈晨岗也承认,任何适应当下技术的企业,在下一种技术出现时都可能形成新惯性。这为‘数字化原生’加上时间边界:今天的基础优势不是永久护城河,需要持续调整数据、流程和组织。
他把AI视为产业重组窗口,认为历史包袱轻的企业有机会塑造新结构。该判断有明确商业立场,因为飞书深诺正是希望从这一窗口受益的服务商。
话题推进:在讨论完数据和组织基础后,主持人问飞书深诺为何不积极对外宣传Agent产品,嘉宾转向任务结果能否被定义和交付。
00:42:16–00:48:36Agent flow而非Agent标签:从需求拆解到质检、专家调度与反馈学习
- 一些出海营销平台已推出AI或Agent产品,飞书深诺为何显得谨慎?
- 内部具体怎样把Agent用到工作流中?
面对主持人关于‘克制’的观察,沈晨岗先质疑Agent定义是否清楚。他认为,很多产品只说能做市场调研,却讲不清什么结果算合格、有价值、可供客户使用。若只是收集同行信息并汇总,任务完成和商业价值之间仍缺一层评价。
因此,飞书深诺当前主要把Agent放在内部,与人类专家共同使用,由专家把结果转成可交付产出。嘉宾认为,在无法明确结果价值时,直接让客户自己使用并声称能创造多少价值是不负责任的。这一立场同时解释其为什么不把Agent名字当作营销卖点。
在创意生产上,他把大任务拆成多个小节点:理解客户要什么、确定商业目标、规划创意策略、选择图片/视频/实拍形式、生成素材、质量检查,以及把logo位置等品牌规范标准化。不同Agent嵌套成flow,由产品经理或项目经理调度,人类专家处理质量和客户特殊要求。
产量方面,嘉宾称原来一天5—10个创意,现在可以做几百甚至上千个,取决于标准化和复杂程度。流程数字化还记录哪些步骤更好,供Agent学习;人也需告诉它哪些结果对、哪些错。这里的学习反馈不是自动等于商业效果提升,仍要把投放结果和专家评价连接起来。
嘉宾最后明确说尚未做到完美,但希望沿此形成正反馈:更多AI化带来更多数字沉淀,再提高迭代速度、降低成本、扩大交付量。这是内部工作流设想与建设过程,不应写成所有节点都已自主运行。
话题推进:主持人接着要求一个超出预期的具体项目,短剧案例把产量、投放消耗与效果证据的问题集中暴露出来。
00:48:37–00:51:46短剧一周6000条之后:产量、投放消耗与创意质量必须分开验收
- 能否分享一个最近超出预期的案例?
- 当AI让创意生产更便宜、更高效后,真正稀缺的能力是什么?
沈晨岗给出的案例是春节期间为短剧客户剪辑投流视频:一周交付6000条,客户广告消耗从每天几千美元升到每天十几万美元。嘉宾把继续增加投放理解为效果好的证据,这能说明客户愿意扩大预算,却不能单独证明ROI改善或全部增量由AI素材造成。还缺少收入、转化成本、对照素材、投放平台、市场变化及客户后续利润等信息。
主持人随后追问真正稀缺的能力,嘉宾回答是质量。能做很多与做得对客户有效不同,而且创意成本不仅是制作费,还包括后续投放费。素材质量若有差异,会在大预算下被放大,因此审查和学习的价值也可能上升。他说质量差1%,最终效果可能差10%以上,这个比例是强调杠杆的说法,不是本期给出的实验估计。
要提高质量,不能只让模型给颜色、场景、元素打成百上千个标签,还需要解释哪些组合为什么服务哪个商业目标。嘉宾由此提出‘AI能计算,却不能自己创造算法’的强观点,强调人先抽象知识和创意框架,再交给AI迭代。
这个判断对组织能力的提醒是明确的:如果没有好创意标准,批量生产只会扩大噪声。但‘AI不能突破任何认知框架’超出了本期证据。模型可能在大量试验中发现人类未总结的有效组合;更稳妥的分工是由人设定目标、约束和验收,AI探索,双方再更新框架。
话题推进:主持人由此讨论审美、人才结构和ROI承诺:如果框架需要人建立,新人如何形成判断,服务商又能否承诺结果?
00:51:47–00:57:16审美、人才与ROI:工具外化基础技能,复杂目标仍需分解和条件化承诺
- 新人缺少传统工作积累,AI又减少主动思考机会,人才结构会怎样变化?
- 客户要求承诺上AI后ROI至少提升30%,你会怎样回答?
- 客户对AI营销最大的幻觉是什么?
- AI会让飞书深诺这类服务商更强还是更弱?
沈晨岗认为人才结构一定会变化,被商品化的知识不必再反复手工掌握。他用计算器类比:人们不再需要心算多位数乘除和开方,可以把时间用于更上层的业务问题,例如桥梁工程师用计算工具完成结构计算。这个例子不是鼓励放弃理解,而是说基础执行外化后,人更需要知道何时使用、结果是否合理、怎样处理异常。
对创意人才而言,审美和判断仍然重要,但形成方式可能从手工制作转向评估、拆解和指导模型。嘉宾没有完整回答新人如何获得这些经验,这是本期留下的组织与培训问题。
主持人提出‘ROI至少提升30%’的要求。嘉宾没有直接拒绝,而是说先了解产品、当前ROI及其原因,把客户输入与模型匹配,判断哪些调整可能达到目标;在变量可掌握时可以承诺,但不能做通用承诺。这里的ROI不是AI固定加成,而是产品、渠道、素材、网站、数据和运营共同作用的结果。
客户最大的幻觉是把AI当魔法能量块,接上后收入或利润率自然提升。嘉宾强调要把复杂目标逐层解构,找到与AI能力匹配的环节,再由多个Agent组合,而非期待一个通用模型直接回答‘明天利润率提高10%’。
主持人最后问服务商会被削弱还是增强,问题指向一个现实矛盾:AI既能让客户自己完成更多工作,也能让服务商形成规模能力。下一段嘉宾用成本分摊、数据规模和客户数字化赋能回答。
话题推进:嘉宾随后解释服务商是否还有存在价值:关键不只是生成能力,而是基础设施复用、跨客户数据与客户自身的数字化承接。
00:57:16–01:11:22连续对话 3
00:57:16–01:01:29服务商的商业化:基础设施分摊、跨客户数据与客户侧数字化承接
- 企业自己能用AI完成更多工作,是否还需要飞书深诺这样的服务商?
沈晨岗先给出成本分摊逻辑。一周6000条视频所需的AI基础设施,可复用到更多客户,固定成本由大量客户分摊;单个企业若自建,要独自承担研发、维护和运营费用。他认为这样更划算,但这取决于客户任务是否适合标准化,以及服务商实际利用率、质量和价格,不能仅凭‘10万客户’推出所有企业都不该自建。
第二个论据是跨客户数据。嘉宾称系统每天沉淀超过2000万美元的广告花费数据,可带来单个企业无法达到的学习速度和质量。这里要区分广告消耗、可合法使用的数据、有效反馈和模型提升:数据量大不自动等于标签准确或策略更好,还需要数据权限、归因、跨客户泛化和隐私治理。
第三个回答是帮助客户补齐自身数字化。Meet Experience(转录中称‘蜜月科技’)作为独立子品牌,帮助企业建立网站、用户数据收集、管理和运营系统。若客户无法管理、分析和应用大量素材,服务商的生成能力就难以转化为价值,双方数字化能力需要衔接。
嘉宾举例,一些客户广告效果不好不是投放微调不够,而是网站数据收集本身有错;修正后可能提升10%—20%,大于广告环节1%—2%的优化。这是嘉宾的经验性数字,不是普遍ROI保证。
因此,他把双方作用描述为相乘而非相加:服务商提供生产与分析能力,客户提供真实业务场景、数据和运营承接。这个商业化方向把服务从代做素材扩展到咨询和基础设施建设,也回应了平台工具可能压低基础制作价格的竞争风险。
蜜月科技 (Meet Experience)飞书深诺集团旗下的一个独立子品牌业务。其定位是帮助客户企业构建自身的数字化能力,包括建立网站、用户数据收集与管理系统、用户运营系统等。目标是让客户的数字化基础能与飞书深诺提供的AI营销服务更好地结合,从而实现营销价值最大化。
乘数效应嘉宾在此处用来描述服务商与客户企业之间、以及企业与合作伙伴之间理想的合作关系。它指的不是简单的资源相加(1+1=2),而是双方的核心能力(如服务商的AI营销能力和客户的数字化运营能力)相互耦合、相互促进,最终产生远大于各自独立贡献总和的指数级增长效果(1x1 > 2)。
营销平民化 (democratize)指AI技术极大地降低了高质量营销内容的制作和投放门槛。过去只有资金雄厚的大企业才能制作和投放的广告(如TVC),现在小团队也能通过AI以低成本实现,使得各种规模的企业都能参与全球营销竞争,促进了市场机会的均等化。
话题推进:主持人随后把视角拉到一、三、五年,嘉宾预测营销会进一步提效、平民化,并与企业经营链路连接。
01:01:30–01:06:23未来一、三、五年:效率、平民化与营销经营一体化的预测及边界
- 设想一年、三年和五年后,AI会怎样进一步改变营销行业?
沈晨岗首先预测匹配效率继续提升:产品价值通过内容和渠道,以更低成本触达合适用户,提高转化。这里的效率不是单纯生成速度,而是产品—内容—用户之间的匹配与反馈。由此他判断全球数字营销增长率会继续提高,这是行业预测,未提供市场模型。
第二是营销平民化。过去高品质TVC需要大预算,如今几个人的团队也能借助AI制作较高品质素材并面向全球用户,降低进入门槛。门槛降低并不自动带来同等竞争力:大品牌仍有数据、渠道、资本、供应链和品牌积累,基础素材供给增加也可能加剧同质化。
第三是营销与商业数字化连接。嘉宾以SHEIN为例,广告端反馈显示用户喜欢什么、热度如何变化,再反哺产品生产、订单增减与供应链,形成数字神经中枢。营销由最后投放环节变成企业经营决策入口,观看、点赞、点击、注册、购买、复购都可能成为反馈。
这一图景更适合需求变化快、供应响应灵活的业务。硬件、长周期软件和受监管行业未必能按同一速度调整产品与生产。即便在SHEIN案例里,也需要区分嘉宾描述的模式与各环节已完全实时自动化的证明。
因此,未来判断可落成三个可检验问题:匹配效率是否真提高,低成本工具是否带来有效差异化,营销反馈能否穿过组织边界改变实际产品和供应决策。
话题推进:主持人把宏远预测拉回执行现实,询问嘉宾最焦虑的事情及他给新出海创业者的建议。
01:06:24–01:11:22组织焦虑与创业建议:流程改变比技术想象更难,长期、数据与合作需同时准备
- AI出现以后,现在有什么特别让你焦虑的事情?
- 给准备迈出出海第一步的创业者一句建议,你会说什么?
沈晨岗说战略上不焦虑,焦虑在战术和组织实现。他能想象AI怎样重组创意流程,但让团队理解意义、改变习惯、在日常工作中真正加入AI,比预想更难。技术优势要转成竞争优势,需要团队共同改变,而不是创始人一个人决定。
他把这同时看成机会:如果自己觉得难,其他组织可能更难,谁先完成调整谁就可能占先。这里与前面的历史包袱讨论闭合:数字化原生并不能免除组织变革成本,已有流程和认知同样需要持续更新。
给创业者的建议有三层。第一,AI降低门槛也扩大竞争范围,要同时考虑眼前生存和长期业务方向。第二,从一开始重视数据与技术,中后期再补会付出更大成本。第三,善用合作伙伴,小团队不必独自承担所有能力,好的分工可以形成乘数效应。
第三条建议与飞书深诺自身业务直接相关,应保留其商业立场。选择合作伙伴并不等于把判断外包,企业仍需知道目标、数据和验收方式,否则也可能把早期数字化问题变成长期依赖。
节目最后,主持人感谢嘉宾并邀请互动。全期的实践线索因此不是‘AI替代营销人’,而是把任务、数据、流程、组织与商业结果重新连接:先做能衡量的执行环节,再逐步进入更复杂决策。
话题推进:节目结束。
以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。