AI Marketing Daily · 2026-09-16

今天的主线是分工。Salesforce 把几十年的行业流程知识压进专用模型，通用模型退回推理层；ChatGPT Ads 被判为战术机会，主力预算仍属 Google；麦肯锡用 37% 的 EBIT 数据提醒所有人，工具普及了，组织回报没跟上。安全、合规、GEO 的操作手册今天也一次配齐。11 条读完，你会知道钱该压在哪里、手该停在哪里、哪件事本周就能动手。

🎯 今日头条

Salesforce 发布 CRM 专用推理模型 Koa：把二十年行业经验塞进模型本身

发生了什么

Dreamforce 上 Salesforce 发布 Koa，这是它第一个专为 CRM 打造的推理模型，与 Nvidia 合作、基于 Nemotron 3 Super 后训练而来。它做的事与聊天模型不同：判断该调用哪些工具、执行哪些动作，把一单业务跑完。训练用的是 Salesforce 自建的合成数据集，覆盖 14 个以上行业的线索生成、商机资格审查、服务工单处理等工作流，每个场景都标清了完成任务所需的动作和工具调用，没有动用任何客户数据。模型权重由 Salesforce 自控，推理也在自有基础设施内完成，客户数据不出信任边界。代理要访问客户记录、改数据、触发流程的企业，治理上最先卡的就是这一关。试点名单里有 Formula 1、UChicago Medicine、Xero、1-800Accountant、Engine 等，美国区今年冬天正式开放。

为什么重要

写一封邮件很简单。判断线索是否合格、查账户历史、套用公司规则、更新 CRM、触发后续的销售或培育流程，这些活需要模型理解业务怎么运转。Benioff 把话说得很直白：Salesforce 积累几十年最值钱的资产是企业业务的运转知识，Koa 把它放进了模型。当通用模型让信息变得廉价、专业知识随处可取，流程经验成了更难复制的护城河。这分明是对 OpenAI、Anthropic 和 Google 的正面防守：通用能力拼不过就换赛道，拼谁更懂企业的活怎么干。

对营销人的影响

两条线在同时推进。一条是模型选择正在变成编排决策。通用模型适合做头脑风暴、写内容、分析调研；Koa 这类专用模型接手需要懂 CRM 流程、公司规则和客户记录的任务。成本、准确性、速度、数据访问、治理要求、出错的代价，六个维度决定哪类活交给哪个模型。Salesforce 同时在扩大通用模型选项：通过 Google Cloud 能用 Gemini，AWS 集成把 Anthropic、OpenAI、Nvidia 的模型一起接了进来，一个模型包打天下的想法可以收起来了。

另一条线是界面与技术栈的分离。上个月的 Claudeforce 把数据和业务逻辑放进 Claude，让 Salesforce 的界面第一次变得可有可无；这次正式亮相的 AIforce 走得更远，把数据、工作流、语义、权限、治理、动作全部 API 化，Gemini、Claude 等外部 AI 界面都能直接操作 Salesforce。消费者那一侧同样如此：今秋起 Commerce Cloud 商家的商品会出现在 Google 搜索的 AI Mode 和 Gemini 里，顾客在 Google 端用 Universal Commerce Protocol 完成购买，支付、合规、订单管理留在商家自己的 Commerce Cloud 上。你在哪个界面工作、什么技术在界面底下干活，从此是两个决定。

怎么用

营销运营团队现在就能做三件事。第一，把模型分配写进流程文档：哪类任务走通用模型，哪类必须走专用模型，按错误后果定门槛，涉及客户记录变更和自动触发的活留给数据不出边界的模型。第二，检查自己的数据与权限层是否机器可读。AIforce 的思路说明外部 AI 界面迟早来调你的数据，元数据脏、权限含糊，先补课再开放，顺手把语义定义统一掉，不同系统对同一个字段的理解不一致是代理出错的高发区。第三，盯住今冬 Koa 的 GA 名单，挑一个多步骤工作流（线索资格审查是现成选择）做对照测试，把人工耗时和模型耗时都记下来，数据会替你回答要不要扩大范围。

我的判断

专用与通用的分工方向是对的，流程知识确实难抄。但护城河成立有两个前提：合成数据要能覆盖各行业真实的流程差异，客户也要接受推理留在 Salesforce 体系内。营销人更该记住后半段的变化：当顾客在 Google 的 AI 界面里完成购买，官网、App、落地页都退成了看不见的后台，决定顾客看见什么、接下来发生什么的规则藏在界面底下。接下来几个月，把数据、规则、权限整理到机器可用，比多签一个模型合同重要。

🔗 深入阅读：查看完整文章

🏷 广告与媒介

ChatGPT Ads 被定性为战术机会：便宜、竞争薄，但别挪主力预算

MarTech 专栏作者 Remi Kerhoas 拿浏览器战争给 AI 助手排了座次：ChatGPT 坐着当年 IE 的位置，Claude 对应 Firefox，Gemini 接的是 Chrome 的班，靠搜索、Android、Workspace、YouTube 零成本分发。SensorTower 的月活数据显示 ChatGPT 从 2025 年 9 月起趋于平稳；SimilarWeb 测得它与 Google 的用户重叠高达 95%，只有 5% 是独占人群，既没有独家用户盘，也没有蚕食多少搜索行为。一个诚实的基准：TikTok 全球月活约 20 亿，是 ChatGPT 的两倍，你给了 TikTok 多少预算，ChatGPT Ads 今天就值多少战略分量。

OpenAI 的组织信号也指向企业业务。接棒 COO 的管理层来自 Slack 和企业安全领域，没有一人出自广告销售；Bloomberg 披露的 2030 年营收预测里，2800 亿美元中只有 1000 亿来自 ChatGPT Ads，剩下 1800 亿来自 B2B，The Information 还披露 OpenAI 在测试按结果付费的企业模式，卖的是 token 和工时替代，广告只是桥，企业收入才是目的地。

测试窗口却真实存在。ChatGPT Ads 今年 8 月扩至 31 个欧洲国家，Q4 前 CPM 和 CPC 仍然偏低；SE Ranking 的研究里单一广告主 BestMoney 占了全部广告量的 13.56%，每次提示最多出现一个广告位，对比 Google 结果页最多四个。微软上一财年从 OpenAI 获得 240 亿美元收入，约占其 AI 业务的七成，平台两年内存续无忧。

💬 当成早期 TikTok Ads 的打法来打：Q4 用小预算跑一轮，把 CPM、CPC、转化数据存进 2027 预算模型，竞争薄的时候建立认知最便宜。主力预算留在 Google 和 Meta，一分不挪。投手本周就能开户试，先跑品牌词防守。

🔗 深入阅读：查看完整文章

AI 操作真实广告账户怎么保安全：接地、门禁、人审三层各自生效

Optmyzr 在 MarTech 发文，回答一个当下绕不开的问题：代理要直接操作每天烧钱的广告账户，怎么放心。作者的解法是把信不信 AI 换成三个具体问题：它能看到什么、被结构性禁止做什么、谁事先签字，评估新代理公司时也没人只说一句我信任他们。

第一层接地。数据盲区正是模型自信编造之处，语气上毫无破绽，所以 MCP 数据层要覆盖完整 GAQL 查询、GA4 跨边界数据、含所有操作者的变更历史、四层级合并否定关键词、Auction Insights 竞对下钻、行业基准分位和多平台数据。第二层门禁。永不越线的规则写在账户层面，放在 prompt 之外，与 AI 隔离使其无法自改，对代理、脚本、人一律生效：单次出价涨幅不超 10%、特定活动不许动、竞品品牌词不投。强行覆盖可以，但要署名留痕，一个悄无声息就能越过的护栏只是刷了漆的减速带。

第三层人审。每次写入都变成带策略裁定、理由、时间线的变更请求，人类确认确定性预览后才生效，比如把某活动的 tROAS 从 200% 调到 220%，看到的就是这个数字，而非代理的转述。这套流程借的是工程界的老规矩：没有变更评审，代码不上生产。三层各自独立见效，叠起来互相加分。

💬 落地顺序照抄：从零起步先做接地，已经让代理改账户的话本周就加门禁，两者齐了再上评审队列。禁令别写进 prompt，那条防线会被注入指令和长会话漂移绕穿。变更队列还有个意外收获，它顺手成了最完整的账户文档，代理机构拿它当信用证明都行。

🔗 深入阅读：查看完整文章

🏷 营销工具与运营

下一代 martech 战略从运营环境开始：弱元数据会让 AI 发布错误资产

MarTech 专栏作者 Gareth Chilton 提出一个新概念：machine operability，机器可操作性。过去二十年技术栈默认有人类操作层兜底，老员工知道 DAM 里五个资产哪个是获批版本、哪条 CRM 记录其实已过期半年、法务上次反对过哪句话。AI 代理接手选择和执行之后，这个假设失效了。糟糕的分类法过去只是让 DAM 难搜，现在会让系统挑错资产直接发布；含糊的审批状态过去多一条 Teams 消息，现在可能被系统解读为有权发布。

Gartner 2026 CMO Spend Survey 显示，CMO 平均把 15.3% 的预算投向 AI，但只有 30% 具备规模化就绪度，70% 认为内部流程撑不起 AI 落地。这是运营环境的问题，不是 AI 本身的问题。CreativeOps 是裂缝先显形的地方：生成提速十倍不等于产出十倍，简报、版权、审批、本地化、发布环节不变，瓶颈只是后移。McKinsey 的数据呼应了这一点，工作流再设计与 EBIT 影响的相关性最强，但只有 21% 的组织真正重构过工作流。集成不等于可操作，API 能把资产暴露出来，不等于机器知道这份资产是否获批、能否在某个市场使用。Adobe 的 Workfront Content Reviewer 已经在以用户身份参与审批流，它成立的前提恰恰是品牌规则、审批标准、版权上下文早已写成机器可读的条文。

💬 2027 路线图倒着写：先定人和智能系统一起要做成什么，再倒推技术需求。买新平台之前，把元数据、权限、审批状态这些不起眼的活清一遍，治理差的 DAM 接上 AI 只是更快找到并使用错误资产。采购时多问一句：平台里的数据和动作，能不能进我们可控的环境。

🔗 深入阅读：查看完整文章

Braze 拆解 AI 内容营销：生成造内容库，decisioning 管逐人交付

Braze 更新的指南把 AI 内容营销拆成三大组件：生成写作模型、数据分析系统、工作流自动化；流程分四阶段：发现（话题聚类加内容缺口分析）、创建（大纲和初稿）、优化（语义 SEO 加竞对缺口）、分发（一稿改多渠道格式），每一段 AI 干重复劳动，人负责判断。指南里值得细读的是生成式 AI 与 AI decisioning 的分工。前者生产有限的内容库：草稿、标题、图片、跨渠道版本。后者基于第一方数据，在邮件、推送、应用内消息、SMS 里逐人决定谁、在哪个渠道、什么时刻看到哪条内容，优化哪个 KPI 由你来定。两者接通才有复利，只做前半段的团队等于让内容停在仓库里。

文中引用 CMI 的数据：95% 的 B2B 营销组织已用上 AI 应用，89% 的首选用途是内容创作。四类常见坑各配了药方：过度依赖产出同质化，就要求人工精修每一稿；品牌声音被拉平，就喂给模型品牌规则和优秀范例；幻觉，就逐条对照一手来源核查；敏感主题缺共情，就保留人编终审。最佳实践还包括品牌语音约束库、团队共享的 prompt 库、双阶段人审，以及按互动与转化审计 AI 内容效果、把结论回流进 prompt。指南的终点画在带护栏的 agentic 系统上：生成、择优、交付、学习全自动，人来定护栏、目标和边界。

💬 多数团队卡在前半段：内容库堆了一堆，交付还在按人群包群发。下一步是接通 decisioning，先从邮件一个渠道试点逐人择优，跑通了再扩渠道。发布前拿四坑清单过一遍，幻觉核查宁慢一天。

🔗 深入阅读：查看完整文章

客户旅程地图为什么总是白画：AI 让静态文档变成活地图

Gartner 2019 年的老问题至今没解决：82% 的企业做过客户旅程地图，只有 47% 真正用上了地图数据。CMSWire 的综述认为 AI 的价值正是把地图从静态文档变成实时刷新的活地图：机器学习加数据管道持续吸收点击、交易、社媒信号，发现人类分析师看不见的模式。Blackhawk Network 的 CMO 把方向说得直白，下一步是拿 AI 改善一对一的客户关系。Progress 数字体验产品营销经理 Jay Sanderson 介绍了 AI Propensity Scoring：用预测分析给客户按采取特定行动的概率打分，按分层做定向触达，让每一块预算流向更可预测的结果。

一线的用法已经落地。电商平台 IceCartel 联合创始人 Joosep Seitam 给出细节：商品页实时展示弃购物车的商品，按历史购买推荐配件，用来压弃单率。经典案例有三个可对标的样板：Starbucks 的 Deep Brew 用预测分析做个性化推荐，顺带优化库存和排班；Netflix 拿观看数据反哺内容生产决策；Sephora 用 AI 加 AR 的虚拟试妆降低购买彩妆的不确定性。文章同时提醒三大挑战：数据隐私合规、与既有系统集成的成本、自动化里保留人类共情。

💬 旅程地图最容易死在没人更新。先给旧地图接一条数据管道让它自动刷新，再谈智能化。Propensity scoring 从高概率人群做起，把省下的预算压给高分层，一个月就能看到预算效率的变化。

🔗 深入阅读：查看完整文章

🏷 行业数据与案例

麦肯锡 2026 AI 报告：44% 组织规模化，EBIT 回报停在 37%

麦肯锡 8 月发布的年度全球调查在 5 月 4 日至 6 月 8 日间回收了 97 个国家、1719 名受访者的答卷。使用在加深：近九成组织在至少一个职能常态使用 AI，44% 已在企业级规模化，高于上年的 38%；个人层面，80% 的受访者称 AI 提升了自己的生产力，50% 称改善了决策。体感并不均等：中层经理和一线员工里 47% 报告过 AI 带来的负面压力，高管层只有 31%。

组织财务回报却原地踏步：37% 报告 AI 对 EBIT 有贡献，与上年持平；高绩效者占比稳定在 6%。大型企业规模化 AI 代理的比例从 27% 跃至 40%，中小企业停在 22%，规模鸿沟在拉大。营销人该盯的是这组一手数据：收入增长最常被归因于营销与销售职能的 AI 使用，排在产品开发和软件工程之前；消费品与零售业最常在营销与销售场景规模化 AI 代理。成本与用工的信号也出现了：20% 的组织受 AI 运营成本（含 token）制约，60% 仍计划加码投资，39% 预期明年因 AI 裁员，高于上年的 32%；32% 的组织因为 agentic coding 工具能自建而放弃了外购软件。高绩效者的三条共性：增长与效率并重、围绕 AI 重构工作流、领导层承诺加运营纪律，他们的 ICT 预算里 AI 占比超 15% 的概率是其他组织的两倍多。

💬 向老板汇报 AI 预算时直接引这组数：营销与销售是收入回报最集中的职能，这笔钱有据可依。想挤进 6% 高绩效俱乐部，照抄三条共性，尤其第二条，把旧流程拆了重排，别把 AI 塞进老流程里。

🔗 深入阅读：查看完整文章

2026 AI 营销数据地图：88% 采纳、6% 高绩效、GEO 还有 47% 空白

Whitehat 的年度汇编把 2026 年 AI 营销的关键基准凑到了一张地图上。采纳端：McKinsey 数据显示 88% 的组织至少在一个职能用 AI、79% 用生成式 AI，但只有 6% 拿到真实财务价值；50 亿美元营收以上的企业近半达到规模化，1 亿美元以下的只有 29%。Duke 与 Deloitte 的 CMO Survey 显示，AI 驱动的营销活动占比从 13.1% 翻倍到 24.2%，三年内预期 55.9%；martech 加 AI 占营销预算 19%，五年内将升至 31.7%，而营销总预算占收入持平在 7.7%，59% 的 CMO 报告预算不足。

搜索端的变化最剧烈。AI Overviews 让信息类查询的自然点击率从 1.76% 跌到 0.61%，降幅 61%，零点击搜索占 58% 到 69%；但 AI 渠道流量的转化率约为传统自然流量的 23 倍，经济价值 4.4 倍。Google 排名前列与 AI 引用来源的重合度从 70% 跌破 20%，ChatGPT 引用的页面九成传统排名在 21 位开外，而 47% 的品牌还没有 GEO 策略。内容端：Ahrefs 对 60 万页的研究显示 82% 的高排名页面含 AI 生成内容，Google 不因 AI 惩罚；但消费者察觉 AI 内容后信任下降的概率是信任上升的 4 倍，人机共创的效果比全自动高 4.1 倍。展望端信号密集：Gartner 预测 2028 年九成 B2B 采购将由 AI 代理居中完成，Forrester 警告企业将因无治理的生成式 AI 损失超 100 亿美元；51.7% 的 B2B 营销人承认团队有 AI 技能缺口，68% 没受过正式培训。合规端：EU AI Act 将于 2026 年 8 月 2 日全面适用，AI 合成内容必须标注，聊天机器人须披露身份。

💬 47% 的品牌没有 GEO 策略，这就是窗口期。把搜索预算的账重算一遍：点击掉了 61%，但转化值 23 倍，主力该放在带独家数据、易被 AI 引用的答案型内容上。8 月合规节点前，把 AI 内容标注和机器人身份披露排进日程表；预算再紧，团队培训的钱也别省，这是回报率很高的一笔投入。

🔗 深入阅读：查看完整文章

Ahrefs 879 人调研：AI 用户月发文多 47%，自然流量增速高 5 个百分点

日内瓦数字机构 Eminence 解读了 Ahrefs 基于 879 份全球营销与 SEO 从业者问卷的调研，调查在 2024 年 12 月到 2025 年 2 月间进行。采用率几乎拉平：从 10 人以下微型公司的 81% 到千人以上大企业的 87%，都在用 AI 做内容。产出差距实测：AI 用户月均发文中位数 17 篇，非用户 12 篇，高出 47%。一个反例值得玩味：大型企业不用 AI 反而产出更高，47.5 篇对 20 篇，说明大组织的 AI 工作流还没调优。

内容类型上博客占绝对主力，87% 的用户先从博客用起，网站文案 64%、社媒 63%、邮件 47%、广告文案 34%，图片生成只有 19%。任务端集中在头脑风暴 76%、写大纲 73%、改进改写 67% 和 63%。工具端 ChatGPT 以 44% 领先，Gemini 15%、Claude 10%，受访者共提及 94 种工具，77% 直接用原厂 LLM，绕开中间封装的产品。质量认知分裂：65% 认为人工内容更好，但 97% 的组织设有人审流程，只有 3% 发布纯 AI 内容；只有 16% 的公司对外披露用了 AI。顾虑排前三的是准确性不足 60%、抄袭风险 57%、偏见 36%。算法惩罚的真相反直觉：AI 用户 36% 被谷歌更新打击，非用户 40%，人工惩罚率两者都在 3% 到 4%。结果一栏最硬：AI 用户的自然流量年增中位 29.08%，比非用户的 24.21% 高约 5 个百分点。AI 单篇博客成本 131 美元，人工 611 美元；两类团队的内容总预算几乎一样，省下的钱换成了产量。

💬 照这份调研排优先级：先把博客的人审流水线跑顺，广告文案和图片的全自动往后放。别指望 AI 省预算，同预算多产出才是正确姿势，月发文目标可以直接在现有基础上上浮四成。

🔗 深入阅读：查看完整文章

可口可乐学术案例：全 AI 广告为何翻车，人机混合为何有效

斯洛伐克 Trnava 大学学者 6 月发表在 Wolters Kluwer 传播学专著的案例研究，把可口可乐三个里程碑放在一起比较：2023 年人机混合的 Masterpiece 项目、2023 年共创平台 Create Real Magic、2024 年全 AI 生成的圣诞广告三部曲。方法融合了案例定性分析、视觉与叙事批评、神经营销数据与 YouTube 评论的情感分析，比常见的观感评论可验证得多。

结果分成了两类。Masterpiece 用真人在真实博物馆场景拍摄，AI 只做风格转换，拿下 D&AD 黄铅笔奖，配套数字资产 72 小时卖出 54.3 万美元；神经营销分析发现两分钟内情感卷入有波动，靠结尾高潮挽回整体印象。Create Real Magic 联合 OpenAI 与 Bain 开放品牌素材，请全球艺术家共创，优秀作品登上时代广场大屏。2024 年的圣诞广告完全由 AI 生成，角色手部牙齿变形、动物解剖结构失真，触发恐怖谷效应；情感分析显示出现异常强烈且两极化的反对声，单条讽刺评论拿了超过 3.2 万个赞。批评也不只在审美：公众把一个千亿公司用 AI 替代真人演员和剧组解读为无情的砍成本，认为品牌毁了圣诞的魔法。研究结论：人机增强模式能达到较高的美学与情感效度，完全替代模式会流失品牌真实感与熟悉度。

💬 给 AI 创意划两条线：高情感场景（圣诞、家庭、怀旧）保留真人拍摄与人类导演，AI 退到风格转换和规模化变体；功能性内容可以放开自动化。明年的节日 campaign 现在就按这条线分工，别等翻车再改。

🔗 深入阅读：查看完整文章

🏷 政策与合规

2026 隐私执法开罚单了：Tractor Supply 因退订表单不生效被罚 135 万美元

House of MarTech 发布的 2026 营销数据合规自查清单，开篇就换了基调：监管者不再发指引，而是开罚单。加州隐私保护局 2025 年已开始执法并持续加码，GDPR 把 Article 17 删除权列为 2026 年重点执法方向。标志性案例是 Tractor Supply：因为退订表单不生效被罚 135 万美元。问题不在追踪本身，而在告诉用户已退订、实际没退订。形式合规不等于功能合规，这句话值 135 万美元。

清单给出四大支柱：完整的数据清单与留存计划，两年没人更新的表格不算真清单，要有归属人和复核节奏；细粒度同意管理，2026 年 1 月 1 日起必须自动响应 Global Privacy Control 信号，并给用户看得见的确认，后台悄悄处理不算数；符合 GDPR 与 CCPA 标准的供应商 DPA，供应商的合规缺口就是你的缺口，合同里要写禁转售条款；主体权利工作流，能在 GDPR 30 天、CCPA 45 天的时限内跨系统定位并删除数据。八大审计区还包括数据最小化、AI 决策风险评估（EU AI Act 8 月全面生效后是硬要求，训练数据、测试方法、准确度评估都要留档）、文档留痕（GDPR 要求的 RoPA 处理活动记录、72 小时数据泄露通报流程）、一方数据策略（Cisco 调研显示 95% 的企业认为隐私投入的回报大于成本）。清单建议按季度复查高风险区、每年跑一次全量审计，每项合规职能指派到个人而非委员会。

💬 这份清单本周就能跑：先测 opt-out 全链路，Tractor Supply 就死在这一步；再查 GPC 信号的可见确认上没上线；最后把数据清单从两年没动过的旧表格里救出来，指派到人。三件事做完，审计时手上有货。

🔗 深入阅读：查看完整文章

💡 今日总览

把今天 11 条连起来看，主线是 AI 营销从买工具转向建环境。Salesforce 把流程知识做进模型，Optmyzr 给代理操作立门禁，Chilton 提出机器可操作性，三件事指向同一个判断：模型能力已经过剩，稀缺的是让模型可靠干活的数据、规则和权限。麦肯锡的 37% EBIT 停滞与 6% 高绩效是最硬的证据，个人生产力红利没有自动变成组织回报，差在工作流重构这一步；Ahrefs 调研里大企业用 AI 反而产出更低，同一个病，不同的部位。

钱的方向也清楚了。麦肯锡确认营销与销售是 AI 收入回报最集中的职能，预算占比在涨；但 ChatGPT Ads 只配拿到测试预算，长期胜负握在握有分发优势的一方。风险的钟声两头同时敲响：合规端，EU AI Act 的 8 月节点已过，GPC 可见确认已成硬要求，罚单真实出现；创意端，全自动化翻车的学术证据也齐了，人机共创是效果与信任的双优解。

如果只记一句话：今年拉开差距的不是谁多买了模型，是谁先把数据、权限、流程整理到人和机器都能用。这恰好是头条里 Salesforce 押上的赌注，也是普通团队本周就能开工的清单。