AI Marketing Daily · 2026-09-29

今天的主题是能力与判断。MarTech 拆了 60 个真实营销 JD，45 个把建 AI agent 列成硬要求；同一天另一篇提醒你，AI 让营销更快，没让它更好。GEO 一口气来了三条消息，从爬虫配置聊到拆内容门禁；平台选型也来了两条，价格档位差出三个数量级。14 条全在这，每条配了实战点评，直接告诉你先做什么。

🎯 今日头条

60 个营销岗位 JD 拆完了：雇主要的不是会写 prompt，是能上线 agent 的人

MarTech 9 月 28 日刊出一篇一手分析，作者 Margaret Lee 是 Devart 和 TMetric 的 CMO，她逐份读了 60 个正在招的营销岗位描述，全部来自雇主自己的招聘页，确认在招，全部提及 AI。选它们的原因是这些岗位代表市场的最前沿，不代表全貌。数据相当扎眼：45 个岗位把设计或上线 AI agent 与自动化工作流写成硬性要求，只有 2 个把它当加分项。有一条 JD 原话说得很直白：AI 就是这份工作被完成的方式，我们要的是 builder 心态，是工作流和 agent，不只是 prompt。

宏观数据也在同一个方向上。Indeed Hiring Lab 统计，营销岗位广告提及 AI 的比例 2025 年从 8.4% 涨到 14.9%，一年近乎翻倍。PwC 的 2026 AI Jobs Barometer 基于 10 亿多条招聘广告，给 AI 技能标出了 62% 的工资溢价，这个溢价不是预测，是已经在发薪单上发生的事。有意思的是职位名几乎没动：60 个里只有 1 个标题带 AI-native，33 个仍然叫 marketing operations specialist。变化藏在职责清单里，下次绩效面谈就会落到你头上，等你看到招聘页再准备，已经晚了一轮。

雇主点名的技术栈也有意外。36 个岗位至少点名一个具体产品，Claude 出现 26 次，多于 OpenAI 和 ChatGPT 的 19 次。编排平台里 n8n、Zapier、Make 各有拥趸，作者估了掌握成本：15、12、8 个小时，概念相通，都是触发器、步骤、条件、输出，学会一个，另一个下午就能迁移。MCP 出现在 8 个 JD 里，两年前这个词还不存在。再配上编码助手（Claude Code、Cursor、Replit）、GitHub 存代码、Vercel 之类的平台部署。作者提醒这套清单一半两年内会过时，所以别囤工具，要爬阶梯。

这个阶梯分五级，顺序不能跳，作者说最常见的错就是直奔顶楼：还没能在纸上讲清自己的一个流程，就去报 agent 建造课。第一级，理解原理：上下文窗口、embedding、检索增强、agent 和 skill 和 MCP 各是什么，模型没有上月的记忆，你给它什么它才知道什么，标准是能讲给祖母听。第二级，把流程写成机器可用的文本，作者说这是最便宜的审计：流程一落纸，没人解释得清的审批、悄悄吞掉一整天的交接，全在一页上现形。品牌规范也要跟着改，40 页带 mood board 的 PDF 进不了工作流，得改写成规则。voice 用真实例文加失败模式来教，比如禁止三连形容词堆叠，禁止那句快用滥的开场白，比形容词有用。产品事实、可主张清单、SEO 规则、设计系统，作者点名的五类文本各有写法，每类一页纸，署名负责人和复审日期。第三级，自动化重复的事，prompt 提炼成 skill，skill 长成 agent，雇主真正想要的正是有人能为整个团队建一套共享库。第四级，亲手端到端上线一个小应用，从想法到公开 URL，构建教你定范围，仓库教你版本回滚，上线让它变得具体，这一步改变思维方式。第五级，建月度评估，30、60、90 天对照业务目标，因为自动化会退化，三月跑得通的 agent 不保证九月还行。

落到执行，作者的建议很朴素：别等营销 AI 课开班，练着学。每周挑一个重复流程，写下来，诚实地量一遍，自动化其中一步，把结果放到团队都看得见的地方，下个月再来一遍。一个跑通的完整工作流，比任何一门课教得都多。每天一小时攒起来，比一次集训管用，上完课不动手的人，工时数不会有任何变化。

我的判断：agent 概念热了两年，这是我第一次看到它在 JD 里被写成硬性要求，62% 的工资溢价意味着市场已经开始定价。最值得记住的细节反而是 Claude 在招聘 JD 里的出现频率压过了 ChatGPT，26 比 19，雇主投票用脚完成，这也侧面说明工作流场景里模型只是零件，编排能力才是被雇的理由。对营销人，这份阶梯值一张年度计划表：先把你手上最乱的流程写成文本，这一步免费，而且立刻让问题现形。别在第一级囤工具，作者原话把工具清单叫易腐品，爬阶梯的人才走得远。

🔗 深入阅读：查看完整文章

🏷 策略与工作流

AI 让营销更快，没让它更好

MarTech 9 月 28 日的观点文出自 Holistic Email Marketing CEO Kath Pay。她的论点：瓶颈从来不只是写作，是决策质量。更快地产出反而暴露弱思考，AI 会自信地产出弱 brief 的版本，用通用假设填补客户洞察的空白，给破碎的审批流程制造更多分歧选项。审批瓶颈、不清晰的工作流、跨团队协调这些老问题，产出提速一个都没修好。产出越多，待辩论与否决的版本越多，她管这叫 10 个没人要的版本。AI 是决策质量的放大器，输入的 brief、策略、度量计划弱，输出只会更弱。AI 也无法替你做出没人做过的决策，救不了模糊的策略。她给的解法是让营销角色向上下游延伸，上游做决策定义，下游做验证，判断力才是竞争优势。

💬 本周先别急着再开一个 AI 账号。拿最近一条废掉的产出复盘 brief 本身哪里模糊：目标、受众、成功标准三样缺哪样补哪样，再顺手把审批节点砍到 2 个。判断节点上人要留，机器跑外围。输入改好之后再用 AI，省下的是整条返工链的工时。

🔗 深入阅读：查看完整文章

Snowflake、Datadog、Unisys 的 ABM 负责人给出 6 个销售协同打法

MarTech 作者 Steve Armenti 主持了一场圆桌，Snowflake、Datadog、Unisys 三家 ABM 负责人对出的打法沉淀成六条。起点是一个认知鸿沟：Forrester 2024 调查里 65% 的一线销售与营销人员感知不对齐，82% 的高管却认为已经对齐。六条打法：上线前两周把 CRM 账号清单和营销目标名单逐行核对，写明 ICP 归属并设再对齐触发器，领导层换人、战略转向都触发再对齐；把 MQL 移交改成接力赛，营销把每一步做到位，再附上做了什么、账号处于什么状态、建议联系谁的建议包，措辞按建议写，别写成又一个请求；信号层要返回推荐动作，别只丢原始数据，人人都能买的三方意图已是商品，人级公开信号（新角色、新项目、高管公开发言）更能驱动企业级触达，多个信号同一时刻指向同一账号才值得推给销售；卖支持不卖层级，先问销售 30 个账号里哪两个必须赢，层级分配只给销售领导层看；在销售实际待着的收件箱里做支持，别让他们登新工具，账号简报要包含合作伙伴足迹、白名单人脉、近期线索这些销售真正要问的东西；把 AI 指向工作流和数据，省出的时间投回 1:1 人工。Datadog 以前一半 campaign 是泛行业稿，现在几乎每个账号都有具体角度；Unisys 的 ABM campaign 上线周期从三个月缩到几周。Snowflake 还在自家平台上搭了个小工具，读销售通话录音给 ABM 团队推个性化礼品建议。成功的标志是 ABM 被销售在赢单公告里艾特。

💬 六条里零预算就能做的是第一条：本季度头两周，把 CRM 里销售实际在打的账号和营销名单逐行对一遍，差异当面找销售负责人解决，别靠发表格。这是后面五条的地基，拖到 campaign 上线才发现名单不一致，学费是整个季度。信号层那条也别急买工具，先约定输出格式必须是一句推荐动作加理由。

🔗 深入阅读：查看完整文章

🏷 AI 搜索与内容

robots.txt 要把两类 AI 爬虫分开配置

MarTech 的 MarTechBot 问答专栏 9 月 28 日回答了如何在 ChatGPT、Perplexity、Gemini 这些答案引擎里保持可见。技术层四个动作：robots.txt 区分训练爬虫（如 GPTBot）和实时检索爬虫（ChatGPT-User、PerplexityBot），屏蔽前者保护自有内容，放行后者换取被实时引用；扩展 Schema.org 标记，Organization、Product、HowTo、FAQPage 这些词表给 LLM 解析器明确的实体关系；按 RAG 分块逻辑调整结构，H2/H3 层级清楚、段落独立成块，向量库才能干净抽取并引用；保证渲染速度和索引性，对话式检索工具优先抓渲染快、结构干净的站，服务器响应慢了实时检索直接超时。内容层则指向可验证的信息密度：围绕品牌实体和行业术语做密集主题集群，用明确的主谓结构让论断容易被抽取；一手统计与原创研究是重点，AI 模型偏好把原创数据当主要引用源来降低自己的幻觉风险，聚合内容吃亏；图表和多模态资产补齐描述性标注，语音和视觉查询进答案引擎后这块也会被索引。

💬 技术团队今天就能做的两件事：打开 robots.txt 把两类爬虫分开配，给 FAQ 和对比页补 FAQPage 标记，再用 Lighthouse 跑一遍移动端渲染速度。成本半天。答案引擎时代自然流量会收缩，被引用是新的可见性，这份保险先买，等流量曲线掉头再动手就晚了。

🔗 深入阅读：查看完整文章

MarOps 老兵说 GEO 第一原则是取消内容门禁

Etumos（MarOps 机构）的 Edward Unthank 在一段 7 分钟视频里讲 GEO 与 SEO 的区别。GEO 的 G 是 generative，覆盖所有向 LLM 提问的场景，不只 Google 的列表页，关键是把信息送进聊天引擎。他给出的最锋利主张：取消内容门禁。表单挡住的是 LLM 的抓取与聚合，公开可读的页面才能被模型索引、引用，你的产品资料不在模型可见范围里，用户问起时答案里就没有你。他把这件事描述成一场可信度游戏，逻辑类似当年让爬虫索引你的站，但权重信号不同，可信度直接决定谁被引用。这条对做白皮书换线索的 B2B 团队直接冲突，线索机器和可见性机器第一次打架。

💬 别一刀切。挑一条白皮书做 A/B：一半保留表单，一半公开全文，跑一个月，比线索量和被 AI 引用次数。别忘了在公开版页尾加一个轻量入口承接转化。数据说话再定全线拆不拆，试验成本几乎为零。

🔗 深入阅读：查看完整文章

GEO 的目标从排名变成被引用，五条策略可直接对照

Ntooitive 的科普文把 GEO 的变化讲得清楚：目标从争 SERP 排名，换成被 AI 系统引用并综合进答案。五条策略：会话式自然语言内容、结构化数据与语义标记、主题集群加答案优先、技术基础（速度、移动端、HTTPS）、跨渠道权威一致。FAQ 和摘要这类引用就绪（citation-ready）格式能提高被 LLM 采信的概率，追踪 AI 响应模式可以持续迭代，比如定期在主流聊天引擎里问采购类问题，记录自家品牌被提到几次、提到时引用了哪个页面。同类科普满街都是，这篇的价值在把实体识别和响应追踪两个持续优化动作也写全了。

💬 把官网 FAQ 页按引用就绪格式改一版：每个问题开头 40 字内直接作答，再展开背景。别照抄策略清单，先改高意图页，那是被引用概率最高的资产。改完记下日期，每月回查一次引用来源，看哪页开始被 AI 答案带出来。

🔗 深入阅读：查看完整文章

🏷 营销工具与平台

选营销自动化平台，先看收入动作再看知名度

顾问 Christian Lehman 的 2026 选型文有两个值得留下的观点。其一，企业级自动化本质是四个打包决策：CRM 契合、数据模型、归因模型、运营复杂度，按自家收入动作（motion）匹配，别按品牌知名度。他的简版对照：求速度选 HubSpot，重细分且有 ops 团队选 Marketo，在 Salesforce 体系里选 SFMC，重治理选 Eloqua，账号优先级是真痛点的选 6sense 或 Demandbase。其二，他提出 citation architecture：平台若缺席编辑报道图谱，在 AI 推荐面的表现会偏弱，这是选型里很少被提到的一维，值得在下轮采购评估里加一行。他给了一个六指标 scorecard：首个活动上线时间、CRM 原生对象数、归因覆盖、每月管理工时、无需工程支持的活动占比、自动化带来的 pipeline 影响，另引 Forrester 2026 数据说明企业平台投入持续上升。

💬 六指标 scorecard 本周就能填，填现行平台和候选平台各一栏。先填每月管理工时和无需工程支持的活动占比这两个，它们直接暴露隐性成本，也是换平台论据里说服力最强的两个数。选型会开之前先填表，谈判桌上你就有数了。

🔗 深入阅读：查看完整文章

2026 企业级 AI 营销自动化横评：价格档位差了三个数量级

aimarketingcompare 的横评先给了企业级判定标准：5 万以上联系人库、原生 CRM 集成、角色权限、真实 AI 能力，并提醒多数自称 AI 平台的产品只是规则自动化加一层 ML 评分外挂。具体档位：HubSpot Marketing Hub Enterprise 每月 3600 美元起（万联系人），AI 内容助手加预测评分，适合 200 到 2000 人规模的一体化需求；Salesforce Marketing Cloud 年约 40 万美元起，实施 3 到 6 个月，Einstein 覆盖发送时间优化与旅程分析，适合十万级以上客户规模，金融与医疗有专门版本；Marketo Engage 靠 Sensei AI 深耕 B2B 潜客生命周期与 ABM，Growth 档每月约 1000 美元起，企业合同价明显更高；ActiveCampaign Enterprise 每月 145 到 187 美元给到 2500 联系人，带预测发送和预测内容；Braze 主打实时移动消息与流失预测，游戏、电商、金融科技的高频消息场景更强。

💬 先按联系人库和预算档对号入座：25 万联系人以下先看 ActiveCampaign，中小规模一体化选 HubSpot，已有 Salesforce 体系且预算够再上 SFMC，B2B 长 nurture 周期交给 Marketo。签约前拿竞品报价压实施费，企业合同可谈的空间比标价大，尤其实施费和联系人分档两处。

🔗 深入阅读：查看完整文章

🏷 内容与达人

内容策略的起点在销售电话里，AI 负草稿人负论点

viacon 的 2026 内容营销策略长文先厘清一件事：策略回答为谁写、为什么写、读完发生什么，日历只是执行层。最强选题始于销售电话和工单里的真实客户问题，再倒推关键词，顺序反了就只剩自我感动。主题集群要覆盖购买旅程全阶段，决策与留存阶段的内容（定价页、实施指南）常比眼球型认知内容更有商业价值，报告里专门点了这一点，多数团队却在认知内容上挤破了头。对 AI 的定位写得诚实：擅长大纲、摘要、标题变体、改写复用，不了解你的客户，判断不可信，犯错还不自知。分工是人负责论点与事实核查，AI 负责外围草稿。AI 搜索与传统 SEO 的共同信号有四个：主题权威、意图匹配、实体关系、一手细节，两头投资一份内容，杠杆率比两头各做一套高。

💬 本周做一次选题审计：翻最近 20 条销售电话记录和工单，抄下客户原话里的 5 个问题，每个变成一篇。这个选题会比任何头脑风暴都准，因为问题是真的。

🔗 深入阅读：查看完整文章

营销团队用 AI 做内容：先立政策，再改简报

Nextiny Marketing 的 52 分钟网络研讨会讲内容团队的 AI 用法。生成式与预测式 AI 要按任务分工：线索评分、个性化、动态定价交给预测式，内容构思、脚本、视觉素材交给生成式，任务配错了工具，工时白扔。HubSpot 2024 数据值得记住：45% 营销人只用 AI 找灵感，仅 6% 用于成稿，AI 还扛不了重活。两个可落地的动作：给公司立一份 AI 使用政策，覆盖目的、范围、审批流程、隐私与版权四要素；把创意简报补强，高质量简报加调好的提示词才是质量控制的关键，简报里写清受众、论点、禁用表达，AI 初稿能直接提一档。他们的类比是相机暗箱：工具没取代创意，引导工具的人才是主角。

💬 把 AI 政策写进团队 wiki 这件事拖了半年的，本周落地，四要素各一段就够，法务过目一遍更好。顺手给创意简报加两栏：禁用词和必答项。一天搞定，质量问题源头减半。

🔗 深入阅读：查看完整文章

同行评审论文：AI 虚拟达人为何能跑赢真人达人

Elsevier 期刊《Technological Forecasting and Social Change》的同行评审论文（Allal-Chérif 等）研究了巴西零售业三个虚拟达人：Magazine Luiza 的 Lu、Casas Bahia 的 CB、Natura 的 Nat，配合 16 位数字营销专家的访谈。结论有四点：虚拟达人没有丑闻风险，没有形象漂移，不需要担心签约真人达人时的解约潮，论文里拿知名艺人的品牌解约潮当反面教材；创造互动的是故事线与世界观，外貌排后面；在消费者眼中它们反而显得更真实，因为没有真人的人设崩塌包袱；Prada、Dior、LVMH、Samsung 已大量采用虚拟大使。论文按五个主题展开：叙事建立可信度、可靠与信任、投入产出、实践方式、局限与风险。局限也要看到，部分受众对非人类形象有排斥，共情有门槛，覆盖不到所有人群。这篇为达人营销里的品牌安全之争给了学术背书。

💬 品牌安全预算紧的团队可以先试点一个虚拟大使跑单一 campaign，把丑闻风险从变量里直接去掉。评估看互动质量与故事线留存，别只看粉丝量。内容付费墙内，此条按摘要与片段写，细节待核实。

🔗 深入阅读：查看完整文章

🏷 行业数据与案例

AI 驱动活动的三支柱与三道风险

National University 经教授审核的 AI 营销活动综述（2026 年 6 月）把技术分成三支柱：生成式 AI 做创意变体，预测分析优化媒介采买，agentic AI 编排多步客户旅程。传统流程里的人工细分、静态创意、周期优化，正被微细分、生成式创意、实时出价优化逐个替换。受众识别上，AI 靠上下文信号替代第三方 cookie，隐私收紧后这条路价值上升。数据面：McKinsey 报告 92% 企业计划三年内投入生成式 AI；SurveyMonkey 调查里 50% 的营销团队用 AI 创作内容、51% 用于优化；PwC 调查显示 66% 采用 agentic 工作流的企业报告生产力提升，57% 报告成本节省，54% 看到客户体验改善。风险三道：训练数据偏见（文中引了医疗领域 AI 给出种族偏见建议的案例）、创意同质化、AI washing 侵蚀信任，第三条最容易踩，宣传语里写 AI 驱动前先问自己真的驱动了没有。

💬 拿三支柱对照自家技术栈，缺哪根补哪根。上量之前先把偏见抽检写进上线 checklist，每周抽一次，成本一小时，救的是品牌信任。

🔗 深入阅读：查看完整文章

生成式 AI 营销的钱袋数字：3500 亿市场与每周省 11.4 小时

boderia 的综述给了几个可引用的量级：生成式 AI 市场预计 2030 年达 3500 亿美元，年增 46.47%；92% 的财富 500 强已采用；营销团队每周省约 11.4 小时，一年下来接近 600 小时。McKinsey 估算 GenAI 可提升相当于营销预算 5% 到 15% 的生产力，一年约 4600 亿美元。案例更具体：可口可乐的 Create Real Magic 玩起了用户共创；Nutella 的 Unica 项目用 AI 生成 700 万个独特罐身包装，每个都不重样，直接激发 UGC 传播，包装本身成了内容；Michaels 把 95% 的邮件活动做到个性化，SMS 点击率提升 41%。挑战仍是三样：品牌声线漂移、事实错误、数据隐私，都绕不开人工把关，提示词能力因此成了团队的硬技能。

💬 Michaels 这个数最值得抄作业：个性化从模板段落做到 95% 覆盖，SMS 点击率涨 41%，邮件团队本月就能照这个路径改第一波活动。先量出自己团队每周省了几小时，有基准再谈加预算，别拍脑袋。

🔗 深入阅读：查看完整文章

跨境电商的四道 AI 解法，两道今天就便宜可做

WarpDriven（跨境 ERP 服务商）的博客把跨境电商的痛点拆成四道题。语言文化本地化：多语言聊天 bot 带来 15% 到 30% 的转化提升，购物车放弃率降 17%，另有统计称隐藏费用导致约 60% 的购物车被放弃，买家在结账时才发现运费和税费，直接走人。物流自动化：路线优化与库存预测两头开工，缺货和积压一起压，运营成本最多降 50%。合规风控：AI 自动报关与实时计税，欺诈损失降约 25%，误杀率降 50%，误杀那一半常常是老客户。剩下是个性化营销与售后。数字带着来源链接，但全文围着自家方案转，独立价值要打折扣看。

💬 跨境团队先做两件便宜的：上多语言 bot 吃那 15% 到 30% 的转化提升，再把运费和税费在购物车页写明，砍掉 60% 放弃率里最大的一块，这个改动一次开发长期有效。ERP 级改造放后面，先摘低处的果子，再谈物流和风控的重投入。

🔗 深入阅读：查看完整文章

💡 今日总览

今天 14 条消息，没有一条是炸场的新模型发布，读下来却是同一句话的 14 个说法：AI 在营销里已经从能写走到能上线，营销人的价值坐标正在从产出量挪到判断力。头条的 60 份 JD 给出了价格信号，AI 技能溢价 62%，而且 45 个岗位直接要求你交付 agent，位置名称却一个字没改。Kath Pay 那篇提醒的是硬币反面，产出更快救不了决策质量，判断节点上得留人，10 个没人要的版本不会因为生成快就有了主。ABM 圆桌的实践者已经想明白了，AI 干工作流和数据，省出的时间投回 1:1 人工。GEO 三条消息在讲同一件事的另一面：当 AI 成了流量入口，公开、可引用、有实体权威的内容才有可见性，藏表单后面的白皮书正在失效。两条平台横评合起来看，结论是别为挂着 AI 名头的规则自动化付溢价，六指标 scorecard 和价格档位都替你把底摸了，从每月 145 美元到每年 40 万美元，差的是三个数量级的团队形态。案例那几条再补一刀：Nutella 和 Michaels 的数字好看，前提都是人先把规则和素材喂清楚。今天最值的动作不花钱：把一个每周重复的流程写成机器可读的文本，这一步让所有问题现形，也是那条 62% 溢价的起点。