81%的人用AI做营销，为什么只有41%算得清账？

前几天，一位做SaaS的朋友约我喝茶。

刚坐下，他就掏出手机，给我看他们公司的AI工具清单。文案生成、素材设计、智能外呼、数据看板，一屏都翻不完。

“工具我们全买了。”他说，“可上个月老板问我，AI到底帮公司多赚了多少钱，我张了张嘴，没答上来。”

我笑了笑。这事儿，真不能怪他。

因为我最近把九个AI营销的真实案例翻了个底朝天，从月预算300美元的小团队，到Snowflake这个体量的巨头，从大赚到翻车的都看了。看完发现一个规律，今天讲给你听。

一组很拧巴的数字

先看两组数。

第一组：今年春季G2的报告说，81%的B2B营销人已经在用生成式AI了，一年前还是72%。AI广告投放的花费，一年涨了63%。Gartner预计，到今年年底，40%的企业应用会装上任务型AI代理。去年，这个比例还不到5%。

烈火烹油，对吧？

再看第二组：能拿出一套像样数据、证明AI真赚到钱的营销人，比例从差不多50%，跌到了41%。

奇怪吧。用的人更多了，算得清账的反而更少了。

为什么？

九个案例看完，我的答案是：差的不在工具，在配比。

什么叫配比？就是一场仗里，哪些活交给机器，哪些决策留给人。这事儿想明白了，账就算得清；想不明白，要么在烧钱，要么已经翻车。

我给你分三组讲。

第一组：小预算的两场擂台

先讲个舍得下注的。

Nailed It，一家做消费级美妆的AI公司。创始人Alex Jin想验证一件事：AI驱动的营销代理，到底打不打得过传统代理商。

他的做法很硬核。不二选一，两套同时跑，真金白银，同场对打。洛杉矶、西雅图两座城市，AI系统一边测创意，一边实时挪预算。

三个月，结果出来了。

4000多个线索，328次加购，点击率2.91%。什么概念？大概是行业平均水平的3.2倍。单次点击成本，2毛4美元。

还有一份数据很有意思：洛杉矶用户的活跃度，是西雅图的2.3倍。Jin看到这个数，干脆把资源整个压向洛杉矶，连公司的地域战略都跟着改了。

这场对打，AI这边赢了。

但你拆开看，赢在哪儿？创意测试、预算腾挪，机器干的速度，人类团队想都别想。可“用对打来验证”这个实验设计，和“看到数据就压注洛杉矶”这个决定，都是人做的。

人定实验，机器跑量，人再拍板。

如果说Nailed It是舍得下注，那第二家，穷出了境界。

Cora，一个数字健康平台，联合创始人叫Jay Agarwal。他们全部的月度广告预算，是300美元。

300美元什么概念？很多公司一顿团建饭都不止这个数。

就靠这300美元，他们用AI生成UGC风格的素材，从Apollo上挑了1000条高意向线索做再触达，在Meta上精打细算地投。

点击率峰值冲到13.19%，单月拿回435个有效点击。

最妙的是一处改动。原来落地页让访客“预约演示”，门槛太高，访客扭头就走。后来换成更轻的入口，转化立马顺了。

这个判断是谁做的？人。创始人的行业直觉知道，医疗行业的买家不喜欢被“约”。AI干了什么？把证据一条条摆上桌，让这个判断敢被拍板。

很多人跟我说，预算太小，玩不了AI营销。

恰恰说反了。钱越少，越容不得浪费。而“不浪费”这件事，正是机器最擅长的。

第二组：大公司的两把刀

小公司用AI是求活，大公司用AI是求准。

Snowflake，就是那个云数据平台。他们的大客户营销（ABM）本来就做得不小，几千个企业账户在里面跑。但有个问题一直没解决：钱撒出去，会议进不来。

为什么？传统的账户筛选，看的是“这家公司像不像我们的客户”。像，不等于最近会开口。

Snowflake用自家的Cortex AI建了个模型，就干一件事：预测哪些账户最近真的会约会议。模型里还叠了6sense和Bombora两家的意图信号。

结果，高潜力账户的会议预订量翻到2.3倍；同样的活跃度，总花费省了38%。

他们还顺手做了个对照：AI写的广告文案，对上人写的文案。AI赢了，点击率高54%。

天呐，文案都要被机器卷没了？

先别慌。Snowflake的ABM团队干了什么？模型喂哪些信号、哪些账户值得一对一伺候、哪些走程序化投放，全是人定的。机器是刀，人是握刀的手。

那省下来的38%，是打得更准省出来的。AI是排序器，不是战略家。

第二把刀，就藏在自家抽屉里。

Jedox，一家做财务规划软件的B2B公司，HubSpot用了好多年。但HubSpot里那套AI分群和个性化功能，从来没打开过。

打开之后呢？市场认可线索涨了54%，销售周期缩短12%到20%。

没买任何新东西。就把自己家现成的功能，开了。

这是我反复跟朋友讲的：**买新工具之前，先盘家底。**你家CRM里，大概率睡着一堆没人点开过的AI功能。它们不要钱，就等你回头。

第三组：两个人的军队

再说两个把“精简”做到极致的。

Enrich Labs记录过一个客户：一家B2B分析平台，年收入210万美元，整个市场部编制两人。创始人，加一个市场经理。

这两人的日常是什么样？80%的时间在干活：写文章、发邮件、排帖子。想战略的时间，只剩20%。

这个比例，是反的。

你想想看，一篇文章发出去，执行就结束了，产出停在那儿。战略不一样，战略会复利：方向对了，后面每一份执行都在放大。

上了AI代理之后，写内容、搭邮件序列、排社媒日程，机器全包。90天，SEO文章从0写到18篇，头3篇就冲进了搜索结果前10。AI搭的新手引导流程，试用转付费做到6.2%。

每篇内容，市场经理仍然逐篇过目、修改、拍板。机器负责量，人负责质。

两个人的时间分配，正好倒了过来：20%执行，80%战略。

所以这个案例最值钱的收获，是时间的再分配。AI营销最大的回报，是把人的时间从执行里赎回来，押到战略上去。

另一个极简团队，走的是外呼这条路。

一家做收入情报的B2B平台，想放量做陌生开发。可人类SDR这个岗位，招人贵，上手还要3到4个月。

他们的方案是混合制。AI SDR管名单、管第一次触达、管约会议，一个代理一个月最多能摸到8000个潜客；凡是高意向的回复、绕弯子的异议，人立刻接手。

获客成本，降了35%到40%。

注意，省钱靠的是分工。机器开门，人谈事。

一个特例：有的活，真可以全交给AI

讲到这里，你可能会问：是不是所有环节，都得有人盯着？

有一个例外。

Phrasee，专门做邮件文案优化：标题、摘要、行动按钮的文字。机器生成海量版本，实际发送、实测效果，再从几百万封邮件里学习迭代。点击率提升38%。

为什么这里几乎不需要人？

因为这个问题被关进笼子了。任务窄，就优化几行字；反馈快，发出去几小时就知道好坏；度量清楚，点击率明明白白。品牌底线由人划好，笼子里面，机器随便跳。

把镜头拉远一点，规律就出来了：任务越窄、反馈越快，AI越不需要人；任务越宽、判断越重，人越不能走开。

顺便提醒一句：邮件这块，AI优化在触发类、行为类邮件上收益最大。别上来就拿群发活动练手。

一个新战场：让AI点名你

还有一个变化，很多公司没反应过来。

以前企业买家找供应商，先开搜索引擎。现在，84%的企业买家会先问AI。一年前，这个数字才24%。

而ChatGPT、Perplexity、Google AI Overviews这些平台，不给你排名，直接给答案、给引用。你的品牌没被它点到名，你就等于不存在。

这事儿有个名字，叫GEO。什么叫GEO？就是想尽办法，让AI在回答买家问题时，引用到你。

Grow & Convert操盘过一个B2B SaaS客户的GEO项目。打法是：用Traqer.ai盯着自家品牌在各家AI答案里被引用的情况，然后专攻购买意图最强的那些词。

结果，目标话题在三大AI平台的回答里都进了前5，被引用次数压过其他所有来源。购买意图词的转化率，是普通低意图词的10倍到25倍。

这里的关键，反直觉：**AI引用的，永远是在那个具体问题上最权威的那一篇。**拼产量没用。哪篇最权威、该写什么，这个选题判断全是人做的，按购买意图选，不按搜索流量选。

一个反面教材：7000万美元买来的教训

正面的讲完了。讲一个翻车的，更值钱。

11x，一家AI外呼公司，融资超过7000万美元，投它的有Andreessen Horowitz、Benchmark这种顶级机构。

它的口号很性感：全自主。彻底不要人类销售开发，机器自己找客户、自己发消息、自己约会议。

后来呢？

先是被曝出，给外界看的客户logo列表里，有压根没合作过的公司。然后是客户流失率，高达70%到80%。

踩过这个坑的从业者说得更直白：没人管教的AI外呼，本质上是昂贵的群发骚扰。

最有说服力的，是一场90天的对照实验。纯AI外呼，订了847个会议，商机转化率11%；人机混合，订了312个会议，转化率38%。

咱们算笔账。847乘11%，约93个商机。312乘38%，约119个商机。混合那边，会议数量少了63%，收入反而是纯AI的2.3倍。

多打535个会，还少赚了。

量，不等于管道。

下次再有人跟你说“AI可以完全替代人的判断”，你把这个实验甩给他。

九个案例拼出来的三条规律

把九个案例放在一起看，有三条规律反复出现。

第一条：赢的队伍，全是混编。

Snowflake有ABM团队定模型输入，Cora有创始人拍板CTA，Enrich Labs那个客户有市场经理逐篇改稿。而翻车的11x，翻就翻在把人从队伍里彻底拆了出去。

第二条：约束越清楚，AI越强。

300美元的预算，逼出了13%的点击率；两个人的编制，逼出了90天18篇文章。好成果都长在笼子里：预算有上限，品牌有护栏，战略有边界。你给AI划多大的笼子，它就有多稳的发挥。

第三条：三个陷阱，年年吃人。

今年早些时候的B2BMX大会上，台上有人抛出一个判断：95%的B2B外呼消息，将得不到任何回应。背后是三个陷阱。

1. 堆量陷阱：拿AI狂轰滥炸，不做筛选。11x是典型。
2. 意图陷阱：花钱买那些人人都在买的第三方意图数据。真正赢的Snowflake、Cora们，都在自建一方信号回路。
3. 战略陷阱：AI拼命产出内容、广告、邮件，却没人问一句，底层战略到底对不对。

那到底怎么开始？

道理讲完了，给你一条能落地的路。

**第一步，先做诊断，别急着买工具。**把现在的营销动作和产出对一遍账，看看人的时间都耗在哪儿了。别忘了Jedox，先开自家现成的功能，再谈花钱。

**第二步，按职能定配比。**邮件文案，机器80%、人20%；大客户营销，对半开；GEO内容，机器30%、人70%；外呼开发，机器40%、人60%。你的业务未必一模一样，但这个量级感，值得抄。

**第三步，按周迭代，别按季度开会。**Nailed It实时在两座城市之间挪预算，Cora每周盯着数据改入口。这批赢家共同的打法就一个字：快。先跑起来，再修正。

**第四步，先验证，再放大。**像Nailed It那样跑对照实验，用收入指标衡量，别用曝光量自我安慰。哪个渠道被验证了，钱再跟过去。

配套再嘱咐四件小事：查一遍CRM里没开的AI功能；把自己产品的一方数据接进广告平台；给AI外呼限流，退信率压在2%以下、投诉率压在0.3%以下；早点上一个GEO追踪工具。

这些事都不难。难的是先想清楚，谁干什么。

回到那杯茶

那天喝茶快结束的时候，我跟朋友说：

“你不缺工具。你缺的是一张边界图，人和机器，谁管哪段，画清楚。”

工具是买来的，边界是画出来的。

对了，这笔账本身也划算。McKinsey的研究说，AI销售工具能让线索最多涨50%、成本降60%。HBR的数据说，用AI做线索评分，线索到成交的转化率涨51%。而行业里普遍的行情是：中端B2B SaaS每赚到1美元的新增年收入，要花掉2美元。任何能改善这个比率的动作，都是在直接给你还钱。

AI负责快，人负责对。快，机器能给你；对，只能自己长出来。

祝你，早日成为那算得清账的41%。