生成式 AI 进了营销部：效率是真的，坑也是真的

前几天，跟一个做市场总监的朋友喝咖啡。

他说，团队现在离 AI 已经不会干活了。文案是 AI 起草的，图片是 AI 生成的，从 Google、Meta 到 LinkedIn 的投放素材一天出几十条，连周报都是 AI 先打个底。

我说，好。那我问你一个问题：你们立过规矩吗？

他愣住了。愣了大概五秒，反问我：规矩？写个提示词模板算吗？

你看，这就是我最近到处看到的状态。大家的手，已经伸进 AI 里了。大家的脑子，还没跟上。

什么叫生成式 AI 在营销里？就是让模型帮你写文案、画素材、总结调研、设计投放测试、回客服的话。这些事，前两年大家当新鲜玩具试，现在已经是营销部的日常基础设施。

问题是，基础设施是要有安全规范的。而多数团队，还没装。

大家到底用到什么程度了？

先看钱。2024 年，营销场景里的生成式 AI 市场，规模大约 15.6 亿美元。有机构预测，到 2033 年能做到 220 亿美元上下，折算下来年增速 35% 左右。更广义的生成式 AI 市场，有预测说 2030 年全球超过 3500 亿美元。

这些数字，你当方向看就行。各家分析师的口径差得很远，别拿去写进商业计划书。

再看人。多份行业调查指向同一件事：一半以上的营销人，已经在用、或者正在测生成式 AI。美国那边，大约 58% 的营销人已经把它揉进了日常工作。要是把辅助类的活都算上，写、算、做计划，有报告说渗透率超过 90%。

天呐。

但下一行数据，立刻把温度拉了回去。

只有大约三分之一的组织，有正式的生成式 AI 政策。

这个落差，才是我今天最想跟你聊的。营销这个部门太特殊了：它对外说话，它碰客户数据，它写出去的每句话都可能变成广告宣称。一个没人看过的 AI 输出，几分钟之内，就能变成一句产品功效、一封群发邮件、一个客服回答，甚至一条定向策略。

对外、碰数据、动宣称。这三样叠在一起，没规矩，等于裸奔。

能赚钱的地方，我数了数，四个

先说省时间。

麦肯锡估算过，生成式 AI 能提升的营销生产力，相当于总营销支出的 5% 到 15%。不少营销人自己的预期，是每周省 5 个小时左右。

5 个小时，一周。一年下来，两百多个小时。

两百个小时能干什么？能多做几十场用户访谈，能认真打磨一次定位，能把手头的数据真正看明白。省出来的时间，最值钱的用法是拿去做判断，不是拿去多开三个会。

再说试错变便宜。

生成十个标题，成本接近零。所以你能测更多的标题、更多的话术结构、更多的落地页版本。

但这里有个坑，我管它叫测试噪音。什么叫测试噪音？就是变体是 AI 一口气生成的，背后根本没有假设。动手之前，你得先回答一个问题：对第一次下单的新客，讲「帮你避坑」的文案，能不能打过直接打折的？这才是测试。十个随机生成的标题，不叫测试，叫瞎忙。

第三个，个性化终于能规模化。

AI 可以根据行为数据、交易数据、场景数据，把文案、优惠、内容块按人群分别生成。以前给一千个人手写一千个版本，做不到。现在做得到。

有个案例我一直记得。Michaels，美国那家做手工用品的连锁零售商，用 AI 支持的个性化，把个性化邮件的占比从 20% 拉到了 95%。邮件点击率涨了 25%，短信涨了 41%。

25%、41%。这个数字拿去汇报，老板的眼睛会亮。

不过，凡事总有反面。个性化的另一头，拴着两个字：瘆人。你懂的太多了，顾客会怕。消息「聪明」到像偷看过他的聊天记录，你涨的那点点击率，会变成他删掉的信任。

第四个，分析不再只有分析师能做。

不会 SQL 的营销人，现在也能让 AI 把问卷开放题归个类，把流量趋势翻成人话。数据素养的要求一点没降，它只是把整个团队的地板抬高了。以前每家都养着一两个「数据翻译」，现在人人都能凑合着问两句。

然后是坑。五个

头一个，幻觉。

模型会一本正经地说错话。在别的部门，这是个笑话。在营销部，这是事故。编出来的东西，会直接变成产品宣称、价格承诺、合规问题，当众社死。

有分析估算过，AI 幻觉给全球商业造成的损失，以百亿美元计。各家算法差得远，数字当参考。但教训是扎实的：没人检查的输出，最贵。

所以给你一条铁律。凡是统计数字、承诺、对比、监管相关的话，发出去之前，必须对着已批准的资料来源核实一遍。没有例外。

第二个，偏见。

生成图片，默认的审美和人群经常很窄；生成文案，碰到族裔、性别、收入、年龄这类话题，语气可能悄悄跑偏。伤了顾客，也给自己惹官司。定期把输出翻出来，换着人群、渠道、客群看一看，别等外面的人替你做审计。

第三个，隐私。

别把原始客户记录、健康信息、保密报价，贴进公共 AI 工具。就这么简单。哪些数据能进提示词、哪些工具被批准、数据怎么存，先跟隐私团队聊清楚，再让 AI 接 CRM 和自动化系统。顺序别反。

第四个，版权。

别让 AI 模仿在世艺术家的画风，别碰竞品和受保护的品牌资产。重要 campaign 的素材，提示词、来源、审批记录，都留档。将来出了事，这些就是你的一辩。

第五个，品牌稀释。这个坑最隐形。

AI 默认的语气，是一种廉价的热情：什么都好，什么都很激动，结构千篇一律。提示词库能救一部分，但提示词不等于治理。

给你讲个真实的测试。一个团队让 AI 批量生成投放变体，产出量确实上去了。跑完发现，每条广告都押在同一个利益点上，预算悄悄烧完，增量没多少。创意多，不等于有效。 假设弱，创意越多，钱烧得越快。

那怎么开始？

我的建议：别想一步到位，也别观望。

选一个高价值、低风险的工作流。邮件标题测试、客户评论总结，都是好起点，内部的投放复盘报告也算一个。选一个，先记录基线，跑一个固定周期，用真实指标对比：转化率、获客成本、ROAS、LTV、留存。算的时候，跟 GA4、HubSpot、Salesforce 或者你自己数仓里的真实数据对账。虚荣指标不算数。

跑完，把规则写下来，再放量。规则不用长，几条就够：

1. 哪些用例批准用 AI，哪些不能。低风险的起草和高风险的客户决策，分开。
2. 什么数据能进 AI，什么不能。
3. 数字、法务用语、定向、敏感内容，必须人工过审。
4. 定期审计输出，看有没有偏见。
5. 顺手训练团队：怎么写提示词，怎么批判性地看输出。

这几条不值钱。值钱的是你真去执行。

工具这一层，也不用焦虑。往后几年，生成式 AI 会更深地长进 CRM、营销自动化、分析和创意平台里，多模态是标配，监管也会跟上透明、公平、内容真实性这几条。平台会把这些能力端到你面前。你抢跑不了，也不用抢跑。

最后

那天咖啡桌上没说完的话，我写在这儿。

问题从来不是「要不要用生成式 AI」。用的是明牌。问题是，你打算先立规矩，还是先出一次事故。

工具订阅费很便宜。事故很贵。

祝你，永远不用后者来学会前者。