一、先分清三类 AI 用法
「AI 营销」这个词太宽，宽到没法判断值不值得投。拆成三类，判断就清楚了：
| 类型 | 做什么 | 出错代价 | 当前成熟度 |
|---|---|---|---|
| 生成（Generate） | 写文案、拟邮件、做摘要、出提纲 | 低，人能一眼看出不对 | 高，可放心用 |
| 判断（Judge） | 线索分级、意图识别、内容推荐、风险提示 | 中，错了会误导决策 | 中，需人工复核 |
| 执行（Act） | 自动触达、自动分配、自动报价、自动承诺 | 高，错了直接得罪客户或造成损失 | 低，需严格边界 |
绝大多数营销团队的实际收益，来自第一类与第二类；风险则集中在第三类。 所以一个务实的判断是：先把生成用透，把判断做成辅助，执行留给人。
但市面上大量宣传反着来——一上来就说「全自动获客」「AI 自动跟单」。 这类方案在演示里很漂亮，真跑起来，问题往往出在一句不该说的话上。
二、能干的五件事
| 场景 | 具体做什么 | 人的角色 | 效果 |
|---|---|---|---|
| 内容初稿 | 把产品资料、案例、政策要点转成文章初稿、邮件、社媒文案 | 定方向、改事实、定语气 | 写作时间降 50%–70%，质量取决于输入素材 |
| 线索摘要 | 把该客户的官网、公告、新闻、历史沟通记录汇总成一页 | 判断哪些信息重要 | 销售拜访前准备时间从 1 小时降到 10 分钟 |
| 跟进提醒 | 根据商机阶段与最后接触时间，提示该跟进谁、用什么理由 | 决定要不要跟、怎么跟 | 减少「晾着的商机」 |
| 会议纪要 | 录音转写 + 提取决策人、需求、异议、下一步 | 核对关键结论 | 纪要整理时间几乎归零 |
| 意图识别 | 从咨询文本判断客户处于什么阶段、关心什么 | 复核高价值线索 | 线索分层更细 |
这五件事有一个共同点：AI 的输出是给人用的中间产物，不是直接对外的最终结果。 一旦跨过这条线（直接发给客户），风险立刻上升一个量级。
三、不能干的三类事
不是技术上做不到，是错了之后无法挽回。
| 不能交给 AI 的 | 为什么 | 替代做法 |
|---|---|---|
| 定价与商务承诺 | 价格、折扣、交付周期涉及合同责任，说错就是法律风险 | AI 只准备话术与依据，价格由人确认 |
| 合规敏感表述 | 涉及资质、认证、案例引用、数据引用，说错可能构成虚假宣传 | AI 生成后必须人工核事实与出处 |
| 客户分级的最终判断 | 大客户的战略价值、关系背景、政治因素，数据里没有 | AI 给建议分，人做最终判定 |
| 危机与投诉回应 | 情绪、责任、赔偿，任何模板化回应都会激化 | 人主导，AI 只做资料整理 |
四、验收标准：不是「像人」，是「可核对」
评估一个 AI 营销功能，最容易掉进的坑是「感觉挺像那么回事」。 这类评价没法量化，也没法追责。真正该看的指标是四个：
| 指标 | 怎么测 | 及格线（参考） |
|---|---|---|
| 事实准确率 | 随机抽 50 条输出，人工核对事实性陈述 | ≥ 95%，且错误类型集中在非关键信息 |
| 可溯源率 | 输出中的事实是否能指到知识库或原文 | ≥ 90% 的关键结论有出处 |
| 人工修改率 | 统计输出被采纳前的修改比例 | 从 60% 降到 25% 以下算跑顺 |
| 单次处理成本 | 调用成本 + 人工复核时间折算 | 低于人工直接处理的成本 |
这四个指标里，「可溯源」是最容易被忽略、也最重要的一条。 一个说不清依据的结论，在 B2B 场景里等于零——销售不敢用，用了也不敢对客户说。
五、幻觉的边界：靠知识库，不靠提示词
减少胡编乱造，靠的不是把提示词写得更严厉，而是让模型只能从给定材料里回答。 工程上的做法是检索增强（把相关资料先检索出来，再让模型基于资料作答），业务上的做法更简单：
| 做法 | 效果 | 成本 |
|---|---|---|
| 限定资料来源 | 只允许引用产品手册、案例库、政策原文，超出范围就回答「不确定」 | 需要整理一套可信资料 |
| 要求给出处 | 每条结论后标注来源文件与章节 | 模型能力要求略高 |
| 关键结论人工复核 | 涉及数字、承诺、资质的内容强制复核 | 增加一道工序 |
| 保留原文链接 | 输出里带可点击的原文位置 | 需要文档结构化 |
一个实用的经验：只要资料质量够，AI 在「有明确答案的问题」上表现很好；在「需要判断和取舍的问题」上， 它的输出通常看起来合理但没有价值。所以真正要投的不是模型，是资料库的结构化程度。
六、人机分工表
把上面几节合成一张表，可以直接贴到团队的工作规范里：
| 环节 | AI 做 | 人做 | 交接方式 |
|---|---|---|---|
| 线索初筛 | 按规则打分、标注可疑项 | 确认无效判定、处理高价值线索 | 系统标注 + 人工复核 |
| 首次触达 | 起草邮件/话术、准备客户背景 | 发送、通话、判断语气 | 草稿 + 人工发出 |
| 需求沟通 | 记录、转写、提取要点与异议 | 提问、判断真实需求 | 纪要 + 人工确认 |
| 方案与报价 | 整理素材、生成初稿框架 | 定价、承诺、最终版本 | 框架 + 人工定稿 |
| 跟进维护 | 提醒、生成跟进理由 | 决定频率与方式 | 提醒 + 人工执行 |
| 复盘 | 汇总数据、生成对比 | 判断原因、定改进 | 报表 + 人工结论 |
七、从哪一个小场景开始
不要一上来做「AI 营销中台」。选一个满足三个条件的小场景：高频、低风险、有明确验收标准。
| 候选场景 | 频率 | 风险 | 验收 | 推荐度 |
|---|---|---|---|---|
| 销售拜访前的客户背景摘要 | 高（每天） | 低（内部使用） | 准备时间、信息完整度 | ★★★★★ |
| 会议纪要与待办提取 | 高 | 低 | 准确率、节省时间 | ★★★★★ |
| 内容初稿生成 | 中 | 低（需人审） | 初稿采纳率 | ★★★★ |
| 线索意图识别 | 高 | 中（影响分层） | 与人工判断一致率 | ★★★ |
| 自动外呼与跟进 | 高 | 高（对外） | 客户投诉率、转化率 | ★★ |
| 自动报价 | 低 | 极高 | 差错率必须为 0 | ★ |
先做前两个，两周内就能看到效果，而且几乎不会出事。等团队建立起「AI 给的初稿我会改」的习惯之后， 再往判断类场景推——这时候阻力小得多，因为大家已经知道它能省多少事、会在哪里出错。
最后一句：AI 在营销里最大的价值，不是替人做决定，是把人从「整理信息」里解放出来，去做判断和关系。 B2B 政企市场的成交，靠的仍然是人对人的理解；AI 让销售在见面之前，已经把对方的事弄清楚了。
说明：本文按公开政策口径整理，用于理解 B2B 营销运营的通行做法，不构成经营建议。具体口径以申报当期有效的法规、公告及主管税务机关的执行要求为准。
想试 AI，但不确定从哪开始？
从一个两周能验证的小场景开始：销售拜访前的客户摘要。我们可以先用你们的真实客户跑十条看看。
关于 AI 营销，你可能想问
- AI 写的营销文案能直接用吗？
- 内部资料、初稿、提纲可以直接用；对外发布的必须人工核事实与表述。特别是涉及资质、案例、数据、承诺的内容，一旦有误可能构成虚假宣传。
- AI 能替代销售吗？
- 在 B2B 政企市场不能。销售的核心是判断需求、处理异议、建立信任，这些依赖对人的理解与关系。AI 能替代的是资料整理、记录、提醒这些周边工作。
- 怎么防止 AI 编造政策条款或案例？
- 限定资料来源 + 要求标注出处 + 关键结论人工复核。技术上用检索增强，业务上建立可信资料库；只靠提示词约束，效果有限。
- 投入大概多少？
- 从一个小场景起步，通常几万元级别（模型调用 + 少量开发）就能跑起来；做平台级方案则是另一个量级。建议先算清「节省的人力时间」值多少钱，再决定投多少。
- 客户数据能喂给 AI 吗？
- 要看数据敏感度与合规要求。客户个人信息、合同金额等敏感数据，原则上应先脱敏，并确认所用服务的数据使用条款。这属于合规问题，不只是技术问题。
- 效果怎么衡量？
- 看三个：人工修改率是否下降、单次处理时间是否下降、相关环节的转化率是否提升。前两个一个月内可见，第三个要等一个完整销售周期。