深演智能谢鹏：一方数据的价值，只有智能体才能真正挖透｜Morketing灵眸大赏2025

整理 | Chole

过去五年，不少品牌在数字化浪潮中大量投入，却陷入困境，功能繁复的系统堆出了技术底气，却没堆出实打实的增长动能。AI 智能体的出现，并非给这场 “竞赛” 添新装备，而是要改写规则：营销的核心不再是 “人学工具”，而是 “工具懂业务”。

To B 市场不容半点虚火，几十个亿的生意需要AI给出零幻觉的答案，更需要它把用户数据、交易反馈变成可复用的增长资产。从前端的用户沟通优化，到 GEO 重构搜索流量逻辑，再到智能体中台实现 “一次调优、全域生效”，本质都是让 AI 从 “概念” 落地为 “基建”。

但所有智能价值的释放，都始于扎实的数据。当 AI 已从 “工具” 变成 “业务伙伴”，品牌该如何避开试错的陷阱，让智能体真正承接起业务增长的重任？从 “尝鲜” 到 “深耕” 的关键一步，又该如何迈出？

这一困境正在被新一代的AI智能体所改变。其根本性区别在于交互方式的变革——从需要专业培训才能操作的图形界面，转向以自然语言对话为核心的人机协作模式。深演智能联合创始人谢鹏指出，这标志着营销技术从“需要被复杂操作的工具”，进化为“能够理解意图、自主执行并交付结果”的业务伙伴。

在第十届灵眸大赏Morketing Summit“智启”「AI驱动的中国营销增长引擎」专场上，Morketing邀请到了深演智能联合创始人兼首席运营官谢鹏带来《AI 智能体重构营销决策》主题分享。

以下为主题演讲实录，Morketing编辑整理：

智能体“五大挑战”

AI如今已是营销圈的顶流名词，而过去五年，绝大多数品牌都已完成用户数据治理、上线过各类营销管理系统。

大概2019年开始，全行业掀起数字化建设热潮，CDP、数据中台、营销自动化系统买了一堆。现在大家的后台或许都像飞机驾驶舱，按钮密密麻麻、功能号称全知全能，技术含量拉满，但作为品牌掌门人，你真的能靠这些系统让增长飞机顺利起飞吗？

而智能体与过去五年软件的本质区别就是：过去是人适应系统，现在是系统适配人。智能体的核心是自主决策、自主运行，你用自然语言抛出业务场景里的营销问题，它直接给出结果。价值可验证、落地可感知，和过去建了不用、用了没效果的软件时代彻底切割。

那么，智能体如何落地到业务场景？这其中有五个挑战：

第一是大模型的幻觉。To C 端或许能容忍 AI 的信息偏差，但 To B 品牌手握几十个亿、上千亿的生意，任何 “编造性回答” 都是不可接受的风险，零幻觉是智能体的底线要求；

第二是锯齿化智能。不同大模型的能力边界不是平滑曲线，而是 “锯齿状” 的：有的擅长图形生成，有的强于逻辑推理，怎么在对应场景匹配到合适的模型，是落地的关键卡点；

第三是评测标准的缺失。智能体的效果怎么衡量？目前行业还没有统一的评估体系，“好用不好用” 全凭主观感受，落地价值难验证；

第四是行业 “黑话” 和商业逻辑。就像在上海这个场地，我们沟通里全是专业术语、中英文夹杂的表达，智能体若读不懂 “品牌资产沉淀”“渠道 ROI 优化” 这些诉求，就谈不上适配业务；

第五是不稳定的结果。同一营销问题多次询问，智能体可能给出不同答案，但 To B 业务需要的是标准化、可复用的执行结果，这种不确定性会直接影响业务落地。

To B 营销智能体成功的三个要素

这五个挑战，正是深演智能过去十几年沉淀后，在今年2月推出营销智能体的核心出发点。我们用三次迭代（6 月、9 月接连发布升级版本）、服务数百个品牌的实践，总结出 To B 营销智能体的三大关键成功要素：

第一是专家知识直达。过去用软件，要IT人员教你功能在哪、架构怎么用，还要用底层语言挖数据；现在智能体的界面就是自然语言，最懂业务的营销人不用懂技术，就能直接提问、验证结果，让专业的人掌控专业的事。

第二是业务工作流拆解。AI 就像拍电影，工作流就是脚本。就像我们用深度思考模式时，AI不仅给答案，还会展示思考过程；营销智能体也一样，懂业务的人能把新品上市推广、用户生命周期运营这些任务，拆解成一步一步的执行流程，让 AI 跟着业务逻辑走，而不是凭空输出。

第三是一方数据私有化沉淀。公开知识解决不了我的品牌怎么打动我的用户，只有把品牌自己的用户数据、交易数据、营销数据喂给智能体，结合大模型的上下文记忆 + 小模型的精准匹配，才能产出针对性的解决方案。这也是我们大模型 + 小模型架构的核心，大模型负责推理决策，小模型聚焦一方数据的产品推荐、用户洞察，两者协同才能真正解决To B的实际问题。

而深演的独特优势，恰恰在于两点：一是基因，两位创始人都出身宝洁，懂营销比懂技术更重要；二是沉淀，过去十几年我们一直聚焦用户数据管理，手里握着 To B 营销智能体最核心的燃料，也就是一方数据的治理能力。

现在，我们的营销智能体已经覆盖营销全链路，且在三类行业落地最为成熟。汽车、美妆、泛零售行业需要面对海量用户开展重复性沟通，正是智能体的核心适用场景，能大幅降低人力成本、保证沟通标准统一。

在具体场景中，新品创新环节可快速生成数千个数字消费者画像，迭代效率与精准度远超传统调研；客服质检与洞察领域，针对美容顾问的话术合规性、汽车试乘试驾的用户反馈，智能体能实时抓取信息，生成考核试卷优化终端能力，同时反向赋能产品服务；节假日复购活动中，智能体的自主决策执行能力，彻底摆脱了传统系统的繁琐手动操作，实现全流程自动化。

更值得关注的是 AI 深水区的两大布局方向：

其一，GEO 生成式引擎优化。AI 搜索时代的核心变化，是用户需求从 “关键词检索” 转向 “场景化提问”，品牌要 “始终被看到”，不能再依赖传统 SEO 的关键词堆砌。GEO 的价值在于，通过生成式 AI 解读用户深层意图，结合品牌一方数据生成精准匹配的内容，让品牌在搜索结果中自然占据核心位置，这本质是智能体在流量入口的延伸应用，把 “被动等待搜索” 变成 “主动匹配需求”，为商业增长开辟新的精准流量来源。

其二，智能体中台建设。当品牌落地多个智能体后，最容易陷入 “重复维护、数据割裂” 的困境。而理想的智能体中台，应该实现 “一次投入、全域复用”：消费者每多一个订单，数据自动同步更新知识库；一次算法调优，覆盖所有关联智能体；同时能可视化管理不同智能体的生命周期，让高活跃、高价值的智能体聚焦资源，需要调整的智能体快速迭代。这才是 AI 落地的终极效率 —— 不是零散部署智能工具，而是构建可沉淀、可复用的智能营销生态。

这里必须强调一个落地前提：所有智能体的效果，都依赖扎实的数字化基建。内部用户数据若未整理完善，智能体便无从发挥价值，GEO 和智能体中台更无从谈起。数字化基建是第一步，也是关键一步。而深演本身就深耕营销数字化建设，即便品牌尚未完成这一功课，我们也能提供一体化解决方案，同步补齐数据治理与智能体落地的双重需求。

结语

最后给大家一个务实建议：不必神话智能体。确定性的结果，必然源于确定性的业务起点。选择一个具体的业务场景切入，因为智能体的核心是直接交付营销任务结果，且可被实时验证。从单一场景感受其价值，是品牌落地智能营销最简单、最可靠的路径。