从"人驱动"到"Agent驱动"，营销决策权正在悄悄转移

1

一个被忽略的事实

私域做了这么多年，"数据驱动"可能只是一种幻觉。

这句话听起来刺耳，但如果你去问任何一个在一线操盘私域运营的人，他大概率会沉默几秒，然后承认：日常做营销决策的时候，真正靠数据模型驱动的比例，远比行业PPT里写的低得多。

过去几年，中国企业在营销数字化基建上投入了大量资源。CDP搭了，标签打了，MA自动化也跑起来了，但大多数时候，营销活动的策略还是从运营团队的Excel里来，从上一次大促的复盘会议里来，从主管的经验判断里来。

所以营销数字化难道是伪命题吗？

上周，我们在采访腾讯企点营销云产品总经理曾炜时，得到了一个很坦诚的解释：私域的数据远没有大家想象的那么完整。在一个品牌的千万级会员池中，真正有相对完整行为数据的用户，只有一到两成，剩下八到九成用户的数据极度稀缺，可能你只知道他注册过、买过一次，仅此而已。在这种数据条件下，传统的机器学习模型很难真正发挥作用。

更麻烦的是，营销是一件长周期的事情。你今天制定的策略，下周就可能因为天气变化、竞品动作、平台规则调整而失效。在这种外部环境不断扰动的情况下，靠"历史数据→建模→预测"的经典决策路径，效果大打折扣。

这就是为什么，在私域营销的实际操作中，规则和经验驱动仍然大于数据驱动。运营人员凭经验定策略，用低代码工具配规则，手动或半自动地执行触达，再根据反馈人工调整。CDP和MA提供了效率工具，但决策权始终在人手里。

这套模式的天花板是什么？是人。一个优秀的运营可以把策略做得很精细，但他一天的时间是有限的；他的经验无法完整传递给团队的新人；他制定的两三百种SOP，无法随外部环境的变化自动迭代。

如果瓶颈在人，那 AI Agent能否改变这个格局？

2026年3月，腾讯企点营销云在腾讯云上海城市峰会上正式发布了MAGIC Agent 2.0。这不是一次常规的产品迭代，而是一次对"谁来做营销决策"这个根本问题的重新回答。

2

从"人+工具"到"Agent+人"：到底变了什么？

零售行业有一个著名的发现：啤酒和尿布放在一起，销量会上升。这是统计学的结果——数据可以告诉你相关性，但没法告诉你为什么。如果你去看标签体系，啤酒的标签是"快消品/酒饮"，尿布的标签是"母婴/婴儿用品"，两者之间没有任何语义关联。传统的推荐模型也是如此，只能展示"买了A的人也买了B"，却无法解释原因。

如今，大模型改变了这件事的逻辑。它可以通过语义推理找到那个隐藏的连接点，"新手爸爸"——一个被老婆派去买尿布的男性，顺手犒赏自己，买了一瓶啤酒。"爸爸"这个语义同时关联了"尿布"和"啤酒"，这种推理在传统标签体系中几乎不可能实现。

这个例子说明的不是一个技巧，而是一种范式的转移：标签是人类简化世界的方式，但世界本身不是标签化的。当AI开始具备语义理解和推理能力，它处理数据的方式就从"匹配规则"变成了"理解语境"——这是MAGIC Agent 2.0底层逻辑变化的起点。

具体到产品层面，MAGIC Agent 2.0推动了三项关键的改变：

第一，让机会主动涌现，而不是等人去挖。

MAGIC Agent 2.0在CDP底座之上增加了一层AI感知层。Agent可以自主读取人、货、场三类数据，同时感知外部信号，比如天气、节日、消费趋势、竞争动态，然后自动挖掘增长机会，生成人群分层和策略建议。运营人员的角色从"我去找机会"变成了"Agent把机会推到我面前，我来判断和确认"，大大降低了对个人能力的依赖，且大大提升了响应速度。

第二，让经验变成系统的一部分，而不是锁在人脑里。

我们观察到，很多深耕运营的企业，团队里积累了大量Excel格式的SOP（例如，什么日子做什么活动、不同会员等级匹配什么权益、首购用户怎么跟进、流失用户怎么召回），有的企业积累了五到十年，执行策略多达两三百种。这些经验极其宝贵，但问题是它们是静态的、散落的，新人很难完整继承，AI更无法直接理解。

MAGIC Agent 2.0引入了策略库和skills体系。企业可以将历史积累的Excel策略导入系统，AI对其进行结构化解构，形成策略图谱，让Agent在执行任务时可以精准加载匹配的策略。这带来的变革是颠覆性的，它让优秀员工的经验不再只属于个体，企业开始把人脑中的经验转化为组织级的AI资产。

第三，从单点辅助到自主闭环。

当下，虽然将AI能力运用进营销流程中已经不再稀奇，但很多时候都只还停留在局部提效，比如，帮你写文案、帮你做数据分析等等。

MAGIC Agent 2.0的突破在于，从目标设定→人群圈选→活动编排→内容生成→效果复盘，这五个环节已经可以由Agent自主串联执行。运营人员不再需要在每个环节手动操作，而只在关键节点做确认和约束，类似于自动驾驶中人类司机的角色。

曾炜坦言，这还不是终点，他心目中的"大闭环"是：复盘的结果自动反馈到前端的数据挖掘和策略编排中，形成一个自主进化的循环，届时才是真正的全自动驾驶。

3

老乡鸡：从"数据负担"到精准触达月GMV十倍增长

理论讲得再漂亮，也需要在真实的商业环境中验证。老乡鸡和腾讯企点营销云的合作，提供了一个值得拆解的样本。

最直观的成果是：老乡鸡精准触达从最初的不到300万/月，增长到了接近3000万/月，实现了10倍的跃升。

我们在调研的过程中看到，比起增长数据更有价值的是，老乡鸡的AI数字化营销探索过程，暴露了传统企业做数字化时最真实的困境和抉择。

3.1 如何让数据从"负担"变成"资产"？

老乡鸡的核心定位是四个字：日常快餐。这意味着高频、刚需、低客单价、强复购依赖。一个习惯性用户每周可能来一到两次、每月六次以上。在这种商业模型下，会员运营不是锦上添花，而是核心增长引擎，也就是说，你需要让已有的用户持续回来，这比拉新更重要。

数字化路径因此非常清晰：全域拉新→私域沉淀→复购转化→裂变增长。从美团、抖音、大众点评等公域平台引流，到小程序、企微等私域阵地沉淀，最终通过精准运营驱动复购。短短几年，老乡鸡沉淀了3000多万会员。

但老乡鸡有一个很清醒的认知：几千万的数据如果只是在CDP里面，不是数据资产，反而是数据负担。最好的状态不是大屏概览，而是能记住每个消费者的核心偏好，在他最需要的时候提供精准服务。

把数据从"负担"变成"资产"，正是老乡鸡与企点营销云合作要解决的核心问题。

老乡鸡和腾讯的合作经历了一个循序渐进的过程。2023年，腾讯智慧零售团队做示例诊断、理清方向，随后落地拉新策略，五个月实现37%增量。2024年，双方做用户提频和菜单升级。

直到2025年，老乡鸡决定将底层系统整体切换到企点营销云。数据清洗、治理、双系统并行运转等高风险操作。企点团队派驻了多位工程师协同作战，搭建100多张CDP看板监控切换风险。

历时一年的大胆尝试，让老乡鸡的精准触达月实收GMV翻了十倍。

3.2 精细化运营里的"反直觉发现"

十倍增长不是靠一个大招，而是靠无数细节累积。

曾炜在采访中透露了一个有意思的实验：老乡鸡尝试用朋友圈广告做私域会员触达。传统认知中，朋友圈广告是公域投放工具，不是触达已有会员的。但AB测试发现，虽然朋友圈只能触达60%多的会员（短信触达95%），转化到下单的成本却明显更低。背后的逻辑是，对已有会员来说，图文并茂的信息流比一条干巴巴的短信更自然，且品牌认知已经建立，不需要从0建立信任。

老乡鸡1800 多家门店分布在写字楼旁、社区边、商场内，老乡鸡结合商圈特点做更细颗粒度的分组运营。精细化看似简单，但每多拆一层，服务匹配度和门店效率就会提升一截。

对此，他们还在陆续探索AI干饭报告、AI点餐、AI巡检、智能排班等场景。

4

2026年会是AI Agent的红利期吗？

MAGIC Agent 2.0发布当天，企点营销云商业化负责人喻帅透露了一个细节：发布会刚结束，团队就收到大量客户要求接入的需求。从MAGIC 1.0发布至今，企点营销云约90%的成单都包含了AI能力，AI已经从可选项变成了标配。

这个信号值得关注。它意味着对于头部企业来说，"要不要用AI做营销"这个问题已经有确切的答案了，真正的问题变成了"怎么用、谁先用好"。

喻帅对此有一个很直接的判断：任何新技术到来时，第一批吃螃蟹的人短期内一定有红利，不管技术是否完全成熟，总比上一代有提升。与此同时，大洗牌也是残酷的，有些没能跟上变革的企业很可能就下桌了。

值得一提的是，企点营销云也在同步拓展全球化布局。此次峰会上同步亮相的企点营销云海外版，面向东南亚、港澳等市场，原生集成了WhatsApp、Line等本地社交触点，支持多时区多语言调度和区域化数据合规部署，为中国品牌出海提供从CDP到智能触达的一站式营销基建。

但回到根本，无论国内还是海外，有一条规律没有改变：数字化基建是上一个周期的必修课，AI Agent化是这个周期的必修课。两者不是替代关系，而是顺承关系，没有前者，后者无从落地。

老乡鸡走过的路恰好印证了这一点：先梳理渠道、对齐组织、治理数据、切换系统，打好地基之后，AI才有用武之地。那些期待跳过基建、直接用AI实现弯道超车的企业，可能需要重新审视自己的起跑姿势。

- 我们是谁 -

我们是增长黑盒Growthbox，一家研究型商业媒体。

我们深耕消费零售与科技领域，以数据洞察与商业研究为核心驱动力，构建专业的内容与知识体系。秉承严谨的“科学家精神”，我们通过深度研究、实验验证和趋势监测，为头部品牌及科技企业提供前瞻的增长策略与数字化解决方案。

作为领先的专业媒体机构，我们独立产出深度报告、行业白皮书及高影响力内容（近百个品牌监测、多篇10万+深度解读），持续为品牌高管、投资者及行业生态提供关键洞察，被众多权威媒体、券商及研究机构广泛引用。

「报告合集」||||||||

「深度案例」|||||||||||||||||||||||||

「增长研究」|||||||||