来源：市场资讯
（来源：浪潮新消费）
在AI急风骤雨的这半年，现实存在巨大的认知偏差，包括：
某些机构为了推广自己所谓AI工具，比如工作流或者套壳软件，故意把AI往复杂化引导。
从提示词、智能体到矩阵到各种skill、各种自定义的AI工具，从而人为制造出使用门槛；部分自媒体博主也在有意无意强化这一点。
甲乙方逻辑不同，乙方更多交付策划、方案、资料包和素材，而甲方直接对业务最终结果负责，所以二者使用AI的侧重点不同。
但市面上大部分营销相关的AI课程，总是在教你拆爆文和做方案。
工种之间的信息传递，第一批AI高手基本是产研技术出身，本身和非技术工种之间的语言、表达就存在门槛，叠加AI工具的操作技巧，就容易让技术小白们觉得「非常难」。
举个例子，我们想在工区内实现codex自动调取内部数据库。
当时研发写了一个「小白友好」的文档，但还是有终端的代码复制操作，纯小白仍然容易出错。
但实际上，和codex说一句：「实现内部数据库NBI调取」，它就能跑通这个路径，中间需要若干授权（点点点）即可。
从我们近期的调研看，互联网公司和传统公司确实还存在一些差距，尤其是非研发类岗位。
前者基本都在用agent，后者大部分可能还停留在chatbot阶段。
说实话，很多时候，并不是 AI 本身复杂，而是人的固有认知、旧习惯，以及一部分商业目的和利益，把它包装得越来越复杂。
在我们做一些AI coding探索和自动化工作流的过程中，结合猫客厅嘉宾分享的输入，给大家分享一些我们的洞察：
1、模型
如果这篇文章仅提供一个建议，那就是，如果预算有限，那就是把钱花在最好的大模型上，而非任何课程、工具。
当你用了gpt5.5+，就会发现「产出不及预期」的情况会明显减少，而深度思考能力带来的惊喜无限多。
「如果你买了最好的模型，因为心疼钱，就会不断逼自己使劲用，从而快速提升自己能力」——by 我老板
2、语料库
普通 chatbot 很难持续、系统地吃进你的长期语料；而 agent 更适合基于本地资料、项目文件和历史沉淀来工作。
简单来说，agent掌握你的本地语料库——语料库越丰富、逻辑越清晰，越能让其快速学习，更了解你， 产出更符合你的需求。
比如周六猫客厅的分享中，老师讲了一个方法：让codex的项目和obsidian同时在一个文件夹工作，把本地文件夹系统整理后形成codex每个项目的工作语料库。
3、沟通能力
我说的是沟通能力而并不是提示词……
随着模型能力提升，机械套模板式的提示词越来越不重要，真正重要的是你能不能把目标、背景、约束和判断标准说清楚。
如何让AI干活，考验的是每个人的项目管理、高效沟通、清晰指令和表达能力。（后面会具体举例）
总结一下，快速上手用起agent的关键步骤：
买最好的模型；
重视自己的语料库，无论是外部采集还是自己系统化梳理和沉淀（后者更重要）
在和AI的交互中，反复磨练自己的沟通能力
近期我自己做了一个小h5，大概逻辑是「挑选部分员工热帖，让大厂新人快速了解这家公司」，整个做完+调试，差不多一天左右的时间。
其中，最重要的事，就是「筛选什么样的ugc内容」
因为让AI自行筛选byday更新，所以内容选取标准非常重要：纯吐槽不行、过期的新闻爆料不行、小范围小部门事件，和大多数人利益无关也不行。
我和codex做了几轮沟通发现，反复告诉ta要什么类型不要什么类型的内容，还是会出现不适合的内容；
而当我给出一个本质判断：所有帖子要适合大厂新人看， 对他们有价值。
内容筛选就基本没问题了。
就这么简单。AI会自己理解和判断，什么内容是适合新人的。
这和管理的本质也很类似：
尽量和聪明人一起工作，给本质需求，而不是一堆琐碎的指令。
如果在工作中强调「不要做什么」，沟通成本会极高，因为「不要」的反面是什么？每个人都有自己的理解。最好直接给出「我要什么」。
看起来很简单，但在真实沟通中往往会出现偏差。回想一下和对象、家人、下属的沟通，是不是这样？
所以和AI沟通这件事，足够高频和深入，对自己的管理和沟通也是有纠偏作用。
在我看来，对marketing同学来说，主要有三件事：深度思考共创、建立自动化工作流、做实验。
1、深度思考共创
很多人一提到AI marketing，就是做素材、自动化投放，但在我看来，更有帮助的事反而是思考+共创。
因为在营销端，平台自动化的能力越来越高，比如抖音全域千川+数字人，几乎可让效果向投放全程自动化。
但对市场营销工作而言，更重要的是做决策和判断：在哪投、推什么、哪些值得复盘和调整、在数据里还有哪些未经发现的洞察……
而这些，agent的优势在于：
（1）数据分析和洞察客观性：在大厂工作的同学都知道，数据有欺骗性，无论跨部门还是ds，都能从数据里找出最有利的部分，但AI可以做到足够客观，其有强大分析能力：
比如种草的时候拓人群包，对我们平台而言，蓝领用户是非目标用户，但投放平台并没有按工种精准定向的选项。
因此，我们就让codex从城市和机型两个维度做交集，找到「容易来我们平台但我们并不想获取」的蓝领用户包，再喂给平台做排除：
（2）找到方案的盲区和漏洞：在营销上，大家最容易犯的错误，往往是「忽视彼此认知程度不对等」：
一个新物种产品做推广，会不会用户根本不了解我为什么需要ta，但卖点里只讲了功能；一次跨部门或全公司范围的汇报，呈现太多细节，但别人连项目背景和基本逻辑都没有了解。
这些也是AI擅长去捕捉和提醒你的地方：更容易站在第三方视角（为ta设置角色身份）：从CEO视角看方案是否重点突出，从小白用户视角看详情页是否有吸引力。
当然，可能有片面性。但价值在于，通过agent发现自己没看到的问题，找到容易踩坑的点。
2、把批量重复工作变成自动化工作流
我知道很多机构或代理在卖这个，看到这段可以省钱了。
先看结果，我们团队在新的季度，没有增加额外hc的情况下，通过构建「AI自动化生成爆文」多做了1500条左右的自然流内容（小红书、视频号、抖音图文）。
总阅读量达到3000多万（基本无任何投放的情况下）。
一些后台爆款：
带动用户活跃提升也非常显著：
如何做呢？逻辑很简单，让codex自动跑出站内热门内容，用训练过的爆文skill自动生成，微调后发布。
大家可以试试三步走：
（1）反复优化迭代内容skill：喂产品资料➡️ 喂大量爆文➡️ 提炼skill
（2）用以上skill进行创作
（3）发布后数据入库持续迭代模型
3、做实验
AI大幅降低了开发成本，本身需要跨部门联动的很多尝试，都可以一人完成。
比如电商标题详情页优化+转化率测试，不同获客的场景文案+匹配不同人群属性测试等，从而大幅提升优化迭代速度。
这和我此前的判断一致：市场部每个岗位的职责，都会逐渐演变为综合闭环岗，而非「各管一端」。
在研发领域，互联网用了20年，把研发的职责拆成了前端、后端、测试、数分……现在应该又在快速的合一；
marketing也是如此，大家都在提「Ai替代性」，实质上，业务仍需要「对最终结果负责的人」，AI作为工作partner，协同拿到工作结果。
比如，负责PR的人对影响力、舆情负责而不是拆分为媒介、内容；小红书负责人对新用户GMV（仅举例）负责，而不是切分bd、内容、投放。
注意，是每个人都要有闭环的能力，单位是人，而不是部门。
因此，我建议管理者不再用过程指标或职能切分设立岗位，而是要求小闭环拿结果。这样的方式对个人而言，也更有帮助：
在AI时代，最重要的能力其实是「提出假设、验证假设、判断、持续迭代」能力，而如果不能看到闭环结果，不对结果负责，很难真正去做验证、判断和调整。
这一部分网上很多工具方法了。不过多赘述。最建议的是：
让agent旁听会议，除了纪要、todo和共识，最重要的是，让它分析未达成的共识、潜在的矛盾和争议点、以及需要深挖的背后原因。
在原创内容方面，比如公众号、小红书、自己讲课的课件、review或复盘，我在创作阶段不会让AI参与，除了保留活人感，也是锻炼自己主动思考的能力。
1、不为工具焦虑
不要过分关注制造焦虑的自媒体，尤其是“XX 个超好用 skill”“XX 个智能体矩阵”这类内容。
对新手而言，好的模型+语料足以应对大部分工作日常。
2、装上并用起来是最大的挑战，其他都可以慢慢学
我发现不少同行是卡在第一步：安装并使用agent。关于怎么安装和使用国外模型，建议网上找资料教程也好、找人帮忙也好，无论如何去搞定。
如果你在我们的猫客厅会员群，也可以大胆求助。
3、业务是护城河
工具会不断变化，但你对用户、业务、行业和结果的判断，才是别人最难复制的部分。
这也是上周六猫客厅分享里，两位老师一致的观点：不要迷恋AI技术层面的高手，懂业务+AI才是真正的利器。
最后，再谈谈管理者的角色：
marketing行业经过了很多次的迭代，从品牌广告中心化媒体到碎片化内容营销，更不用说平台的更替。
这次AI大潮当然也不可避免带来各种变化。对管理者而言，我觉得最重要的是：
自己回到学习者的位置（开放心态+自我实践）+鼓励团队成员探索和共享（创造氛围）
好的状态是：你和团队成员共同学习、彼此分享和提升。而不是一上来就指挥和要求别人用好AI（自己不懂如何要求）。
热门跟贴