听雨 发自 凹非寺量子位 | 公众号 QbitAI
出海这门生意，正在进入困难模式。
海外市场越来越拥挤，欧美市场竞争激烈，东南亚、拉美、中东、非洲等新兴市场又有各自的消费习惯、审美偏好和媒体规则。
加之平台算法不断变化，流量越来越贵，过去靠增加预算和人手换增长的办法，也渐渐失效。
不少出海企业把希望放到了AI身上。
市面上的AI产品也确实越来越多。文案、图片和视频可以批量生成，市场分析和投放建议很快就能给出。
但营销人真正用过以后，往往感到失望。
工具增加了，流程却变得更复杂；生成结果看起来头头是道，能不能带来转化却没有把握。尤其当问题涉及预算、ROI和增长，很少有人敢把决定权直接交给AI。
AI已经足够聪明，但距离在真实商业世界中挣钱，还是差了一步。
这一步，难在把AI接进真实业务，让它能够理解企业的目标，也能为自己的判断提供依据。
飞书深诺一直在尝试解这道题。
2025年6月，飞书深诺就推出了业内首款针对出海营销的Agentic AI产品Marvy 1.0，让AI进入市场洞察、创意和投放等具体场景。
飞书深诺创始人兼CEO 沈晨岗
经过一年的实战经验总结和迭代，今年7月23日，Marvy升级到2.0版本
市场洞察、媒体策略、智能创意、智能投放和数据分析五大Agent，被放进同一套AgentOS中协同工作。
飞书深诺创始人兼CEO沈晨岗希望Marvy 2.0解决的问题，可以归结为三个词：
- 让出海营销更简单、更可信、更普惠。
AI营销很热，营销人为什么不敢用？
AI早已进入营销行业，但距离真正接管业务，还有一段路要走。
近日，IDC发布了一份《出海营销AI智能体成熟度与服务商能力白皮书》，将出海营销AI Agent的成熟度划分为L0至L5
数据来源：IDC Research on Maturity of Marketing AI Agent Applications for Overseas Marketing
按照这一模型，AI在营销中的角色会经历L0-L5多个阶段：从提供基础工具，到辅助单项任务，再到跨流程协作，最终自主完成复杂业务。
目前，大量产品仍集中在L1至L2阶段。
即AI作为单点工具辅助，AI可以生成一张图片、分析一份报表，也可以给出一套投放建议。但把这些能力放进完整的出海营销流程中，企业往往还要靠人来连接。
市场团队先做调研，再把结果交给策略团队；策略团队确定方向后，创意团队开始生产素材；素材上线后，投放团队继续调整预算；最后，数据团队再对效果进行复盘。
数据在不同系统之间搬运，结论在多个团队之间传递。某个环节使用AI提速了，并不代表整条营销链路也会变快。
不过，这也不完全怪AI，跟出海营销本身的复杂性也有关系。
首先是本地化
它包含语言，也包含当地消费者的生活方式、文化禁忌和审美变化。
一个在国内市场有效的卖点，换到海外可能毫无吸引力；一条看似精美的广告，也可能因为不符合当地语境而适得其反。
其次是平台的不确定性
Meta、Google、TikTok等平台持续调整算法。企业很难提前判断某条素材会获得多少流量，也很难控制一次投放最终触达什么样的人群。
更麻烦的是数据孤岛
广告平台、电商平台、独立站和客服系统各自保存一部分数据。企业可以看到点击率，也可以看到销量，却未必能回答用户最初为什么被吸引，又在哪个环节选择放弃了购买。
这种复杂任务很难由单个AI工具完成，于是多智能体开始成为热门方向。
但问题在于，市场上很多的多智能体，只是把同一个问题同时交给多个模型，再对答案进行组合或筛选。
飞书深诺称之为「伪多智能体」
- 伪多智能体，一个入口、N个大模型加搜索引擎的简单并联。本质上是信息搬运工和答案投票器。
模型数量增加了，它们之间却没有统一的商业目标，也不了解企业的历史数据和实际工作流程。
这种组合式方案可以表现出智能，却很难解决营销这类直接关系到挣钱的复杂问题。
在飞书深诺看来，真正的多智能体需要达到五项标准：可信任、可协同、可落地、可验证、可进化
它需要理解真实业务，让多个Agent围绕同一个目标协作；得出的结论能够检查，执行结果也能反过来优化系统。
更关键的是，行业智能无法靠几个模型迅速拼出来。
在飞书深诺看来，一个真正的行业智能体需要从业务中长出来，背后至少要有十年的行业实践
它要懂媒体平台，也要理解客户痛点和市场变化，最终还要面对真实的商业结果。
五大Agent，把营销全流程装进一个系统
飞书深诺将Marvy 2.0定位为一个「会思考的营销大脑」
它将出海营销的完整链路装进了同一套AgentOS。这套系统由五大专业Agent组成：
- 市场洞察Agent：负责理解当地消费者、市场趋势和竞争格局；
- 媒体策略Agent：选择平台、目标人群和预算方向；
- 智能创意Agent：将市场判断转化为具体卖点和创意素材；
- 智能投放Agent：负责广告创建、发布和动态优化；
- 数据分析Agent：持续复盘效果，再将实际反馈传回前面的环节。
在五大Agent之上，Supervisor Agent会根据企业目标拆解任务，判断哪些工作可以并行，哪些必须等待上游结果。
五大Agent共享上下文和任务状态，并对彼此的结论进行交叉验证。出现分歧时，Supervisor负责协调；涉及预算和品牌安全的关键节点，仍然保留人工确认。
如果你是专业营销人，或许能看出来，这五大Agent对应的正是真实出海营销中反复遇到的问题：
市场看不清、策略难制定、创意与投放脱节，投后数据又无法及时反哺前面的判断。
Marvy 2.0从一开始就围绕客户需求设计，产品已经进入真实企业的营销流程，并获得了正向反馈。
某中国消费电子品牌开拓尼日利亚市场时，就将Marvy 2.0用于实际项目。
Marvy 2.0先分析当地消费者、竞争格局和历史投放数据，再制定媒体及创意策略，完成广告投放，并根据实际效果持续调整前面的判断。
按照传统模式，这项任务需要一个全链路投放团队耗时一个月才能完成。
接入Marvy 2.0后，该项目整体优化效率提升74%，人工耗时减少89%。
这说明在过去单点的AI内容生产之外，Marvy 2.0已经呈现出另一种可能：AI开始进入市场研究、策略制定、预算分配、广告执行和投后复盘。
出海营销本身也很适合Agent协作，它跨市场、跨平台，环节多、周期长，同时持续产生大量数据。
过去依赖不同团队人工衔接的流程，已经具备被AI重新组织的条件。
敢把预算交给AI，凭什么？
当然，跑通流程只能证明Marvy 2.0能干活。问题在于：Marvy 2.0凭什么可信任？
这就要看看它背后的技术优势了。
Marvy 2.0的第一层技术优势，来自真实的营销数据和垂直算法
通用大模型负责理解需求，也承担推理和内容生成。碰到预算分配、素材判断和效果预测这类专业问题，Marvy 2.0会继续调用针对营销场景训练的能力。
举个例子，预算分配远比「哪个渠道效果好，就给哪个多投一点」复杂。
不同国家、媒体和人群之间存在大量约束。预算投向哪里，会影响下一阶段能够获得多少数据，也会改变后续优化空间。
Marvy 2.0将线性规划与强化学习结合，在既定预算和业务目标下寻找更合适的分配方案。
创意判断也是同样的道理。现在的大模型都能生成广告，问题是生成出来的内容到底能不能转化。
Marvy 2.0会结合历史素材和投放反馈，预估不同创意方向的实际表现，再决定哪些内容值得继续生产。
数据显示，Marvy 2.0相关预测准确率最高达95%以上，高质量素材的生产效率提升至原来3倍。
第二层优势，是过程可追溯、可验证
传统AI工具经常直接给出答案，却很少解释答案从哪里来。企业拿到一套看似完整的策略，很难判断其中使用了哪些数据，也不知道某个结论经过了怎样的推理。
Marvy 2.0会记录Agent调用的数据、Skills和执行过程。企业可以检查某项建议的来源，也能查看不同Agent如何得出结论。
复杂任务的处理时间由此减少60%，Supervisor模式下的执行效率达到原来的2.7倍。
第三层优势，是从真实结果中学习
营销从来不是一次性交付。策略上线之后，市场会变，消费者会变，平台算法也会变。AI如果每次都从头开始，依然只是一个用完即走的工具。
所以Marvy 2.0还做了一套Trace→Eval→Agent机制。
Trace层负责记录每次任务执行的全链路轨迹，让所有轨迹统一管理、统一可查询、统一可回放。Eval层则对每次执行进行结果质量、过程质量和系统质量三维评估，最终Agent层会将Eval层的评估结果反哺到下一次执行中，让系统越用越好用、越用越智能。
哪些市场判断准确，哪些素材真正带来转化，哪些预算策略没有达到预期，都会成为下一轮任务的参考。
有效的方法还会进入Skill Hub，沉淀成企业可以继续调用的经验。
官方数据显示，Agent经过自我迭代后，任务有效性提升47%。
到这里，「可信任」这三个字才有了具体含义。
AI不会永远正确，但它的数据有来源，判断留轨迹，关键节点有人确认，执行结果还能用于下一轮优化。
企业至少知道，它为什么这样做，做错了又该怎样改。
为什么偏偏是飞书深诺？
如果真正的行业智能需要从业务中长出来，那么问题也随之变成：
为什么是飞书深诺？
第一个重要原因，在于13年的业务经验
飞书深诺成立于2013年，是中国最早做出海营销的企业之一。13年来，公司累计服务17万家企业，业务覆盖多个国家和行业，积累了深厚的出海营销经验。
回顾Marvy 2.0的来时路，沈晨岗将原因落到了服务17万家企业留下的真实业务数据上：
- 过去在我们服务17万客户出海增长的过程中，沉淀了巨大的数据资产。我们需要激活这些数据，用它们反哺更多客户，驱动客户销售持续增长。
不同企业怎样选择市场，什么样的产品适合什么人群，素材在不同文化中会产生怎样的反馈，预算如何根据实际效果调整，这些问题都在一次次真实项目中留下了数据和方法。
Marvy 2.0的五大Agent，也对应着飞书深诺长期参与的真实业务环节。
市场洞察、媒体策略、创意、投放和数据分析，原本由不同团队中的专业人员完成。Marvy2.0所做的，是把这些业务能力转化成Agent能够理解和执行的工作流程。
第二个重要原因，是数据资产
飞书深诺已经积累超过1.3PB真实业务数据，覆盖233个国家和地区，以及50多家海外主流媒体。
通用模型可以了解公开世界，却很难获取一家企业的历史素材表现、账户数据和具体营销反馈。对于出海营销来说，这些真实业务数据往往决定了策略能否落地。
数据之外，还有专家经验
飞书深诺300多位营销专家，将实际项目中的方法沉淀成1000多项标准化Skills，覆盖12个行业和128个细分场景。
这正是行业智能最难被迅速复制的部分。
模型能力可以通过API获得，多Agent框架也可以搭建，但真实数据、专家方法和持续反馈的工作闭环，只能在长期业务中一点点积累。
从Marvy 1.0到2.0，飞书深诺也在把这种积累转化为系统能力。
1.0验证了垂直Agent处理具体营销任务的可能，2.0继续解决多Agent协作、过程追溯和持续进化。
原本依赖专业团队完成的重复性工作，逐渐被沉淀为数据、算法和Skills。
当然，沈晨岗表示，Marvy 2.0的出现不是为了替代人，而是释放人的创造性。让员工、管理者、企业和行业都回到更高价值的位置，重构人与AI协作的核心边界。
Marvy 2.0还有一个更大的愿景：全球数字营销平权
沈晨岗对此的解释是：
- 传统营销世界存在巨大的不平等。营销平权，就是让中小企业也能以较低的成本，拥有过去只有大企业才能享有的专业营销能力。
对于大型企业，Marvy 2.0可以接入内部数据和业务规则，逐渐形成一套专属的AI营销大脑。
中小企业则面对另一种困境：它们通常没有非常完善的海外营销团队，也很难长期承担市场研究与专业投放的成本。一次错误的人群选择，或者一批低效素材，都可能迅速消耗有限的预算。
面向这类企业，飞书深诺计划推出Marvy Lite，将成熟的营销能力封装成更轻量的产品。
从Marvy 2.0到Marvy Lite，飞书深诺希望让这套专业营销能力从大型企业走向更多出海品牌。
而要实现这种普惠，首先得让企业敢用，也敢把真实的营销任务交给AI。
企业需要知道AI使用了什么数据，怎样得出判断，由谁执行，实际效果又能不能进入下一轮决策——这些能力很难通过几个模型的简单组合获得。
真正的行业智能，需要从长期业务中生长，也需要在一次次真实任务中继续进化。
Marvy 2.0想做的，是把飞书深诺13年来服务17万家出海企业的行业经验，变成每个出海品牌都能用的全球AI营销新基建，让中国品牌赢在全球。
热门跟贴