赛诺贝斯李喆：如何让数据在企业之间共享，共同训练、反哺，是需要探讨的话题 | 未来AI谈

「未来AI谈」是「Marteker营销技术官」联合「Digital Frontier首席数字官」共同发起的一档对话栏目，旨在探讨生成式AI的崛起对泛营销技术和营销自动化带来的影响，以期帮助全行业探索AIGC时代的新营销之路。

赛诺贝斯副总裁 李喆

Key Points：

1. AIGA和AIGC的成长的土壤和所获得的营养是不对等的。AIGC在互联网环境中从公域可以获得非常多的营养，去哺育它的模型和成果。而AIGA在B2B和B2C两大业务领域里，至少在B2B业务领域，成长土壤有些贫瘠。

2. 在B2B业务领域里，大量数据其实掌握在B2B企业自己手里，是私域化、不开放的，无法投入训练。大模型没有经过训练，成果没有贴近实际应用场景，就无法满足用户的需求。

3. 很多数字化不彻底的企业，业务层面的knowhow并没有以数字化的方式留存，AI未必能发挥出足够大的作用。

4. 如何让数据在企业之间共享，共同训练、反哺，是需要探讨的话题。

5. 在MA向AIGA方向发展的时候，「原料」的供应非常重要，必须有足够多的生产资料让生产力爆发出来。

6. 数字化转型应该做的，是每一个营销环节的数字化。而线下活动的精髓，即活动期间人与人之间的交互、想法和判断，并没有数字化。

7. 企业方方面面、每一个环节都实现数字化，是非常大的工程和挑战。只有数字化程度越深，AIGA的可能性以及所产生成果的价值就越高。

8. AI的发展会出现从上到下和从下到上两种路径。

9. 如果中国市场营销能够做到All in AIGC，真的能够产生AIGA，这是润物细无声的哺育过程，企业无形中把自己的knowhow等等实现了数字化。

下面是谈话实录：

问：您如何理解AIGA（生成式自动化）？

李喆：AIGA和AIGC的成长的土壤和所获得的营养是不对等的。AIGC在互联网环境中从公域可以获得非常多的营养，去哺育它的模型和成果。而AIGA在B2B和B2C两大业务领域里，至少在B2B业务领域，成长土壤有些贫瘠。AIGA基于GPT或别的模型，需要非常多的数据来培育，模型其实是固定的，最重要的是 Pre-Trained这一部分，训练一定要大量的数据让模型去练习。而在B2B业务领域里，大量数据其实掌握在B2B企业自己手里，是私域化、不开放的，无法投入训练。从生产力和生产关系的角度来说，等于数据这种生产资料被各个企业所掌握而没有释放出来，生产者就无法去处理。大模型没有经过训练，成果没有贴近实际应用场景，就无法满足用户的需求。

问：有没有可能企业贡献自己的数据进行训练？

李喆：如果每家企业自己训练，又面临另一问题，绝大多数企业的数据量不够，远没有达到大数据的量级，不足以用于训练。我曾经和一位AI专家合作，获得了非常多的如工商统计等公开的数据资料，尝试进行训练。我提供了两组数据，一组数据已经验证过被确定为MQL和SQL的，用于模型的训练；另一组则是没有标记的大批量数据，用于模型的验证。结果验证组的数据分布非常均匀，锚定销售线索的准确度并不理想。专家提出其结果是数据维度和数据量不够所致。当时我们在探讨合作模式，从我的角度来说已经释放出非常多的维度和数据；而其他的B2B企业未必会这样开放。而纯用通用算法去给销售线索打分，又缺乏可行性。这实际上就是数据的就绪程度不够的问题。

如果借鉴B2C行业，数据需要达到亿级别才有可能产生有价值的成果。数据维度也很重要。不同的维度，尤其是业务人员对于行业的认知，能否通过数字化方式呈现，也是特别有挑战的工作。这些其实都需要通过模型去训练。

甚至于我接触的很多企业，数字化并不那么彻底，很多业务层面的knowhow并没有以数字化的方式留存。在这样的情况下，AI未必能发挥出足够大的作用。当然AIGA的发展方向非常有诱惑力，但和AIGC相比是有挑战的。如何让数据在企业之间共享，共同训练、反哺，是需要探讨的话题。

问：在营销场景应用中，AI营销与传统的营销方式相比，将有哪些革命性变化？将对营销技术和工具带来哪些颠覆？

李喆：我们现在做MA是基于人的认知。国内企业，不论是外资还是民营企业，都是采用一把手从上到下管理的传统思路，一把手的视野和认知决定了业务的布局，当然一把手可以根据少量下属的经验去决定MA的规则和策略。很多时候MA的规划是rule-based，即基于规则的模式。而从算法角度来说，就不是rule-based而是data-driven的模式，不断用之前的数据去优化迭代。

当然我们说的一把手，也是根据之前的报表等数据进行分析，但终究处理速度相比较机器是慢的，即便Excel也速度有限。但是人工智能可以瞬间完成海量数据的计算，效率会变得很高。

当然AIGA面临的难度也更大，当初我们推广MA驱动传统营销，只是让营销人员接受、学习这项技术，而在MA向AIGA方向发展的时候，「原料」的供应非常重要，必须有足够多的生产资料让生产力爆发出来，否则就是没有油的发动机，汽车无论如何也无法前行。因此，AIGA必然是MA的发展方向，前提是解决了数据的困境。

就我所负责的B2B行业来说，这是个性化的行业，既包括了行业的个性化，也有企业的个性化。套用IT理论，即以计算中心和边缘的概念来看，现在AI在B2B企业主要是在边缘层面起作用、提升效率，包括设计、内容等等。而AI发展的重点或者说发展趋势，是如何在中心去起作用，成为中心力量。

问：AI发挥出应有的能力，需要满足哪些条件？

李喆：除了刚才说的数据就绪度，再就是企业数字化的深度和广度。原先很多企业以为营销数字化转型难度不高，认为数字化转型仅仅是数字化营销的应用，在企业内部成立部门，专门负责数字化的工作，仅此而已。实际上数字化转型应该做的，是每一个营销环节的数字化。以线下活动这一最常见的场景为例，很多可能认为做到签到、问卷、互动抽奖等环节的数字化，就已经是完成了线下活动的数字化营销体系的建设；实际上，线下活动的精髓是活动期间人与人之间的交互、想法和判断，这些其实并没有数字化。

疫情结束之后，线下活动频度飙升，企业的销售和业务人员终于有机会和客户面对面沟通了。但是他们沟通的所有成果、沟通过程中的信息，并没有以数字化的方式留存下来。这是我认为的没有深入的一部分。当然以现有的技术条件和法律规定，这一步很难迈过去，但我们要意识到这是没有实现数字化的部分，不论是AIGA还是AIGC就缺少一项很重要的维度和生产资料的补充，这是必然的挑战。

相比较而言，像客服领域，银行客服与客户的每一次交流都被录音，通过NLP技术处理，预测和判断就会很精准。我认为数据补充和数据生产资料的供给是非常及时和完善的，所以产生的结果就会非常好。但是在B2B领域，大多数业务流程并没有做数字化的呈现和留存，AI判断一定会有偏差。其实企业方方面面、每一个环节都实现数字化，是非常大的工程和挑战。但只有数字化程度越深，AIGA的可能性以及所产生成果的价值就越高。

问：AI为主的时代什么时候才能到来？

李喆：这与数字化的程度有很大关系。虽然业内一直在谈数字化转型，但很多行业或企业没有真正行动起来，还处在比较初级的状态。如果数字化成熟度比较高，又具备了数据基础，肯定会出现加速过程。

就AI的发展前景来说，会出现从上到下和从下到上两种路径。从上到下取决于国策，从下到上取决于社会发展。大学生其实对AIGC非常了解和适应，等他们毕业之后，就会供应给社会一波拥抱AI的人才资源，对AI的训练会加速，并带动其他人也进入到以AI为架构的体系里来。

另外，如果中国市场营销能够做到All in AIGC，真的能够产生AIGA，这是润物细无声的哺育过程，这样企业就能在无形中把自己的knowhow等等实现了数字化。不过，我们也需要注意到当下营销和运营人员对AIGC的拥抱态度是有差异的，其中不乏一定的排斥或者持谨慎态度。就我的观察范围，设计人员对AI的依赖度非常高，因为他们有一种自信，认为AI的设计作品缺少灵魂，需要设计人员来实现画龙点睛的加工。但是内容人员往往会觉得AI产生的成果和他做出的差异不大，而且AI痕迹明显，就会有芥蒂，以至于相关的AI缺乏足够多的训练。如果所有和营销相关的人对某个模型做大量的对应训练，真有可能产生意想不到的结果。