Scott Brinker：乔恩·米勒（Jon Miller）是行业的传奇人物，他是 Marketo 的联合创始人和首任 CMO，也是现代 B2B 营销和 ABM 的领军人物。如今，他是这一领域一家新成立的神秘人工智能初创公司的联合创始人兼首席执行官。以下是他在接下来一年的展望。
2026 年感觉像是人工智能驱动营销愿景逐渐清晰的一年：代理加入采购委员会，推理系统取代脆弱的规则，编排最终兑现几十年来一对一个性化营销的承诺。但实际的企业采用仍将是渐进式的，到 2026 年，我们所期望的未来与实际发生的情况之间仍会有很大差距。
以下是预测结果：
营销人员将开始向代理而非仅仅向人类进行营销
人工智能将彻底变革传统的 SaaS 营销技术——但不会在 2026 年实现
组合式技术栈将在 2030 年成为主流，但 2026 年的采用率将低于 20%
情境工程将在 GTM 团队中成为一种公认的实践
推理型人工智能将开始取代基于规则的自动化
旅程编排将从规则转向 AI 播放列表，实现一对一的承诺
AI 邮箱守门人将把电子邮件营销转变为口碑营销
品味、信任和责任将成为人工智能低质量内容的解药
公众意图信号将被商品化；专有信号产生“阿尔法”
2026 年之后的营销技术走向
快速连发的小预测
2026 年，由人工智能驱动的不确定性将加剧；做好准备是唯一的答案
限于篇幅，今天先放出第一部分：
预测：到 2026 年，营销人员将向代理而非仅仅向人类进行营销。随着购买旅程越来越多地由人工智能中介——代理与人类利益相关者一起研究和评估供应商——营销人员将提供人工智能所需的结构化信息，同时也在人类体验和关系上进行投入，以促成复杂的交易。Scott Brinker尔称此为「从营销技术到营销再到技术」，将人工智能代理视为购买委员会的一部分。
已发生的情况：2025 年是答案引擎优化（AEO）之年。90% 的 B2B 买家使用 ChatGPT 等工具进行研究，72% 的人在评估供应商时遇到了谷歌 AI 概述（TrustRadius 2025 年报告）。这就是为什么 63% 的营销人员正在发布经过 AI 优化的内容，如结构化常见问题解答和模式标记（来自 Chiefmartec 和 MartechTribe 的 2026 年 Martech 报告），同时也在 LLM 采集答案的平台（如 Reddit 和 G2）上优化其存在。Digital Bloom 报告显示，51% 的公司计划增加 AEO 投资，而传统 SEO 的这一比例为 14%。
人工智能成为新的分析师简报：人工智能如何描述你的公司将成为关键的产品营销关键绩效指标。高管团队将像关注谷歌排名一样，痴迷于人工智能如何将他们与竞争对手进行定位。
人工智能广告：我们将会看到付费广告在人工智能搜索结果中的早期应用。Perplexity 已经有了赞助的后续问题，而谷歌在人工智能生成的摘要中展示搜索和购物广告，尤其是在处理复杂或商业查询时。OpenAI 有计划通过广告来实现免费用户的盈利，不过在 12 月的「红色警报」之后，这些计划暂时被搁置，以专注于核心产品质量。我特别期待看到受众定向功能应用于付费人工智能搜索引擎优化（AEO），尽管我认为这可能要到 2026 年之后。能够为已知的联系人和账户出更高的价——类似于如今付费搜索可以针对特定受众进行定向——将使营销人员能够专注于最重要的买家和账户。
代理识别与追踪：当人工智能代理向你的网站请求价格信息或产品规格时，这属于第一方意图，团队应将这些信号纳入评分和购买阶段预测。简单来说，代理访客将像人类访客一样为营销合格账户（MQA）做出贡献。这将需要「代理去匿名化」：一家不知名的初创公司的代理研究你的类别可能是噪音，而一家《财富》500 强公司的代理将你的能力与竞争对手进行比较则可能是潜在客户。
面向双重受众的内容架构：面向人类和代理进行营销将需要重新思考内容架构。这将导致一种「无头」模式：一个核心数据、内容和服务的基础层，服务于两条分发路径。人类获得针对情感互动进行优化的品牌网站体验。代理直接访问服务——比如提供动态报价的价格 API 或能回答详细产品问题的知识库。两者都能获得根据其角色和购买阶段进行个性化定制的响应。构建这种能力需要强大的基础设施能够准确处理详细查询；像 Qualified 这样的聊天供应商一直在构建这些系统，这可能是他们被 Salesforce 收购的原因之一。
代理培育：这只是纯粹的推测，但代理定期向公司查询相关更新可能会耗费大量计算资源。代理或许会改为「注册」或「选择加入」，以接收其人类用户所关注公司的主动推送更新。如果这种情况出现，「代理培育」可能会成为一个渠道。
人工智能代理会根据客观标准进行优化：能力、价格、合规要求。它们不在乎你的品牌故事。
但至少目前，最终决策仍由人类做出。2025 年 6sense 买家体验报告显示，人类买家平均与 16 家供应商进行互动，与 2024 年持平。复杂的采购需要人类进行验证、建立关系和获取信任。代理可以压缩研究时间，但合同仍由人来签署。
热门观点：AEO 策略将被证明是暂时的
为 AI 引擎优化静态内容的工作（特殊标记、结构化常见问题解答、机器可读格式）感觉就像早期的搜索引擎优化，当时人们堆砌关键词并试图操纵算法。谷歌早就说过，不要为机器创作内容，要为人类创作。甚至他们当前的 AI 文档也证实：「你无需创建新的机器可读文件、AI 文本文件或标记即可出现在这些功能中。」
我上文所描述的无头服务架构或许会经久耐用，但随着人工智能在解读人类优化的内容方面变得越来越出色，静态内容标记策略可能会变得不再必要。随着时间的推移，我预计我们无需再为人工智能优化内容，这与搜索领域的情况如出一辙。
如果你在领英上花些时间，你肯定见过这样的宣言：「SaaS 已死。」正如Scott Brinker所说，如果你只关注那些声称仅靠情绪编码的代理就能管理整个部门的技术乐观主义影响者，你可能会觉得自己远远落后。
这就是这一愿景的图景：你描述目标，人工智能便能在各个渠道协调一切，无需广告活动构建器。比如，「向金融服务领域的企业客户推广我们的第四季度新品发布」这一请求，人工智能会将其转化为个性化内容、协调的时间安排、渠道选择以及预算优化。
预测：没错，人工智能将重塑营销技术——但这需要未来 2 至 5 年的时间。2026 年将是混合实验的一年，而非全面变革的一年，在这一年里，软件即服务（SaaS）平台（新旧平台）将与代理式人工智能共存，而且在几乎所有应用中，人工干预仍将至关重要。
人工智能正在推动传统 SaaS 发生三大颠覆性转变：
1. 从软件工具到自主代理：当你可以雇用从不睡觉、从不辞职且能无限扩展的数字员工时，为何还要为软件许可证付费？许多发展最快的 AI 公司（如 Cursor、Harvey 等）并非旨在帮助人类更好地工作，而是要彻底取代劳动力。
布兰登·肖特认为，下一个重要的 GTM 公司将会是「出售劳动力」而非软件的公司，很可能会以由 GTM 运营商管理的人工智能代理的形式出现。你将不再购买帮助人们工作的软件；而是雇佣人工智能来完成工作。你支付的是成果，而非席位。
2. 从用户界面到无头应用程序：许多用户将不再登录各个平台，而是选择在他们喜欢的聊天机器人中工作。对于这些用户而言，功能依然存在，但用户界面层消失了。一个很好的用例是分析；首席营销官只需向其 AI 聊天机器人询问「本季度哪些活动表现最佳？」（不过，我得指出，聊天并不总是优于点击。对于经验丰富的用户执行重复性任务而言，熟悉的用户界面往往胜过描述他们想要的内容并等待代理进行解释。）
这就是模型上下文协议（MCP）如此令人兴奋的原因。MCP 解决了集成的混乱局面：它提供了一个标准化的协议，无需在每个 AI 应用程序和每个工具之间构建自定义连接器，而是每个都建立一个连接，所有内容就能协同工作。
3. 从单一平台到可组合应用：如今，人工智能能够编写小型应用程序来解决特定问题，而且往往无需用户提出要求。用户自己也能「即兴编写代码」来获得简单的解决方案。随着时间的推移，这将减少各类应用商店中低价值「应用程序」的数量。
但这种做法也有其局限性。「2026 年营销技术」分享了一个不错的框架：简单的应用程序（基本仪表板、内部跟踪工具）对于非工程师来说就足够了。但任何处理敏感数据的应用都需要合格的开发人员，而复杂的大型企业平台（客户关系管理系统、营销自动化平台）仍应从商业供应商处购买。预计的结果是：核心平台来自值得信赖的供应商，周围是满足公司特定需求的定制迷你应用程序。
这些颠覆将改变营销技术，但速度会比炒作所暗示的要慢。到 2025 年，81% 的人工智能使用仅限于「辅助」，而让代理自主行动的不到 10%。为何进展如此缓慢？
企业变革缓慢。布林克尔的马特克定律指出，技术变革的速度超过了组织吸收的速度。想想过去的技术转型（从大型机到企业软件，从企业软件到 SaaS）花了多长时间。在营销领域，尽管有像 MQA 这样更好的选择，但 MQL 已经存在了很长时间。变革正在发生，但以年为单位衡量，而非季度。
企业需求。SaaS 平台的价值不仅仅在于其用户界面。它们的价值在于需要多年才能构建完善的基础设施：合规性和安全性、治理和可审计性、可扩展性和集成性。人工智能并不能消除对这些能力的需求。
技术复杂性。为数百万联系人进行动态代理协调，并进行复杂的实时决策，需要强大的基础设施。与 Salesforce 的双向同步、复杂的数据模型、边缘情况处理——这些棘手的工程问题不会因为添加了人工智能层而消失。
人工智能的幻觉依然存在。自信但错误的输出所带来的风险仍然是自主操作的重大障碍，尤其是在关键任务活动中。你不能让代理动态决定是否遵守《反垃圾邮件法》的退订请求或《通用数据保护条例》的删除请求。所以人工干预还会持续一段时间。
定价模式揭示了真实情况。如果 SaaS 真的消亡，我们会看到普遍的结果导向定价。然而，Salesforce 最近推出了其代理企业许可协议，虽然使用了积分，但核心还是基于席位。正如首席财务官艾米·韦弗所解释的那样，客户想要基于席位的定价，因为「这能给你带来可预测性」。这表明了企业信心实际上在哪里。
鉴于这些挑战，2026 年不会是自主代理运行无头应用程序的样子。它会是内置了人工智能的 SaaS。可以把它想象成自动驾驶汽车：2026 年我们不会实现完全自动驾驶。我们会得到高级驾驶辅助系统，人类保持警觉并掌控全局，随时准备接管。
到 2026 年，企业营销人员想要一个更出色的 Marketo，而非彻底重新架构。他们希望借助人工智能辅助创建营销活动，但仍能在执行前看到工作流程。他们希望拥有智能受众细分功能，且能进行查看和调整。他们希望人工智能能在营销活动之间提供「空中交通管制」，以防止信息冲突，但同时保留传统界面和人工审批环节。这才是真正会被采用的方案。
这也解释了为何我们可能会看到新的原生人工智能平台比试图改造遗留系统的 AI 附加组件获得更多的关注。这些新平台将从核心架构上就具备自主性、API 驱动和多云平台支持能力，同时仍支持当今基于用户界面的工作流程和人工监督模式。可以将它们视为正在搭建的桥梁：当下具备传统界面的功能性，但已准备好在企业适应这一转变时支持完全自主的操作。
数据层作为事实来源，将来自多个来源的客户数据整合为可操作的输入。
决策层处理诸如受众选择和旅程编排之类的智能任务。
各种交付工具通过 API 在不同渠道执行消息。
其理念在于，你为每项工作选择最佳工具，在出现更优选项时更换组件，并避免供应商锁定。
B2B 营销人员正在朝这个方向发展，尽管进展缓慢。根据 The Digital Bloom 对营销技术堆栈的分析，营销自动化平台作为 B2B 堆栈「中心」的角色，其占比从约 31% 下降到约 26%，而定制平台（作为可组合平台的代表）则从 2% 增长到 10%。如今，大多数中型 B2B 公司仍然更倾向于集成平台（如 Marketo 或 HubSpot），而非构建复杂的堆栈，但趋势已经很明显。
预测：到 2030 年，模块化、原生人工智能、信号驱动的堆栈将成为 B2B 营销的常态。但到 2026 年，只有不到 20% 的 B2B 团队会运行完全可组合的架构。
灵活性只是转移了复杂性，并未消除它。可组合的堆栈用灵活性和控制权换取了供应商管理的便利性。你获得了定制化，但也要承担让所有组件协同工作的责任。MCP 会逐步改善这一状况。
多供应商管理比看起来要难得多。协调多个供应商的更新、支持、合同和路线图需要相当高的运营成熟度。正如 Gartner 的副总裁分析师迈克·朗德斯（Mike Lowndes）所指出的：「尤其是在 B2B 领域，采用组合式解决方案的挑战相当大。许多组织难以有效地管理多个供应商和合同，特别是如果它们缺乏必要的数字化成熟度的话。」
数据仓库并非为营销人员而建（目前还不是）。由一个中央仓库为所有营销活动提供动力的想法听起来很棒，但以我的经验来看，这些平台通常是为工程师和分析师打造的，而非日常营销人员。传统的营销技术平台难以获取其中存储的产品或行为数据，导致数据孤岛、 API 限制变通方案以及工程师手动提取数据供营销使用。
决策与交付难以分割。理论上，独立工具中的 AI 模型会决定最佳下一步行动，然后通过 API 触发执行。但实际上，这比听起来要难得多。你的 ESP 可能不支持你的模型所设想的动态个性化。更重要的是，真正优化结果需要一个闭环反馈机制：捕获响应数据，将其转化为学习内容，并反馈回去。正如 Real Story Group 所指出的，「真正的编排需要在数据、决策和内容层面实现闭环」——这是目前很少有技术栈能够做到的。
大多数 B2B 公司不会一夜之间就转向完全无头架构。相反，它们会采用我所说的「轻量级组合式架构」：以数据和决策为先，但并非完全解耦。
在这种模式下，数据仓库成为重要的事实来源，但你的营销自动化平台（MAP）、网站、聊天工具、广告平台等不再只是执行渠道。最终的旅程编排将存在于 MAP 中，即便评分、细分和部分智能功能会逐渐向仓库转移。这是一个过渡阶段，能让团队在不一次性推翻所有系统的情况下获得实际收益。
数据质量不佳一直被团队视为使用人工智能系统时面临的最大障碍。但「数据质量」这个词低估了问题的严重性。真正的问题在于，无法为人工智能提供其运作所需的业务情境，使其表现得像真正了解你业务的人一样。
预测：到 2026 年，「情境工程」——即系统地获取和构建使人工智能具有实用性而非通用性的知识这一学科——将成为 GTM 运营团队中被广泛认可的一种实践。
什么算作背景信息？这始于将人工智能与你的团队所依赖的相同数据和知识源相连接：客户关系管理系统、数据仓库、通话录音、营销平台、内部文档。但仅仅连接还不够。人工智能还需要一个赋能层来解释数据的含义以及原因。这意味着要为活动命名。包含或排除哪些细分市场的规则，以及这些规则背后的理由。在你的公司，「网络研讨会活动」意味着什么：要创建哪些策略，后续流程是什么样的，潜在客户如何分配。经过十年的定制化，你的 Salesforce 架构背后的逻辑。
这种操作知识并未在任何地方正式记录下来。它存在于 Slack 群组的讨论中，存在于团队的集体记忆里，存在于资深团队成员的头脑中。当你最出色的 MOPs 人员离职时，这些知识也就随之流失了。
传统的营销平台帮不上忙。它们能告诉你潜在客户处于哪个营销活动，却无法告知人工智能代理该活动存在的原因、其背后的战略是什么，或者你的团队尝试过哪些方法又放弃了哪些。传统系统只存储结果，却不记录决策逻辑。
有哪些变化：
运维团队将花费时间向其人工智能平台传授「技能」：如何解读数据模式；如何构建网络研讨会活动；使用哪些细分市场以及何时使用。这看起来很像对新员工进行入职培训，只不过知识变得持久且可重复使用，而不是被困在某人的头脑中。这也有助于运维团队从战术性的工单处理台转变为负责让人工智能真正发挥作用的战略团队。
人工智能系统将开始捕获决策结果（哪些有效，哪些无效，原因是什么），以便下一个决策建立在上一个决策的基础上。这就是重复犯错的人工智能与了解你业务运作方式的人工智能之间的区别。
随着团队部署多个 AI 代理，共享的运营上下文将成为协调层。没有它，代理会相互冲突；有了它，它们就会像一个协调一致的团队一样行动。
营销技术供应商将开始在运营上下文的捕获和展示方面展开竞争，而不仅仅是集成或功能。
传统的营销技术是基于规则引擎构建的。如果职位包含「副总裁」，则加 10 分。如果电子邮件已打开，则等待两天，然后发送后续邮件。如果行业为「金融服务」，则转至 B 段。
这些规则很脆弱。它们无法从结果中学习，市场条件发生变化时就会失效，而且需要专家级的知识和持续的维护。更糟糕的是，它们无法应对现实世界中固有的模糊性。
推理模型可以做到这一点。它们能够通过问题进行推理，理解上下文，并检验假设。它们无需明确规则就能识别模式，从现有数据中推断关系，并同时权衡多种信号。
预测：到 2026 年，推理型人工智能将开始取代营销和营收运营中的基于规则的逻辑，首先从数据管理、潜在客户评分和客户旅程编排开始（见下一条预测）。
《2026 年营销技术》报告提供了一个有关自动化的有用范围，从确定性（可重复且可解释，但僵化）到代理性（适应性强且有韧性，但不太可预测）。大多数传统营销技术处于确定性一端。2026 年的机会在于有选择地向中间靠拢，在自动化中融入推理型人工智能，以利用情境判断带来的益处，同时在一致性至关重要的地方保留确定性逻辑。
这种转变解决了贾斯汀·诺里斯所说的「混乱中间地带」问题：那些工作变化多端，无法用僵化的规则来应对，但又不够重要，不足以引起高层的关注。诸如 Slack 信息提示、数据清理、异常处理以及小的修复工作，这些都让运营团队深陷其中。
营销运营不会消失。团队将不再配置复杂的规则系统，而是提供背景信息：业务目标、成功指标、防护措施以及数据管道，让人工智能能够获取其所需的信号。
一对一个性化服务的承诺已存在数十年，但在 B2B 领域仍大多未能实现。在经历了多年供应商夸大其词的宣传之后，任何有关「个性化旅程」的推销都会遭到合理的质疑。
为何如此艰难？B2B 采购涉及非线性流程和庞大的采购委员会。基于规则的个性化演变成理论上可行但实际上难以管理的复杂流程图。「最佳下一步行动」对于漫长的 B2B 采购流程来说过于简单；我们需要考虑多步之后的情况，而不仅仅是下一步。
预测：到 2026 年，早期采用者将实施由人工智能驱动的旅程编排，根据实时信号动态排列行动顺序。这有助于人工智能提高成效，而不仅仅是效率。
这是前文预测中从规则向推理转变的一个具体案例。人工智能不再需要将每一种可能性都映射到复杂的流程图中，而是终于能够思考所有可能性，为每位买家和每个账户挑选出最佳路径。
但旅程编排还受益于另一项突破：现代人工智能能够处理 B2B 实际拥有的那种数据。
传统机器学习往往会抹平那些最重要的行为信号，比如买家具体与哪些网页和营销活动进行了互动。而转换器和大型语言模型的工作方式则有所不同。它们能够将有关买家及其账户的所有已知信息——互动历史、内容偏好、时间模式——编码为丰富的表示形式，从而捕捉到行为的细微差别，这使它们非常适合 B2B 领域。
大多数关于个性化的讨论都集中在内容上：人工智能生成的提及某人在领英上发布的内容的电子邮件、动态的文案模块、个性化的主题行。
我认为这种关注点不对。在我看来，一对一的个性化意味着为每一位买家和每一个账户确定恰当的行动。一项行动包含四个要素：产品、渠道、内容和时机。你无需为每一位买家准备独特的内容。你需要在恰当的时间采取恰当的行动。
Instagram 和 TikTok 就在大规模地证明这一点。它们不会为每个用户单独创作独特的内容；而是将现有的内容巧妙地排列组合，形成让人感觉极具个性化的信息流。
大多数个性化引擎只会挑选出下一个最佳行动。这就像把音乐设为随机播放：每一首歌可能都不错，但你却失去了精心编排专辑的艺术性。在 B2B 领域，没有人会因为一次接触就下单。就像语言模型通过提前查看几个标记能写出更好的内容一样，人工智能通过提前考虑几个行动也能设计出更出色的旅程。
我将这种方法称为「播放列表」：一系列即将采取的行动，根据参与信号和买家背景动态调整。你设定策略和目标（即风格或氛围），然后由人工智能为你精心策划个性化的行动序列，推动每位买家向前发展。
播放列表支持：
动态排序：播放列表会根据互动信号、时间安排和上下文实时调整，而非遵循固定的路径。
大规模组合搭配：从预先批准的库中组合优惠、渠道、内容和时间安排，可生成数十亿种独特的行动序列，而无需数百万个定制资产。
强化学习：Instagram 不知道你喜欢猫视频，直到它给你展示一个。你也不知道一位高管更喜欢周日收邮件，直到你尝试在周日发送。系统会探索、学习并适应。
在这个模式中，人的工作是创造有吸引力的优惠、体验和内容：了解市场、开发能引起共鸣的信息、打造能建立联系的体验。人还设定边界：关于谁必须或不得接收某些通信的规则、预算限制、频率上限、品牌准则。他们定义播放列表的约束条件，而非编程每首歌曲。
人工智能会确定在数十个广告活动和数千个账户中谁在何时获得什么。它还负责空中交通管制，确保买家不会被相互冲突的信息所淹没。人类不应该构建包含无穷无尽的「如果-那么」逻辑的维斯图图表；我们不擅长处理这种复杂性。让人工智能来处理组合数学吧。
与此同时，人类仍会在一段时间内监督人工智能的建议并做出最终决定。而且透明度永远不容妥协。为什么这个人获得了这个活动机会？为什么有人没有资格？考虑过哪些替代方案？没有答案，团队就无法学习、调试或信任该系统。
To Be Continued...
