AI 营销人今天该做的事：从护城河到 AEO 转化，20 条情报一字排开 · 2026-07-29

今天的主旋律很清楚：模型能力正在被快速拉平，真正稀缺的是别人偷不走的护城河与别人还不会量的渠道。MarTech 给了 4S 框架回答「AI 时代拿什么守」，HubSpot 给了 AEO 数据回答「下一波高转化流量在哪」，Yelp 把点评接进 ChatGPT 意味着本地搜索的分发权正在易主。把今天 20 条连起来看，营销人该做的不是再多装一个工具，而是想清楚自己不可替代的那一面。

🎯 今日头条

How to build an advantage AI can't copy：4S 框架与 AI 时代的护城河

发生了什么。 MarTech 在 7 月 28 日发表 Tim Hillison 的长文，正面回答了一个让每个营销负责人都在凌晨想的问题：当底层模型人人可得，周一上线的杀手锏，到了周末就有半个市场抄走，那到底什么还能算优势？作者给出的答案是 4S 框架，四个 S 分别是 State、Scale、System、Signal。这不是又一个口号式的战略图，它背后挂着一组扎心的留存数据：ChartMogul 2026 年的研究显示，AI-native 公司的净收入留存中位数只有 48%，而传统 B2B SaaS 公司是 82%。换句话说，这些新公司在一边增长一边漏水，变大不等于变安全。作者把 defensibility 重新定义成一句很刺人的话：defensibility 不是你拥有什么，而是你的客户一旦离开你会失去什么。

为什么重要。 这条新闻之所以是今天最重要的一条，不在框架本身有多新，而在它把一个被模型同质化逼出来的真问题摆到了台面。过去两年营销圈的主流叙事是「装上 AI、提效、降本」，但 48% 对 82% 这组留存数字在说：靠模型能力堆出来的增长，留不住。ElevenLabs 被作者拿来当 State 的范本，YipitData 报告显示过去三个月大约 95% 的首次语音 AI 买家是通过 ElevenLabs 进入这个品类的，2 月它在 D 轮融了 5 亿美元、估值 110 亿美元。它的优势不是模型更强，而是它定义了这个品类该叫什么、该被怎么想。Ramp 则被用来说明 Scale：服务超过 7 万家机构、年化采购流水超过 2000 亿美元，5 月客户中位数比一年前多省了 50% 的美元和 32% 的小时数。规模在这里不是体量，是「每一个新用户让产品更好用」的飞轮。

对营销人的影响。 这套框架对营销岗位的冲击是具体的。做内容的，你那套 prompt 万能模板下个月就被竞品抄走，但你为某个细分品类造的词、养的语言习惯，抄不走。做投放的，你买来的数据别人也能买，但「离开你之后客户的操作方式会变」这件事，是系统层面的粘性。做品牌的，State 这个 S 直接把你的工作从「做曝光」升级成「定义品类语言」。营销人要接受一个不舒服的事实：把 AI 当效率工具用，只能让你和别人一样快；要不一样，得在 State、Scale、System、Signal 四条线上各做一件别人懒得做的事。作者特别提醒，指数级技术改变的是建优势的方式，不改变底层经济，公司还是死于获客成本、毛利、留存这三件事。

怎么用。 本周就可以做一个小动作：拿 4S 给自己现在的产品或客户打分。State 这一项问「市场是不是用我们的话来描述这个品类」，没有就开始造词，哪怕是一个细分场景的命名。Scale 这一项问「每多一个客户，产品是不是真的更好用」，没有就和产品团队坐下来把数据回路补上。System 这一项问「客户如果停用我们，他的工作流会断在哪」，断点越深护城河越深。Signal 这一项问「我们是不是比客户自己更早知道他为什么买」，这个能力来自积累的购买动机数据，不是来自模型。打完分，挑最低的那个 S，下个季度专门攻它。别想一年把四个 S 都补上，那是自欺。

我的判断。 4S 框架不会让任何一家公司立刻变得不可复制，但它至少把「AI 焦虑」从一个情绪问题转成了一个可以打分的工程问题。我看好它的地方在于，它没有让营销人去和模型比谁出文快，而是把战场拉回到营销人本来就擅长的事：造词、养社群、建系统、读信号。我不看好它的地方是，State 这一项对小公司太苛刻，ElevenLabs 能成为品类代名词有融资和时机成分，不是光靠命名就能做到的。务实地说，4S 给了你一张自检表，至于能不能变成护城河，还得看执行。但有一件事可以确定：还在用「我们用了 AI」当卖点的公司，2026 年下半年会很尴尬。

🔗 深入阅读：查看完整文章

🏷 营销工具

CMO 构建 AI-first 营销团队的六步法

MarTech 同日发表了 Devart 兼 TMetric 的 CMO Margaret Lee 的实战总结。她的核心论点是：CMO 在 AI 转型里的头号工作不是选模型、买席位，而是改变团队怎么想问题、怎么写 brief、怎么评审、怎么交付。TMetric 的时间追踪数据显示，营销人花在 AI 工具上的时间几乎是其他岗位的两倍；麦肯锡的 State of AI 也指出，采用在涨，但很多公司还在试验，没动到工作本身。她给出六步：先把团队调动起来，用低压力的实验和公开庆祝让人愿意试；培训必须配同一周开工的真项目，不配项目的培训一周内就忘光，她团队最低必修三门 Anthropic 课程（Claude 101、Agent Skills 入门、AI Fluency 框架）；流程先理清再上 AI，乱流程上 AI 只会放大混乱；从上到下双线推，领导要当可见的实践者、把 prompt 和草稿晒出来，底层要找出 champion 给舞台；请懂营销栈的顾问，而不是只会搭 agent 的通才；最后把 AI 当操作系统来量，KPI 表里包括 pilot 团队 100% 完成必修课、每人交付一个 AI 辅助真项目、前三项常规任务工时降 60%、pilot 周活 70% 以上、报告周期缩短一半、内容产出五倍增长但不加人。

💬 营销人怎么用：这份 KPI 表直接抄。先把「前三项最耗时的常规任务」用时间追踪找出来，再设 60% 降工时的硬目标，别让 AI 转型停在「大家都在试」。一个反常识的提醒：她坚持培训必须配真项目，这点比选哪个课更重要。

🔗 深入阅读：查看完整文章

AEO 引荐流量不到 1%，但转化率是传统搜索的 3 到 15 倍

HubSpot 在 7 月 28 日更新的 AEO 长文里抛出了今天最反直觉的一组数字。Microsoft Clarity 在 2025 年 11 月的研究发现，AI 引荐流量占整体流量不到 1%，但转化率是传统搜索的 3 到 15 倍。Similarweb 2025 年的电商研究补充：ChatGPT 引荐在电商站的转化率是 11.4%，有机搜索是 5.3%。Copilot 的订阅转化率是传统搜索的 15 倍。HubSpot 自己 2026 年 1 月的全球调研更狠：AI 搜索使用是 CRM 软件买家购买意向的最强单一预测变量。文章解释这是因为 answer engine 做 query fan-out，把用户原本要分五次搜的子问题一次性解决，来到你站点的访客已经被预筛过，不再是十条蓝链接里的一个选项。HubSpot 同步发布 The State of AEO in 2026 报告供下载。

💬 营销人怎么用：本周就把 AEO 流量单独拆出来跟踪，别和有机搜索混在一起报。转化率差三倍以上的渠道，值得专门配人。先去 Microsoft Clarity 把自家的 AI 引荐转化拉一份，数字会替你向老板证明预算该往哪挪。

🔗 深入阅读：查看完整文章

HubSpot AEO vs Rank Prompt：两款 AI 可见度工具怎么选

HubSpot 紧接着发了工具对比长文。背景是它自己的研究：42% 的买家已经在评估流程里用 AI 搜索，这是购买意向的第一预测变量。文章把两个工具摆上台：HubSpot AEO 是 2026 年春推出的原生产品，单独卖 50 美元一个月（含 28 天免费试用），也打包进 Marketing Hub Pro 和 Enterprise，优势是生在 HubSpot 平台里、从第一天就知道你的行业竞品和客户分群，监控 ChatGPT、Gemini、Perplexity 三家，数据直连 CRM。Rank Prompt 是营销代理创始人先做内化工具再对外开放的产品，Mastercard、宝洁、7-Eleven 在用，覆盖六家 AI 平台（多 Claude、Grok、Google AI Mode），强项在执行层：AEO Content Studio 能出八种专门赚 AI 引用的文章类型，Citation Outreach 用自有 RP Score 判断哪个引用源真的接投稿，避开维基百科这种投不进去的站，还跑 Google Lighthouse 和 Core Web Vitals 的技术 SEO 审计。

💬 营销人怎么用：已经在 HubSpot 生态里的，先开 AEO 工具试 28 天，免费。多平台覆盖需求强、要做外链投放的，看 Rank Prompt。别同时买，AEO 还在早期，先跑通一个流程比堆工具重要。

🔗 深入阅读：查看完整文章

StackAdapt 推 Ivy Studio：DSP 从仪表盘走向 agent

MarTech 7 月 28 日报道，StackAdapt 发布 Ivy Studio 广告中枢，建在自家 Ivy AI 引擎上，用 agent 帮营销人分析投放上下文、挖机会、给建议、执行动作，全部在一个 hub 里完成。文章的核心判断是：过去十到十五年，营销人经历了战役管理系统、营销操作系统，现在进入 agentic 营销平台阶段，但营销人的时间依旧散在 LinkedIn、Meta、Google Ads、Tableau、Looker、CRM、CDP 之间。StackAdapt 的赌注是，自然语言界面已经不稀奇，差异化在于 agent 能不能把自然语言目标真的变成结果，而不是又一个会聊天的仪表盘。作者 Mike Pastore 提醒，加 AI 界面早不是新闻，把 dashboard 弱化、让 agent 替代传统 UI 才是这次的动作。

💬 营销人怎么用：投程序化广告的团队本月就该预约演示，重点看 agent 给的优化建议能不能直接执行，而不是把你导回仪表盘自己点。能不能落地，一个月内就能验。

🔗 深入阅读：查看完整文章

MAICON 2026 预告：把研究当一门纪律来做

Marketing AI Institute 在 7 月 28 日预告 MAICON 2026 议程，SmarterX 研究总监 Taylor Radey 将讲「AI Workflows to Research Anything Better」。她的核心观点是大多数营销人其实天天在做研究（买家画像、竞品分析、受众洞察、内容钩子），只是没把它当一门纪律，于是错失了用 AI 把研究做大做深的机会。她那句很值钱：「过去花一周做的市场扫描、竞品分析、读几百条客户评论，现在一个下午能做完。」但更深的转变是行为层面的：研究又快又便宜之后，你不再配给研究，你会去查那个更小的细分、第二个竞品、那个一直想验证的假设。SmarterX 团队现在做的研究和数据驱动决策比以往都多，时间和成本没增加。她的四个研究工作流是买家研究、竞品情报、受众和客户洞察、内容研究。

💬 营销人怎么用：别再把 AI 研究当成「省时间」，把它当成「能做得起更多研究」。本周挑一个一直因为没时间没做的细分假设，用 deep research 工具跑一遍，看决策质量有没有变。

🔗 深入阅读：查看完整文章

2026 删负面搜索结果的五策略，AI 搜索改写了口碑玩法

MarTech 7 月 28 日发了 Erase.com 的实战长文。开篇一句很锋利：你的品牌搜索结果页是你控制不了的一个落地页。文章把负面内容排得靠前的原因拆成四条：域名权重高（新闻站、法院记录聚合、投诉板）、相关性好（标题 URL 里就带品牌名）、参与度高（负面更吸点击和停留）、竞争太薄（多数人和小品牌的实体足迹弱，不是负面太强，是别的太弱）。五策略从最永久到最耐用排：源头删除（找到决策者通常是编辑不是记者，带着文档去谈，删不掉就求改或加 noindex）；Google deindex（Results About You 已覆盖住址、电话、邮箱、金融医疗信息、深度伪造，Outdated Content 工具触发重抓取）；法律路径（适用于诽谤、版权、隐私）；压制（删不掉的就做正面内容铺量）；最后是 AI 搜索下的口碑管理，这是 2026 新增的维度。

💬 营销人怎么用：现在就把自家品牌词的 AI 答案跑一遍（ChatGPT、Gemini、Perplexity 各问一次），看 AI 怎么说你。负面内容在 AI 答案里比在 Google 第一页更致命，因为 AI 只给一个答案。

🔗 深入阅读：查看完整文章

🏷 产品发布

Yelp 把点评和本地线索授权给 ChatGPT

MarTech 7 月 28 日报道，Yelp 将点评、评分、图片和本地商户信息授权给 OpenAI，内容直接进 ChatGPT 的回答。用户问本地推荐时，回答里会出现 Yelp 点评、评分、图片和商户详情，Yelp 的品牌和链接会一同露出，两家还计划接入 Yelp 的 Request a Quote 功能，让用户在 ChatGPT 里直接联系本地服务商。Axios 披露，交易条款未公开，且不排他，Yelp 还可以把数据授权给其他 AI 公司。这个动作复制了 Yelp 在 Apple Maps 上的分发逻辑：与其和 AI 平台抢用户注意力，不如把自己的专有数据变成 AI 答案里的引用源。类似的授权协议在 OpenAI 和出版商、Reddit 之间都已经发生过。

💬 营销人怎么用：本地生意的老板和市场人，现在必须把 Yelp（以及大众点评、小红书这类评价源）的运营当成 AEO 的一部分。ChatGPT 给出的本地推荐越来越依赖这些专有数据源，你的评分和点评量直接决定你出不出现在答案里。

🔗 深入阅读：查看完整文章

NiCE 的 AI 个性化长文：从数据源到实时决策的框架盘点

NiCE 发了一篇框架密集的 AI 驱动个性化长指南。文中一组数据值得记：76% 的消费者在没有得到个性化互动时会失望，52% 的客户期望 Offers 被量身定制，77% 愿意为个性化体验多付钱，56% 在个性化体验后成为回头客，67% 把推荐作为首次购买的重要因素。文章把 AI 个性化的关键能力归为四块：个性化产品推荐、AI 聊天机器人、动态定价、动态内容个性化。落地路径上，它强调数据采集和整合是地基，有效分群能把对客户挑战的理解提升 60%、对客户意图的理解提升 130%。挑战部分老生常谈但真实：个性化与隐私的平衡、保持人的触感、新访客数据稀缺。NiCE 顺带推自家的 CXone 平台做实时路由和响应。

💬 营销人怎么用：把这组数字（77% 愿付更多、56% 回头、130% 意图提升）存进你的提案模板，下次为个性化项目要预算时直接用。框架是通用货色，数据才是弹药。

🔗 深入阅读：查看完整文章

🏷 行业数据

AI 购物统计 2026：采纳、信任缺口与 agentic 购物的钱景

MarTech 的 Pamela Parker 整理了一份只引用 2026 年报告的 AI 购物数据合集，密度极高。采纳：43% 的美国网购者在过去 90 天用 AI 助手做产品研究，其中 20% 在最近一次超过 50 美元的网购里用了 AI；30% 的美国消费者用 AI 做过购买决策，按代际拆 Gen Z 是 40%、千禧一代 42%、Gen X 28%、婴儿潮 13%。漏斗位置：46% 的 AI 用户从独立 AI 平台开始研究（2024 年是 25%），传统搜索从 43% 跌到 24%；53% 主要用 AI 做选项比较和缩小清单。信任缺口：86% 用 AI 做研究的买家会在下单前用别的来源验证；42% 会不查第二来源就信 50 美元以下的花费，但只有 5% 敢对 500 美元以上的花费这么干。流量冲击：美国零售网站的 AI 来源流量同比暴涨 1200%，AI 引荐买家转化率比其他来源高 31%；NielsenIQ 估 agentic 购物到 2030 年占美国电商 190 亿到 385 亿美元。品类：旅游 71%、消费电子 65%、金融产品 62% 用 AI 研究。

💬 营销人怎么用：这组数字直接拿去给老板做「AI 渠道不能再等」的报告。重点不是 43% 的采纳率，是 86% 的验证缺口，买家用 AI 做初筛，再去别处确认，你的内容必须在 AI 答案和验证渠道两处都在场。

🔗 深入阅读：查看完整文章

2026 营销中 AI 统计：ROI、工具与趋势

SQ Magazine 发了一份覆盖 ROI、工具采用、趋势的 AI 营销统计合集（5 万多字数据密集）。这类合集的价值不在某一组数字多惊艳，而在把分散在十几份报告里的口径统一摆出来，方便做提案和汇报。核心要点围绕 AI 在营销里的投入产出比、营销人实际在用哪些工具、采用趋势按行业和规模怎么分布。和 MarTech 那份 AI 购物统计互补：那份偏消费者行为，这份偏营销人自己怎么用 AI。

💬 营销人怎么用：做年度 AI 营销规划时，把这份当数据底库。挑三到五组和你的行业、规模匹配的数字放进规划开篇，比泛泛说「行业都在用」有说服力。

🔗 深入阅读：查看完整文章

AI 转型 2026：26 条预测重塑 CX、EX、设计与产品

LinkedIn 上 Saltz 和 Gulko 发了一份 26 条预测的长文，覆盖客户体验、员工体验、设计和产品创新四个面。预测密集型内容的价值在于：它把零散的趋势信号压缩成一张可勾选的清单，方便团队分头认领。这类文章的典型短板是预测颗粒度参差，有的准到岗位、有的停在口号，使用时需要自己筛。和 MarTech 的购物统计、NiCE 的个性化指南放一起看，能拼出 2026 下半年营销该关注的三条主线：AI 引荐渠道的高转化、个性化从推荐升级到实时决策、agentic 购物从概念走向预算。

💬 营销人怎么用：拿这份做团队季度头脑风暴的引子。每条预测让大家投票「跟我们有没有关系」「下半年该不该动」，筛出前三条，比读完全文 26 条更有产出。

🔗 深入阅读：查看完整文章

🏷 政策投融资

GDPR 对营销的影响：欧洲议会研究服务的学术全景

欧洲议会研究服务（EPRS）2020 年发布的 GDPR 对营销影响研究报告（STUDY 2020/641530），虽是数年前的文献，但被 bestdaily 当日重新拉回视野，依然是数据合规领域的权威参考。报告系统性梳理了 GDPR 生效后对直接营销、用户画像、同意机制、数据主体权利的冲击。对 2026 年的营销人来说，它的现实意义在于：AI 营销的个性化、跨设备追踪、行为分析，每一个动作的合规边界都可以在这份报告里找到法理依据。和当日其他几条（AI 伦理的 ScienceDirect 论文、Gen AI 风险框架）放一起看，构成「营销用 AI 的合规底盘」。

💬 营销人怎么用：法务和市场联合做合规自查时，这份当底稿。尤其做跨境、做欧洲市场的，用户画像和同意机制这两块，先对齐 GDPR 再谈个性化，否则罚款比营销预算还大。

🔗 深入阅读：查看完整文章

AI 数字营销的伦理：一个新的数据隐私悖论

ScienceDirect 的 Journal of Innovation & Knowledge（2024 年 10-12 月刊）发表了 Saura 等人的系统文献综述，用多重对应分析（MCA）方法从 28 篇研究里提取 21 个变量，识别出一个核心悖论：跨设备追踪和数据驱动技术是 AI 营销里最赚钱的动作，却和 AI 营销伦理没有显著关联；个性化社媒内容和广告也跟隐私标准挂不上钩。研究反而发现行为分析、智能内容、元宇宙这几项之间强关联，却同样没接到隐私或伦理上，这意味着这些新兴技术在研究版图里处于伦理真空。作者呼吁采用 privacy-by-default 和 privacy-by-design 框架，把用户数据当个人身份的延伸来对待（data dignity）。

💬 营销人怎么用：做个性化产品或广告的团队，拿这条去推动法务提前介入，别等产品上线被监管找上门。文章给了一个很实用的角度：最赚钱的动作恰恰是最缺伦理约束的，风险最高。

🔗 深入阅读：查看完整文章

营销中生成式 AI 使用的风险与治理框架

McKinsey 高级专家经理 Eva Dong 在 LinkedIn 发了第九篇 Smart AI Marketing 系列文。她把生成式 AI 在营销里的风险拆成五项：内容趋同（训练数据窄则产出雷同）、缺乏人类直觉（无法复刻情绪和创意）、偏离品牌（无监督的 AI 产出 off-brand 内容）、伦理与隐私担忧、监管风险。对应给出八条操作指南：用多元高质量数据、保留人类介入、定期审计品牌一致性、效率与创意平衡（鼓励团队用 AI 做设计和文案，但创意 brainstorm 必须留给人）、调参数增加多样性、用 AI 的个性化能力避免一刀切、合规、建立伦理流程。

💬 营销人怎么用：这八条直接做成团队用 AI 的 checklist，贴在 Slack 频道置顶。尤其「定期审计品牌一致性」这条，AI 产出多了之后，off-brand 的概率比人写高得多，审计不能省。

🔗 深入阅读：查看完整文章

生成式 AI 在内容营销的收益与风险：学术综述

ResearchGate 上 ADA University 的 Khalil Israfilzade 在 2024 年 7 月发表会议论文，系统梳理生成式 AI 在内容营销的两面。收益一侧：内容创作效率、更好的个性化、成本节约、创意增强。风险一侧：内容质量参差、伦理担忧、技术依赖、虚假信息扩散、内容价值稀释。文章试图给一个平衡视角，并指出未来趋势。对营销人来说，这篇的价值是给「AI 内容」提供了一个不站队的参照系：当你团队内部在吵「AI 内容行不行」时，把这篇扔出来，它两边都认。

💬 营销人怎么用：团队对 AI 内容有分歧时，用这份做讨论底稿。重点不是它说了什么，是它让正反双方都觉得自己被看见了，讨论才能往前走。

🔗 深入阅读：查看完整文章

AI 营销应用文献综述：一个领域地图

ScienceDirect（ISSN 期刊）上的这篇文献综述系统梳理了 AI 在营销领域的应用研究。对一线营销人来说，这类学术综述不是用来逐字读的，是用来定位的：想知道某个具体应用（推荐系统、客户分群、广告优化、情感分析）有多少学术证据支撑，可以在它的引用网络里找到入口。它的存在也提醒一件事：营销圈热炒的很多 AI 用法，学术界几年前就在研究了，差距在于工程化和落地。

💬 营销人怎么用：做年度学习计划时，挑综述里和你工作最相关的一两个子领域，顺藤摸瓜读两三篇原始论文。比读行业白皮书更扎实，也更不容易被 vendor 带节奏。

🔗 深入阅读：查看完整文章

🏷 大模型动态

中国中小企业的跨境电商策略：生成式 AI 时代

Li Xiyang 和 T. Ramayah 在 Universiti Sains Malaysia 的研究（IJARBSS 2024 年 11 月刊）用文献分析和半结构化访谈，梳理中国跨境电商中小企业在生成式 AI 时代的现状、挑战和发展策略。研究背景是中国跨境电商的体量与中小企业的角色，挑战集中在品牌、物流、合规、人才，策略部分强调用生成式 AI 做选品、 listing 本地化、客服、市场洞察。对做跨境的营销人，这份研究把「AI 怎么帮中小企业出海」从口号落到了具体环节。

💬 营销人怎么用：做跨境出海的团队，按这份研究的环节对照自家流程，看 AI 已经接上哪几环、还漏哪几环。选品和 listing 本地化是性价比最高的两个切入点。

🔗 深入阅读：查看完整文章

AI 与跨境电商深度融合：技术驱动时代的视角

Clausius Press 期刊发表的这篇学术文章（2025 年 4 月）从技术驱动的角度讨论 AI 与跨境电商的深度融合。和上一篇 Ramayah 的研究互补：那篇偏中小企业策略，这篇偏技术与机制。两篇合起来，给做跨境的人一个相对完整的图：一边是策略层怎么用，一边是技术层怎么融。

💬 营销人怎么用：和上一篇一起读。技术团队看融合机制，市场团队看策略落地，两边对齐才不会出现技术做了但市场用不上的尴尬。

🔗 深入阅读：查看完整文章

Marketing AI Institute 博客索引：AI Native、AI Emergent 与 Obsolete（偏薄条目）

Marketing AI Institute 的博客索引页被 bestdaily 拉回视野，置顶文章是「The Future of Business Is AI, or Obsolete」，核心观点是每个行业未来会有三类公司：AI Native（原生用 AI 的）、AI Emergent（正在转向 AI 的）、Obsolete（被淘汰的）。这条 daily-pack 正文偏薄，主要是博客入口列表，但这个三分法本身值得记住，它把「用不用 AI」从一个工具问题升级成了生存问题。索引页同时列出了近期多篇相关博客，包括用 AI 做一分钟竞品分析、AI 模型快速更替下如何保护工作成果、用 AI agent 做数据分析、营销团队内部 AI 落差、B2B 营销人现在该做的两件事、品牌声誉在 AI 时代先于你到达、用 AI 当思考伙伴等。

💬 营销人怎么用：用这三类公司给自家打分，是哪一类、往哪一类走。这个分类比 ROI 数字更能说服老板重视 AI，因为没人想当 Obsolete。注：本条按 daily-pack 摘要写足，正文偏薄，不杜撰。

🔗 深入阅读：查看完整文章

💡 今日总览

把今天 20 条连起来看，一个主线浮出来：AI 营销的竞争轴心正在从「谁用上了 AI」转向「谁用 AI 做了别人替代不了的事」。4S 框架把这个转向说清楚了，State、Scale、System、Signal 四条线就是四条护城河，靠模型能力堆出来的增长在 48% 对 82% 的留存数字面前根本站不住。AEO 的数据是另一只靴子：AI 引荐流量不到 1%，却转化得像黄金，这说明买家已经用 AI 做完初筛再来你站，你如果不在 AI 答案里，连被筛的机会都没有。Yelp 把点评接进 ChatGPT、StackAdapt 用 agent 替代仪表盘、HubSpot 把 AEO 工具做到 50 美元一个月，这些动作合起来在说同一件事：分发的权力正从搜索引擎转到 AI 助手，谁先把自己的数据、内容、口碑接进这些 AI，谁就拿到下一波。

另一条主线是合规与伦理不再是后台议题。GDPR、数据隐私悖论、生成式 AI 的内容风险，这三块在今天的情报里同时出现不是巧合，监管已经在追上技术的速度。营销人这一周最该做的三件事：第一，把 AEO 流量从有机搜索里拆出来单独量，转化率差三倍以上的渠道值得单独配人；第二，用 4S 给自家产品打分，挑最低那个 S 下季度专攻；第三，把团队用 AI 的规范写成一张 checklist，尤其品牌一致性审计这一条不能省。今天的 20 条不是 20 个独立新闻，是一张同一时刻的航拍图，航拍图上写着六个字：护城河，分发权。