88%在用，6%赚到钱：10家公司的AI营销账本

前段时间看到一个数字，挺扎心的。

88%。这是现在营销人日常工作中使用AI工具的比例。

几乎人人都上车了。

但你猜，真正从AI投入里赚到钱的，有多少？

6%。

来自McKinsey 2025年的《AI现状报告》。换句话说，94%的公司，钱花了，没听见响。

这个差距是怎么来的？我翻了一圈真正做出结果的公司，发现一件事。赚到钱的那些，做的事跟没赚到钱的，根本是两码事。

没赚到钱的，大多在用AI写文案、做图、群发邮件。更快，但本质没变。

赚到钱的，问的是另一类问题：哪个客户下个月要走？这批线索里哪几个会真的下单？下个月的库存该备多少？

前者是自动化，后者是预测。中间隔着一整个ROI的鸿沟。

我把10家公司的账本翻给你看。看完你就明白，差距到底在哪。

Starbucks：把促销做对了，比多开店还赚钱

先说一个让我「天呐」的。

Starbucks有个内部AI平台，叫Deep Brew。它干的事听起来不复杂：分析每个会员的购买记录、位置、天气、当地有没有活动，然后在你最可能想喝点什么的时候，通过App推一张优惠券过去。

就这么一件事。

结果呢？收到这种个性化推送的会员，消费额是没有收到的3倍。美国市场的App活跃度涨了23%，中国市场会员参与度涨了35%。算下来，全球层面AI带来的ROI提升是30%，人均客单价涨了14%。

更夸张的是供应链那头。AI优化库存和补货，一年省下1.25亿美元。

你想想看，一个咖啡品牌，靠「在对的时间给对的人推对的券」这件事，就吃下这么大的增量。这跟开新店、打广告比，性价比高到离谱。

Sephora：客户终身价值涨了29%，没靠降价

美妆零售竞争激烈，Sephora的打法值得单独拿出来说。

他们搭了一套叫Beauty OS的系统，把几样东西捏在了一起：预测每个客户未来能值多少钱（CLV）、AI推荐商品、虚拟试妆、肤质诊断。线上App、官网、线下门店，数据全通。

虚拟试妆这个功能，用过的人转化率是没用的人的3倍。跨品类购买涨了47%。

最关键的数字是：整个会员体系的客户终身价值，涨了29%。

29%是什么概念？不是多卖一次货，是同一个客户，在他跟品牌打交道的整个生命周期里，多贡献将近三成的钱。

这背后没有打折。Sephora用CLV预测给客户分层：哪些值得重点投入、哪些该用什么话术、预算往哪挪。说白了，把好钢用在刀刃上，而不是对所有客户一视同仁。

顺带一提，AI还把他们内容制作的成本砍了38%。

Netflix：一年省10亿美元，靠的是「提前知道你要走」

Netflix可能是被引用最多的AI营销案例。但每次被引用，都有人只提推荐算法，忽略了真正赚钱的部分。

推荐算法当然厉害。平台上80%以上的观看行为都是它影响的。但这只是前菜。

真正值钱的是流失预测。

Netflix有一套专门的模型，盯着每一个订阅者，判断他是不是「快要不续费了」。一旦判定高风险，立刻触发针对性的挽留动作。最近一轮针对高风险用户的专项动作，三个月内把取消率压低了6%。

他们的月流失率长期维持在2.5%上下，在整个流媒体行业里是相当低的水平。

算笔账：少流失一个用户，就少花一个获客成本。Netflix靠这套机制，一年省下来的钱，估计超过10亿美元。

还有一个细节也挺狠。Netflix用AI给每一部片子生成不同版本的缩略图，根据你的观看习惯挑一张最可能让你点进去的。就这一个动作，参与度最多能拉高30%。

连拍什么内容，他们都用预测来辅助决策。原创内容的成功率被推到约93%，行业平均只有35%左右。

Grammarly：把400个烂线索，砍成200个好线索

这家公司让我重新认识了「预测性线索打分」这件事到底有多大用。

Grammarly有3000万日活的免费用户。问题是，免费用户太多了，销售团队根本分不清谁真的准备升级付费、谁只是用着玩。

他们原来的做法是：每个月往销售那边推400多个「线索」。结果呢，里面一大堆是机器人、是注册了再也没登录过的账号。销售的时间，大量浪费在没戏的人身上。

后来他们接了Salesforce Einstein。AI去分析每个免费用户的活跃模式、用了哪些功能、编辑什么类型的文档、有没有跟别人协作。然后给每个账号打分。注意，这个分看的不是「他活不活跃」，看的是「他升级的可能性有多大」。

效果立竿见影。

账号升级率涨了80%。MQL转化率涨了30%。销售周期从60到90天，缩到大概30天。每个月推给销售的线索从400多个降到200个左右，但质量高了不止一倍。邮件退订率只有0.04%，行业平均是2%左右。

Grammarly负责这块的同事说了一句话，我觉得说透了：从追求量，变成追求精准。精准比量值钱得多。

Progressive：一个预测功能，一年赚20亿美元保费

Progressive这家保险公司做的事，是这10家里最让我震撼的。

他们有个叫Snapshot的车载设备，收集驾驶行为数据。Progressive拿超过100亿英里的驾驶数据，训练了一套机器学习模型。

这套模型干了一件非常具体的事：判断一个潜在客户，此刻购买保险的意愿有多强。意愿最强的那个瞬间，手机App里会冒出一个「立即购买」的按钮。

就这一个功能，一年带来了20亿美元的新增保费。

模型识别高意向客户的准确率大约是90%。

你品一下这个逻辑。它跟在用户刷朋友圈的时候插一条广告完全不一样。AI算出来「这个人现在最可能掏钱」，然后在这一刻把购买路径怼到他面前。

预测的价值，不在于生成一份报告，在于触发一个动作。在哪个渠道、对哪个人、在什么时候触发。Progressive把这件事做到了极致。

他们后来还跟Claritas合作，用AI优化广告创意，对照组测试下来，效果提升了197%。

U.S. Bank：线索转化率翻了2.35倍

银行做AI营销，最容易卡在「部门墙」上。财富管理、零售银行、房贷，各管各的，客户数据不互通。

U.S. Bank把Salesforce Einstein铺到了全行。AI实时给线索打分、排序，而且做到一件很多银行做不到的事：跨部门共享。一个在零售银行这边表现出贷款意向的客户，房贷部门能立刻看到。

结果，线索到转化的比率提升了2.35倍。也就是235%。手工筛选线索的工作量降了60%以上。

他们还用Einstein Discovery做流失预测，而且做了一件事我觉得很聪明：不只告诉团队「谁可能走」，还解释「为什么」。

一个孤零零的流失分数，团队看了也不知道该干嘛。但如果是「这个客户可能走，原因是最近三个月服务响应变慢、且有竞品在接触」，团队立刻知道该怎么补救。

Stitch Fix：75%的搭配是AI做的

Stitch Fix这家公司，本质上是一家机器学习公司，只不过卖的是衣服。

他们的算法分析你的风格偏好、购买记录、身材数据、季节趋势、退货行为，然后预测：给你寄的这箱衣服里，每一件你留下的概率有多大。

大约75%的盒子选择，现在是AI在驱动。

财报数字很扎实：AI选品带来的客单价同比涨了9%，而且连续7个季度都在涨。每个活跃客户贡献的收入涨到542美元，同比涨3.2%。

他们还收购了两家公司，一家做CLV预测，一家做需求感知，全整合进自己的搭配引擎里。后来又上了虚拟试妆和AI风格助手。

2025财年第三季度，他们重新回到增长轨道。

L'Oréal：虚拟试妆一年超过1亿次

L'Oréal是全球最大的化妆品公司，但你可能不知道他们还雇了2000多名IT和美妆科技专家，外加800名数据分析师。

他们的虚拟试妆技术ModiFace，一年被使用了超过1亿次，同比增长150%。用了这个功能的用户，转化率是基准的3倍。带AR体验的营销活动，转化率提升20%到80%。线下门店部署ModiFace后，相关品类销售额涨了约30%。

媒体投放这边，他们有个叫Tidal的工具自动优化广告采买。北欧试点下来，媒体效率提升22%，广告效果提升14%。

还有个叫TrendSpotter的AI，分析超过3500个信息源，提前6到18个月预测美妆趋势。这个预测同时喂给产品研发和营销策略。

你看，L'Oréal压根没有把AI当成单一工具用，它搭的是一张网。试妆、推荐、投放、趋势预测，每一环都在互相喂数据。

Zara：85%的商品按原价卖掉

时尚零售行业，平均只有60%的商品能按原价卖出去，剩下要打折清仓。

Zara这个数字是85%。

差出来的25个百分点，是几十亿美元的利润。

怎么做到的？Zara用RFID在6000多家门店实时收集销售数据，再加上顾客行为分析和社交媒体趋势信号，在SKU级别预测每一款商品的需求。

从设计到上架，Zara只要10到15天。行业平均是3到6个月。

MIT的研究确认，这套系统把预测误差从21%压到17%，潜在的销售损失能减少24%，库存管理成本降了约20%。Zara门店的顾客到访频率是每年17次，在时尚零售里几乎没人能比。

对营销团队来说，这个故事的启发是：需求预测不只是供应链的事。你能预测客户想要什么，促销就能做得更准、打折就能更少、利润就能更厚。

Amazon：35%的收入来自推荐

最后说Amazon。

他们的推荐引擎每天处理超过1500亿条客户行为数据点，覆盖6亿多种商品。这个引擎驱动了Amazon大约35%的总收入。

按Amazon的体量算，这是超过700亿美元。

用过推荐功能的用户，客单价高出31%。Amazon的跳出率约35%，而Walmart是50%、Target是45%。结账页面的推荐，能把购物车放弃率降低4.35%。

Amazon的做法粗暴直接：首页、商品页、邮件、Alexa，每一个触点都给你一个不一样的个性化体验。

这种基础设施，大多数公司复制不了。但底层道理是通的：当你能准确预测客户下一步想要什么，其他所有事都会变简单。

这10家公司，到底做对了什么

看完这些账本，我发现赚到钱的那批，有四件事是一致的。

第一，他们问的是「接下来会怎样」，不是「过去发生了什么」。

每一家都在用AI做预测。客户会不会走、线索会不会转化、下个月需求多少。报告可以晚点再看，但预测必须现在就做。Gartner 2026年初的判断是，到2028年，60%的品牌会用智能体来做一对一的客户互动。先到的吃肉，后来的喝汤。

第二，预测必须接到动作上。

一个流失分数躺在仪表盘里，流失率一分钱都不会降。Progressive在最高意愿时刻弹出购买按钮，Netflix自动触发挽留活动，Sephora用CLV重新分配营销预算。预测的价值，等于它触发的那个动作的价值。

第三，先有业务问题，再找技术。

这10家没有一家是先评估工具再想怎么用的。他们都是先有一个具体问题，「怎么留住更多客户」「销售该重点跟进谁」，然后才去找技术方案。Gartner 2025年CMO调查也印证了这一点：从AI里拿到结果的组织，都是把AI绑在具体业务结果上的，没人拿AI搞实验玩。

第四，他们重构了流程，没有给旧流程打补丁。

McKinsey把那6%真正赚到钱的公司叫「AI高绩效者」。这些公司重构工作流程的可能性是其他公司的3倍。他们不把AI当插件，而是围绕AI能做的事重新设计整个流程。

一句大白话

这10家公司，每一家都花了多年、投了几千万甚至上亿美元，才搭起自己的预测能力。

这种能力，过去只有它们玩得起。

Pecan这家公司做的事，就是让没有数据科学团队的市场部、运营团队、增长团队，也能用大白话问一个业务问题，然后拿到一个可以直接用在业务里的预测结果。不用写代码，不用等数据科学家排期，不用请外部顾问。

他们客户现在的平均水平是：流失率降12%、CLV涨10%、ROAS提升15%，模型上线速度比传统方式快32倍。

这10家公司的故事，本质上是同一个故事：谁先把预测能力交给一线做决策的人，谁就先拿到那94%的公司还没拿到的东西。

至于剩下那94%什么时候追上来，就看各自的本事了。