AI时代,营销的成本是提高了还是降低了?
真相是：显性成本断崖式下跌，隐性成本指数级飙升
这个问题，我问了10个CMO，得到了10个截然不同的答案。
有人说：“以前写一篇深度推文要2000元，现在AI10秒生成，成本几乎为零。”
也有人说：“以前投广告是‘花钱买流量’，现在投广告是‘花钱买信任’——流量便宜了，信任贵了。”
还有人苦笑：“以前我的成本是‘人力’，现在我的成本是‘算力’——人力变少了，算力变贵了，我分不清哪个更难控制。”
所以，AI时代的营销成本，到底是高了还是低了？
答案远比“是或否”复杂。如果我们把“成本”拆解为显性成本、隐性成本、结构成本三个维度，会发现一个惊人的事实：AI正在重塑营销成本的结构，而不是简单地降低或提高。
一、显性成本：断崖式下跌，但“免费”背后有陷阱
显性成本，是你能直接算出来的钱：文案撰写、图片设计、视频制作、广告投放……
在这些环节，AI带来的降本效果是肉眼可见的。
1.1 内容生产成本：从“千元级”到“分钱级”
一个真实的对比：
|
|
|
|
|
|---|---|---|---|
|
|
|
|
99.9% |
|
|
|
|
90%以上 |
|
|
|
|
99%以上 |
|
|
|
|
95%以上 |
一位电商创业者告诉我：“以前我一个月的内容预算要3万，现在3000就够了。省下来的钱，我拿去投了更多渠道。”
但这只是故事的一面。
1.2 广告投放成本：CPM降了，但竞争变了
以Meta和Google Ads为例：
-
CPM（千次展示成本）：过去三年整体下降了约15-20%（数据来源：WordStream） -
CPC（单次点击成本）：部分行业下降了30%以上
为什么？因为AI提升了广告系统的匹配效率，同样的预算能触达更多精准用户。同时，AI生成广告素材的成本大幅降低，让更多中小玩家有能力入场，导致流量供给增加，价格反而被摊薄。
1.3 但“免费”的陷阱在哪里？
当所有人都在用AI批量生产内容时，一个残酷的规律开始显现：内容的“技术成本”归零了，但“信任成本”飙升了。
以前，一篇优质推文是稀缺资源，读者愿意花时间阅读。现在，AI一天能生成1000篇，读者开始变得警惕——这是人写的还是AI写的？可信吗？
于是，一个新的成本出现了：证明“我是人”的成本。
二、隐性成本：指数级飙升，且难以量化
隐性成本，是看不见、算不清、但真实存在的成本：信任构建、品牌差异化、用户注意力争夺……
在AI时代，这些成本正在以惊人的速度攀升。
2.1 信任成本：从“内容为王”到“验证为王”
一位消费品品牌创始人的话很扎心：“以前我花1万块写一篇深度测评，用户看完就下单了。现在我花1000块用AI写10篇，用户看完反而去小红书搜‘XX品牌是智商税吗’。”
这不是他的错觉。Edelman Trust Barometer 2026年的数据显示：
-
消费者对AI生成内容的信任度：仅**32%**，比人类创作内容低41个百分点 -
73% 的消费者表示，他们在购买前会主动验证品牌信息的真实性 -
验证行为包括：搜索第三方评价（89%）、询问身边朋友（67%）、查看品牌是否公开了AI使用情况（54%）
这意味着：你的内容成本降了90%，但你需要花原来10倍的钱去证明“我值得信任”。这笔账，有人算过吗？
2.2 注意力成本：流量多了，但转化少了
AI让内容供给爆炸，但人类的注意力并没有增长。结果就是：每条内容获得的平均注意力，被无限稀释。
根据Similarweb的数据：
-
网页平均停留时间：从2023年的54秒降至2026年的38秒（下降30%） -
社交媒体帖子的平均阅读完成率：从42% 降至19% -
用户每天接触的营销信息量：从3000条增至12000条
用一位品牌总监的话说：“以前你发一条内容，用户可能看30秒。现在你发10条，用户可能每条看3秒。总注意力时间没变，但你要花10倍的力气去抢那3秒。”
2.3 安全与合规成本：AI不是法外之地
随着AI营销的普及，监管正在迅速跟上。
欧盟《AI法案》已经生效，要求AI生成内容必须明确标注。美国FTC也出台新规，对AI生成的虚假评价处以最高5万美元/条的罚款。
中国更严格。《互联网信息服务深度合成管理规定》明确要求：使用AI生成的内容，必须添加“显著标识”。未标注的，平台可依法处置，监管部门可依法处罚。
一位MCN机构的法务告诉我：“以前我们一个季度才处理一次合规问题，现在每周都有。专门养了3个人的合规团队，成本从0涨到了每月8万。”
三、结构成本：营销预算正在“重新分配”
如果把营销预算拆开看，会发现AI并没有让总预算减少，而是让预算的流向发生了根本性变化。
3.1 人力成本：从“执行者”到“指挥者”
先看一组对比数据：
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 合规审核 |
|
|
新增 |
| AI提示词工程师 |
|
|
新增 |
| AI效果评估 |
|
|
新增 |
结果：执行岗位的人力成本下降约60-70%，但新增的“AI管理岗位”成本，抵消了相当一部分节省。
3.2 算力成本：新的“营销开支”
这是最容易被忽视的变化。当营销团队开始大量使用AI时，算力成本从“IT部门的事”变成了“市场部的账单”。
一个中型消费品品牌的真实账单：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
| 合计 | 12,000-22,000元 |
这笔钱，以前是“没有的”。现在，它成了市场部的新增固定开支。
3.3 投放结构：从“广撒网”到“精准点射”
AI让投放变得更精准，但也让竞争变得更激烈。
一个有意思的现象：虽然单次点击成本下降了，但“试错成本”上升了。
因为AI可以快速生成大量广告素材、快速测试、快速迭代。以前一个广告计划要跑一周才能得出结论，现在一天就能测完10个版本。
结果是：优化的频率提高了，但优化的成本总量并没有下降——只是从“人工优化”变成了“算力优化”。
一位投放总监说：“以前我一个月测10个版本，现在一天测50个版本。单版本成本降了90%，但我测的版本数量涨了10倍。总成本，没变。”
四、一个残酷的真相：营销的“成本中心”在转移
把以上所有变化综合起来，会发现一个清晰的趋势：
AI没有让营销变“便宜”，而是让营销的“成本中心”发生了转移。
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
结论：以前的钱主要花在“生产内容”上，现在的钱主要花在“让内容被信任”上。
或者用更直白的话说：内容不值钱了，信任值钱了。
五、不同玩家的不同答案
当然，AI对营销成本的影响，对不同规模、不同赛道的企业是完全不同的。
5.1 对小企业：红利期，显性成本大幅下降
对于预算有限的小企业来说，AI是绝对的福音。以前请不起文案、请不起设计、请不起投放师，现在几千块就能搞定一个“AI营销团队”。
一位个体创业者说：“以前我要攒够5万块才敢做一次营销投放，现在5000块就够了。虽然效果可能不如大公司，但我终于有资格上场了。”
对小企业，AI时代是“入场券变便宜了”的时代。
5.2 对中型企业：结构性焦虑
中型企业是最尴尬的。他们既没有小企业的灵活，也没有大企业的资源。
他们发现：
-
小企业用AI追了上来，竞争压力增大 -
大企业用AI拉开了差距，因为大企业有数据、有算力、有合规团队 -
自己的优势——执行效率——被AI抹平了
一位中型品牌CMO说：“以前我的护城河是团队的执行力，现在AI让所有人的执行力都变成了60分。我要重新找护城河，但建护城河的成本比以前高得多。”
对中型企业，AI时代是“护城河变贵了”的时代。
5.3 对大企业：基础设施竞赛
大企业则在打一场完全不同的战争。
他们不关心“内容生产省了多少钱”，因为那点钱对他们来说微不足道。他们关心的是：
-
如何用AI建立更高的品牌信任壁垒 -
如何用AI实现更精准的用户触达 -
如何用AI构建“营销数据飞轮”
一位头部消费品牌的CMO说：“我们今年的营销预算没降，反而涨了30%。因为我们要建自己的AI营销中台、训练专属品牌模型、建立合规审核体系。这些‘基础设施’的投入，以前是没有的。”
对大企业，AI时代是“基础设施投入期”的时代。
六、写在最后：营销成本的新公式
回到最初的问题：AI时代的营销成本，到底是高了还是低了？
答案是：都对了，也都不对。
如果你只算“内容生产”这一项，成本降了90%以上。 如果你算“总营销预算”，多数企业的预算没有显著下降，甚至上升了。 如果你算“获得一个信任用户的总成本”，这个数字可能正在悄悄上涨。
这不是AI的问题，而是营销本质的变化。
AI时代，营销的公式变了。
从：
营销效果 = 内容质量 × 投放规模
变成了：
营销效果 = （AI生产的内容 × 投放精度） × （品牌信任 + 用户体验）
当内容成为“公共品”，信任成为“新稀缺品”，营销的核心成本自然从“内容工厂”转移到了“信任工厂”。
这是一个好消息，也是一个坏消息。
好消息是：小企业终于有了和大企业同台竞技的入场券。 坏消息是：这张入场券只是开始，真正的竞赛才刚刚打响。
而对于每一个营销人，这个时代最大的挑战不是“会不会用AI”，而是：在所有人都能用AI批量生产内容的时代，你凭什么让你的用户相信你、记住你、选择你？
这个问题的答案，才是AI时代真正的“成本”。
本文数据来源：WordStream《2026 Digital Advertising Benchmarks》、Edelman Trust Barometer 2026、Similarweb《Attention Economy Report》、欧盟AI法案及公开行业访谈。
从“模型上下文协议”到“命令行才是未来”，一场关于AI如何连接世界的路线之争
你有没有想过一个问题：
当AI Agent要帮你查天气、订机票、操作电脑时，它到底是怎么“学会”这些能力的？
答案是：通过一个叫MCP的东西。
MCP，全称Model Context Protocol（模型上下文协议），由Anthropic在2024年推出，被业界寄予厚望——它被认为是AI Agent连接外部工具的“USB-C接口”，一个统一的、标准化的协议，让AI无需为每个工具单独写代码。
然而，OpenClaw创始人彼得·斯坦伯格（Peter Steinberger）最近在一期播客中，抛出了一个引爆行业争议的判断：
“MCP已死。”
这句话来自Lex Fridman Podcast第491期，彼得·斯坦伯格作为嘉宾，在长达三小时的深度对话中，详细阐述了他对MCP的批判，以及OpenClaw选择另一条路的原因。
他不是在博眼球。他用OpenClaw——这个GitHub史上增长最快的开源项目，33万+ Stars——的实际行动证明了自己的判断。
那么，MCP到底是什么？它真的“死”了吗？OpenClaw用什么替代了它？这场路线之争，又将如何影响AI Agent的未来？
一、MCP是什么？——AI的“万能插头”
在深入争论之前，我们先搞清楚MCP到底是什么。
MCP（模型上下文协议） 是Anthropic推出的一个开放标准，旨在解决AI Agent连接外部工具的“M×N问题”。
什么是“M×N问题”？
想象一下：你有M个AI模型（比如Claude、GPT、Gemini），你想让它们连接N个外部工具（比如数据库、API、文件系统）。如果没有统一标准，你需要为每一个“模型-工具”组合写一套集成代码——那就是M×N种适配。
MCP的解决方案是：定义一个标准协议，所有模型和工具只要遵守这个协议，就能“即插即用”。它的核心架构包含三个角色：
-
MCP Host：需要调用工具的AI应用（如Claude Desktop） -
MCP Client：与MCP Server通信的客户端 -
MCP Server：暴露工具能力的服务器程序
简单说，MCP想让AI Agent连接工具，变得像U盘插上电脑一样简单。
听起来很美，对吧？
但彼得·斯坦伯格说：这条路走不通。
二、为什么MCP“已死”？——彼得·斯坦伯格的三重批判
彼得·斯坦伯格对MCP的批判，可以从三个层面理解：
1. 根本缺陷：不可组合
这是最致命的问题。
他举了一个简单的例子：天气查询。
如果用MCP调用一个天气API，返回的是一大坨JSON数据——温度、降水、风速、湿度、气压……全塞进AI的上下文窗口。如果只想知道“今天带伞吗”，其他字段全是噪音，污染上下文，浪费Token。
但如果用命令行（CLI）呢？
weather-api 10001 | jq '.rain_probability'AI可以自己加一个jq命令，只过滤出需要的字段。甚至可以组合成更复杂的脚本：
weather-api 10001 | jq '{temp: .temp, rain: .rain_probability, wind: .wind_speed}'把三个API调用组合成一个精确的输出——这才是真正的可组合性。
彼得·斯坦伯格的原话是：
“MCP的致命问题在于不可组合。模型天生就擅长调用Unix命令，CLI就是另一条Unix命令而已，不需要学习特殊语法。”
2. 架构过重：标准化代价太大
MCP基于JSON-RPC 2.0协议，需要建立客户端-服务器连接，处理会话管理、工具发现、参数验证等一系列复杂的工程问题。
而CLI呢？就是一条命令。
智能体看到weather 10001，执行它，拿到输出——完事。没有连接建立，没有会话管理，没有协议解析。
彼得·斯坦伯格指出，MCP也有功劳——它推动了很多公司去构建API。但现在，OpenClaw可以直接把这些MCP“转译”成CLI来用。
3. 违背Unix哲学
Unix哲学的核心是：每个程序做好一件事，通过管道组合。
grep只做搜索，sort只做排序，uniq只做去重。但把它们用管道连起来，就能完成复杂的文本分析任务。
MCP违背了这一哲学。每个MCP Server都是“大包大揽”的——天气Server返回所有天气信息，用户无法只取需要的部分。
相比之下，CLI天然支持组合。彼得·斯坦伯格认为，这才是AI Agent连接工具的正确方式。
三、OpenClaw的答案：SKILL + CLI
如果不用MCP，OpenClaw用什么？
答案是：SKILL + CLI。
SKILL是OpenClaw的“技能模块”，本质上是一个结构化的文件夹，包含三部分：
-
SKILL.md：用自然语言写的“操作手册”，告诉AI这个技能是什么、什么时候用、怎么做 -
scripts：可执行的代码脚本 -
references：参考资料
大部分SKILL的底层，就是CLI工具加上一段自然语言说明书。
这个设计的精妙之处在于：
按需加载：AI启动时只加载SKILL的元数据（名称和简介），执行任务时才动态加载完整内容。这能有效节省上下文窗口和Token消耗。
自然语言友好：SKILL.md用自然语言编写，AI可以直接理解，不需要学习特殊协议语法。
Unix哲学：每个SKILL做好一件事，可以通过组合完成复杂任务。
彼得·斯坦伯格在播客中举了一个例子：他的智能体在摩洛哥旅行时，发了一条语音消息——他根本没有给智能体加语音功能。结果智能体自己检查了文件头，发现是opus格式，用ffmpeg转码，翻到了本地存储的OpenAI API Key，用curl把音频发给Whisper API做转写，然后回复了他。
这就是CLI哲学的力量。智能体不是在“执行预设功能”，而是在理解问题、搜索工具、评估方案、执行最优路径。这种能力可以迁移到任何领域。
四、MCP的“辩护者”：Claude Code Channels的尝试
当然，不是所有人都认同“MCP已死”的判断。
2026年3月19日，Anthropic发布了Claude Code Channels，允许开发者通过Telegram和Discord向Claude Code发送指令。这个产品的技术基础正是MCP。
在Channels架构中，每个通讯平台对应一个MCP插件，开发者启动会话时，系统同时启动一个基于Bun运行时的轮询服务，监听指定插件的消息。
这个设计有两个亮点：
1. 安全模型更成熟
每个Channel插件维护发送者白名单，只有经过配对验证的用户ID才能推送消息。Team和Enterprise计划还需要管理员显式启用channelsEnabled设置。
这种“默认关闭、逐层开放”的策略，和OpenClaw那种可以直接获取文件系统完整访问权限的做法形成了鲜明对比。
2. “专有引擎+开放连接层”策略
Anthropic的推理引擎是商业机密，但Telegram和Discord的插件代码托管在GitHub上，任何人都可以基于MCP协议为Slack、WhatsApp或其他平台构建自己的连接器。
这种策略让Anthropic能守住模型质量，同时把扩展生态的活儿分给社区。
但彼得·斯坦伯格的回应很简单：标准化代价是臃肿和不可组合，智能体本身就是最好的“协议适配层”——你给它一个CLI，它自己会搞清楚怎么用。
五、路线之争的本质：两种智能体哲学
MCP vs CLI的争论，表面上是技术选型，本质上是两种智能体哲学的差异。
MCP路线：标准化、结构化、可控
MCP试图为AI Agent的工具调用建立“工业标准”。这更符合企业级应用的需求——可审计、可治理、可追溯。对于金融、医疗等需要严格合规的场景，MCP的标准化和可管控性确实是优势。
CLI路线：轻量、灵活、可组合
CLI路线更符合开源社区的“小而美”哲学，也更能发挥大模型的通用问题解决能力。彼得·斯坦伯格在播客中说：
“编程作为一种手艺正在消亡，但构建作为一种能力正在爆发。那些试图把所有事情自动化的人，做出来的东西缺少风格、缺少爱、缺少人味。”
这句话揭示了他的核心信念：AI的价值不在于“自动化一切”，而在于“放大人类的能力”。
CLI路线的另一大优势是无需等待。大公司开发一个功能需要审批、协调、安全审查，一个功能从构想到上线可能几周甚至几个月。而彼得·斯坦伯格一个人，直接上线。
六、这意味着什么？——对三个群体的影响
这场路线之争，对不同群体意味着什么？
对AI Agent开发者
如果你正在开发AI Agent，不要盲目跟风MCP。先想清楚你的场景：
-
如果你的Agent需要与多个商业系统集成，且这些系统提供了MCP Server，MCP能节省大量工作 -
如果你的Agent主要在本地运行，操作文件、命令行、浏览器，CLI + SKILL可能更合适 -
如果两者都有，考虑混合策略——用CLI做主要工具调用，只在必要时用MCP
彼得·斯坦伯格本人的做法是：少数需要维持状态的场景（如Playwright控制浏览器）MCP仍然合理，但那是例外。
对企业决策者
如果你正在为企业评估AI Agent方案，不要只看功能列表。要关注：
-
安全架构：个人开源工具和企业级产品的本质区别，不在于功能多少，而在于安全是“可选配置”还是“内建基因” -
可审计性：所有AI操作是否可追溯、可回放 -
权限模型：是否支持最小权限原则
明略科技副总裁李梦林指出，安全是“架构约束”而非“功能特性”——企业在评估AI Agent方案时，安全架构的成熟度应当是首要考量因素之一。
对普通用户
如果你只是想“养一只龙虾”替你干活，不必纠结技术路线。
OpenClaw目前更适合程序员、极客或网络熟手。对于普通人来说，可能需要等待国内大厂推出更多应用、交互性更好、安全性更高的变种“龙虾”。
目前OpenClaw的配置门槛仍然较高。有用户反映，很多人装上之后，依然只把它当作高级版闹钟或天气查询工具——真正价值在于“养成”，需要时间和耐心。
安全提醒：OpenClaw能访问文件、执行命令，建议用单独的试验设备，不要安装到主力机上。
写在最后：MCP死了吗？
回到最初的问题：MCP真的“死”了吗？
答案是：没有死，但也不再是唯一答案。
MCP在企业级集成、标准化治理等场景仍有价值。Anthropic推出Claude Code Channels，证明MCP在特定场景下可以工作得很好。
但OpenClaw用SKILL + CLI的实践证明：还有另一条路。这条路更轻量、更灵活、更符合Unix哲学，也更契合大模型的通用问题解决能力。
彼得·斯坦伯格在播客中说：
“每个MCP用CLI做都更好。这个判断在开发者社区仍有争议，但OpenClaw核心层根本没有MCP支持，也没人抱怨。”
这不是傲慢，而是基于实践的判断。他用OpenClaw的33万+ Stars证明了：用户不关心你用的是什么协议，他们只关心你能不能干活。
未来，更可能的局面是混合共存——MCP负责标准化集成，SKILL + CLI负责灵活组合。两者不是非此即彼，而是各有适用场景。
但无论如何，这场争论揭示了一个更根本的转变：AI Agent正在从“只会说”走向“真正做”。而怎么“做”，才刚刚开始被探索。
本文部分内容引用自Lex Fridman Podcast第491期、钛媒体、明略科技专家解读及公开行业报道。AI行业动态变化，最新信息请以各平台官方公告为准。
评论