要点概述：

• AI提升“可见性”的速度远快于提升“执行力”，营销团队能更早发现流失风险、互动衰减和客户摩擦，但许多团队仍然缺乏明确的后续行动路径。

• 仪表盘正在变成观众工具，一个信号如果不能改变决策、明确责任人、产生可衡量的行动，就毫无价值。

• AI的瓶颈在于企业尚未准备就绪，问题不在于模型不够强，而在于运营模式从一开始就没有被设计用来将智能转化为行动。

• 决策设计才是解药，在往技术栈里叠加更多AI之前，先定义信号、决策、责任人和衡量标准。

一个营销团队围在仪表盘前，看着一个客户离开，当然不是字面意义上的“看着”。没有人真的看到那个客户关掉浏览器、无视下一次续费提醒、跳过补货邮件、然后悄无声息地消失。团队看到的是更干净的信号：流失评分上升，互动率下降，某个客户群变成红色，然后有人说：“我们得盯着这个。”

这句话就是AI价值的坟墓，模型有效，仪表盘有效，CRM系统有效，团队的可见性比五年前强得多，但什么都没有改变，因为没有人设计过下一步该做什么决策。系统检测到了风险，但企业把“检测”当成了“行动”，这不是智能，这是仪表盘前的围观。

这才是营销、客户关系管理和营销技术领域真正的AI瓶颈。不是AI看不清客户，而是许多企业在系统看到某个信号之后，仍然没有一套运营模式来指导接下来该做什么。能力更强了，意义更少了。预测更多了，责任更少了。

Chris Willis，Domo的首席设计官兼未来学家，把这个问题定义为基础问题，而非工具问题。

“AI转型依赖于数据和工具之外的坚实基础，”Willis告诉我，“企业需要聚焦于自己的为什么、团队的最佳运作方式，以及那些在历史上形成差异化的流程。”这正是许多AI战略中缺失的那一块。问题不在于能不能用上AI，而在于组织结构尚未准备就绪。

在AI出现之前，营销领域就已经存在执行力缺口。团队早就有了仪表盘、归因模型、客户画像、线索评分、旅程地图和活动报告。每一层都承诺带来更好的洞察，但其中许多洞察从未改变过下一个决策。AI没有制造这个失败，它只是把失败放到了更大的屏幕上。

数据支持这个判断，在麦肯锡2025年AI现状调查中，88%的企业表示至少在一个业务职能中使用了AI，但只有39%的企业报告AI对全公司层面的息税前利润产生了影响。麦肯锡还发现，只有约6%的受访者可以被归类为AI高绩效者，这些高绩效者更有可能重新设计工作流程，并建立高层对AI决策的责任归属。

缺口出现在部署之后

这个区分很重要，差距不在于用AI的公司和回避AI的公司之间，而在于部署了AI的公司和重新设计了AI产出结果之后工作方式的公司之间。AI的采用率很容易统计，但AI的影响更难衡量，因为它需要改变运营现实。

波士顿咨询公司的研究指向同一个方向，在其AI价值创造分析中，只有5%的公司可以被归类为“面向未来构建”，而60%的公司尽管投入了大量AI资源，却报告收入或成本几乎没有增长。这不是软件获取问题，而是工作设计问题。

这就是AI讨论不断偏离方向的地方，领导者们不断追问模型够不够强、数据够不够深、平台够不够先进，这些都是合理的问题，但并不完整。更好的问题是：当AI输出出现时，组织是否已经定义了哪个决策必须改变？

仪表盘在团队开始把它当成工作本身之前是有用的，它展示变化、风险、流失和摩擦，帮助团队更快发现模式，但它本身不会创造责任归属、治理机制或后续跟进。

Willis把这个区分说得很清楚。

“仪表盘永远只是一个更大流程中的一步，”他说，“当更大的流程没有被明确定义或被误解时，洞察往往就会停滞。”这就是藏在许多AI项目背后的运营缺口。数据流存在，模型输出存在，可视化存在，但决策路径不存在。

发动机故障灯不会修车，它只是告诉驾驶员有些东西需要关注，如果驾驶员继续开，直到引擎盖冒出烟雾，问题不在于仪表盘的灯，而在于缺乏响应，营销领域的很多AI已经变成了一个非常昂贵的故障指示灯。

更多数据不等于更好的决策

甲骨文的“决策困境”研究说明了这一点，这项研究覆盖了17个国家的14000多名员工和业务领导者，发现86%的人表示数据体量让他们在个人和职业生活中的决策变得更加复杂。研究还发现，70%的人因为数据令人不知所措而放弃了做决策，更多信息并没有带来更多信心。

这应该让每一位投资AI的营销负责人警觉，如果企业已经难以从现有数据中做出决策，那么加入AI只会为一个薄弱的决策系统制造更多需要处理的信号。结果不是更清晰，而是更多仪表盘、更多警报、更多争论，以及同样缓慢的响应。

AI会放大它所进入的系统，在一个有纪律的运营模式中，它能创造杠杆效应。在一个碎片化的运营模式中，它制造更大的噪音、更快的动作和更明显的混乱。工具优先的思维是问题，不是解决方案。

Willis说得很直接。

“能力的提升往往会放大企业中好的或坏的方面，”他说，“部署更好的系统不会自动让一家公司变得更好。事实上，有时候反而会让公司变得更糟或更混乱。”这就是营销领域需要的AI现实检验，没有任何平台能够统一一个运营模式尚未准备好去统一的东西。

Blue Ridge Partners在其商业AI投资回报研究中也得出了同样的结论，该公司发现，71%的商业领导者认为AI是必需的，但表示证明投资回报仍然是一个重大挑战。超过一半的人表示，AI投资决策更多是出于害怕错过而非出于战略，这不是转型，这是披着进步外衣的采购压力。

故障在日常运营中如何显现

在实际操作中，这种故障很容易被发现。模型推荐了一个优先客户，但销售团队用的是另一份名单。健康评分标记了留存风险，但客户团队缺乏明确的干预手段。旅程平台预测了下一个最佳行动，但没有人定义客户何时离开一条路径、进入另一条路径。技术在正常运转，但系统在失灵。

这就是为什么AI项目在演示中看起来很高效，在日常运营中却令人失望。演示展示的是输出，工作流程暴露的是故障。问题不在于模型的智能程度，而在于企业未能在执行发生的地方嵌入责任归属。

营销技术已经训练团队把更多能力等同于进步，更多字段、更多集成、更多仪表盘、更多细分和更多自动化，都在制造成熟的假象。实际上，未被使用的能力不是成熟，而是带着许可费的运营债务。

高德纳的首席营销官支出与战略调查在当前AI周期全面加速之前就已经揭露了这个问题，根据对高德纳调查结果的报道，营销人员在2023年仅使用了其营销技术栈33%的能力，低于2022年的42%和2020年的58%，与此同时，营销技术占营销预算的25.4%，这不是功能缺口，这是利用率失败。

这个模式应该让AI负责人感到不安，如果团队已经只使用了所购工具的三分之一，加入AI不会神奇地产生更好的执行力，它只会增加又一层仍然需要决策逻辑、责任归属和衡量标准的东西，更多能力无法修复一个尚未定义能力如何改变行为的团队，停止优化层级，修复核心。

AI无法独自解决的最后一公里问题

Willis把缺失的那一层描述为“最后一公里问题”。“我们观察到的最大差距，是以能驱动正确决策的方式，在正确的时间把正确的信息传递给正确的人，”他说。他还指出，数据和AI市场的大部分关注点集中在集成、管道、存储、检索和分析上，而对应用层面的关注较少，最后这个词最重要。

应用层是客户体验要么改善要么崩溃的地方，数据管道不会留住客户，预测模型不会修复一个糟糕的流程，仪表盘不会消除摩擦，执行优于解读。

实时决策听起来像是AI驱动客户体验的自然下一步，系统检测行为，选择下一步行动，在正确的时刻传递信息，这个卖点干净、快速、有吸引力，但它也掩盖了运营风险。

实时不会降低门槛，它会抬高门槛，批量工作流给团队时间去发现冲突、修正逻辑、防止旅程重叠，实时系统削减了这个缓冲，错误的规则执行得更快，薄弱的治理在公开场合崩溃。

Willis把这个要求说得很直白。

“实时需要在期望结果背后有更严格的纪律，并且带来更高的成本，”他说。他把这些工作负载描述为对资源、流程和基础设施的深度投资，这对每一位被要求让旅程更自动化、更具预测性、更即时的客户关系管理负责人都很重要，没有责任归属的速度算不上真正的成熟。

精力应该真正投入到哪里

波士顿咨询公司的AI转型“10-20-70法则”为平台优先的思维提供了一个有用的纠正，该模型建议将约10%的精力投入算法，20%投入技术和数据，70%投入人员、流程和运营模式，这个分配不花哨，但很实用。

营销团队每天都能看到其中的利害关系，一条留存旅程与一场促销活动冲突，一条服务补救信息与一次销售推送重叠，一条忠诚度优惠发给了一个上次问题仍未解决的人，只有当业务定义了这些时刻背后的决策逻辑时，实时AI才能管理这些场景。

决策设计是缺失的运营层，它定义哪个信号重要、哪个决策随之而来、谁负责响应、以及如何衡量成功，它不是仪表盘设计，不是旅程映射，不是模型调优，这些学科负责展示、排序或预测，而决策设计决定的是业务接下来做什么。

以邮件用户流失为例，一个客户先是每三封邮件点开一封，然后变成每六封点开一封，然后60天内一封都不点。报告显示了下降趋势，互动评分降低，自动化平台检测到了这个行为，许多团队仍然把最终的退订当作常规的名单清理，客户离开是因为出了问题。

决策设计用不同的方式对待同一个信号，它在退订发生之前就定义了阈值，当一个客户在指定数量的发送中没有任何点击，或在设定的时间窗口内没有任何互动时，生命周期团队必须在七天内进行干预。响应可以是暂停大范围促销推送、将客户转入以价值驱动的重新互动路径、请求更新偏好设置，或将客户转移到另一个渠道。

这就是“看着”和“行动”的区别，信号没有变，模型也不需要变得更聪明，组织设计了一条路径，把信号转化为决策，分配了责任人，并衡量了结果。当预测没有行动路径时，一致性胜过预测。

决策路径的四个组成部分

对于客户关系管理和营销团队来说，决策路径需要四个组成部分：

• 信号：需要做出决策的可观察行为。

• 决策：因该信号而改变的行动。

• 责任人：在规定时间内负责执行的个人或团队。

• 衡量标准：证明决策有效的结果。

这个结构听起来简单，因为它本来就简单，但这也正是许多团队回避的工作，他们宁愿调模型、加仪表盘或再买一层，也不愿定义运营决策，这种回避解释了为什么AI项目在令人期待的开局之后就停滞不前。

为什么许多AI项目未能交付业务价值？

许多组织投资了AI工具、仪表盘和预测模型，但没有围绕这些工具重新设计工作流程、责任结构和决策流程。AI可以识别机会和风险，但企业仍然需要一个明确的流程来基于这些洞察采取行动。

什么是AI执行力缺口？

AI执行力缺口是指产生洞察与采取行动之间的脱节，企业经常成功部署了AI，但未能定义谁对由此产生的决策负责、应该采取什么行动、以及如何衡量成功。

Willis给出了起点。

“从核心目标和衡量标准开始，”他说，“确立并传达核心目标能让其他一切对齐。”对于营销团队来说，实际版本更加尖锐。从必须改变的客户行为开始，然后定义必须首先改变的内部决策。

这才是AI变得有价值的地方，它可以更早检测摩擦、总结大量反馈、分类意图并推荐干预措施。当运营模式支持决策时，它可以帮助团队更快行动，但没有结构，它无法定义业务结果、分配决策权限或解决流程冲突。

反直觉的观点不是说AI被过度炒作了，更尖锐的观点是：AI因为它没有制造的失败而被指责。营销早就有决策问题，客户关系管理早就有执行问题，营销技术早就有利用率问题。AI走进房间，让这些问题更容易被看到。

这对愿意修复系统的团队来说是好消息，前进的道路不需要等待更好的模型，它需要构建那条在AI到来之前就应该存在的决策路径，定义信号，定义决策，定义责任人，定义衡量标准。

然后让AI去加速一个值得加速的系统。

如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。

投稿邮箱：

editor@d1net.com

合作电话：

010-58221588（北京公司）

021-51701588（上海公司） 

合作邮箱：

Sales@d1net.com