12月3日，營銷技術領域的兩位思想領袖Scott Brinker和Frans Riemersma聯(lián)合編寫了2025年營銷技術展望（《Martech for 2025》），在這份具有前瞻性報告中，他們憑借深厚的行業(yè)經(jīng)驗和獨到的見解，為我們描繪了人工智能（AI）如何深刻地重塑營銷和技術環(huán)境的未來圖景。報告不僅涵蓋了AI在營銷技術（Martech）中的當前應用，還預測了2025年及以后的主要趨勢和發(fā)展方向。

《Martech for 2025》不僅是一份技術報告，更是一份行動指南，為營銷人員和技術決策者提供了在AI時代導航的燈塔。隨著AI技術的不斷進步和應用的深入，這份報告將成為理解和把握營銷技術未來的關鍵資源。

一．AI如何重塑營銷和技術環(huán)境

（How AI is Reshaping the Marketing and Martech Environment）

（一）增長的五個領域：

報告指出AI在獨立工具、現(xiàn)有和新興平臺、即時軟件和服務即軟件這五個領域推動了營銷技術的發(fā)展（從2011年140家營銷技術公司，迅速增加到2024年的14106家公司）。這五個領域共同構成了AI在營銷技術中增長的全景，它們相互影響，共同推動營銷技術的創(chuàng)新和發(fā)展。隨著AI技術的不斷進步，這些領域將繼續(xù)擴展和演變，為營銷人員提供更多的工具和策略來提升營銷效果。

1.獨立工具（Indie Tools）：指的是小型、獨立的AI工具，它們通常由較小的團隊或個人開發(fā)，用于特定的營銷任務，如內容創(chuàng)作、數(shù)據(jù)分析等。這些工具往往專注于單一功能，通過高度專業(yè)化來提升效率和效果。

2.現(xiàn)有平臺（Incumbent Platforms）：指已經(jīng)在市場上占據(jù)一定份額的大型營銷技術平臺，如Adobe、HubSpot、Salesforce等。這些平臺正在通過集成AI功能來增強其現(xiàn)有產(chǎn)品的能力，以保持競爭力。

3.挑戰(zhàn)者平臺（Challenger Platforms）：新興的AI原生平臺，它們旨在挑戰(zhàn)現(xiàn)有的市場領導者，通過提供創(chuàng)新的AI功能來吸引用戶。這些平臺通常從零開始構建，以充分利用AI的潛力，不受傳統(tǒng)技術限制。

4.即時軟件（Instant Software）：隨著AI技術的發(fā)展，企業(yè)能夠快速創(chuàng)建和部署定制軟件來滿足特定的業(yè)務需求。這種“即時軟件”可能通過AI代理或低代碼/無代碼平臺實現(xiàn)，使得非技術用戶也能快速構建應用程序。

5.服務即軟件（Service-as-a-Software）：隨著AI技術的進步，軟件不僅僅是提高效率的工具，而是能夠提供服務的實體。這種服務可以通過AI代理來實現(xiàn)，它們可以自動執(zhí)行任務，減少對人工干預的依賴，從而改變服務交付的模式。

（二）AI產(chǎn)品的市場分布：

下面這張圖展示了2024年新AI產(chǎn)品的市場分布情況，特別是AI技術如何被整合到現(xiàn)有產(chǎn)品中，以及新AI原生產(chǎn)品的增長。圖中使用了“頭部（Head）”、“軀干（Torso）”和“尾部（Tail）”來形象地描述不同規(guī)模的營銷技術（Martech）產(chǎn)品。

頭部（Head）：代表市場上的大型、成熟的Martech產(chǎn)品，這些產(chǎn)品通常擁有較大的收入和安裝基礎。

軀干（Torso）：代表中等規(guī)模的產(chǎn)品，它們的收入和用戶基礎介于頭部和尾部之間。

尾部（Tail）：代表大量小型、新興的產(chǎn)品，這些產(chǎn)品可能專注于特定的細分市場或功能。

圖中顯示了兩個主要趨勢：

AI整合到現(xiàn)有產(chǎn)品（AI into Existing Products）：這是指將AI技術整合到已經(jīng)存在的Martech產(chǎn)品中，以增強其功能或提供新的服務。這種整合可能發(fā)生在頭部、軀干和尾部的產(chǎn)品中。

新的AI原生產(chǎn)品（New AI-Native Products）：這是指專門為利用AI技術而設計和開發(fā)的新產(chǎn)品。這些產(chǎn)品可能在尾部區(qū)域有顯著的增長，因為它們通常更靈活，能夠快速采用最新的AI技術。

圖中還特別指出，2024年有超過3,068個新產(chǎn)品推出，其中77%是AI原生的。這表明AI技術正在迅速成為新Martech產(chǎn)品的核心特征，推動了市場的創(chuàng)新和增長。尾部區(qū)域的大量新產(chǎn)品反映了市場對AI技術的積極響應，以及新興公司和創(chuàng)業(yè)公司在這一領域的活躍度。

（三）14種常見的生成式人工智能應用

這張圖展示了在營銷技術（Martech）領域中，基于生成性人工智能（GenAI）的14種新工具的分布情況。圖表按類別劃分了這些工具，并顯示了它們在市場中的相對比例。以下是各類別及其所占比例的詳細解釋：

1. 內容營銷（Content Marketing） - 33.1%：這是最大的類別，表明在內容創(chuàng)作、分發(fā)和管理方面，GenAI工具的應用最為廣泛。

2. 銷售自動化啟用與智能（Sales Automation Enablement & Intelligence） - 11.3%：這一類別強調了GenAI在銷售流程自動化和智能分析中的應用，如客戶會議記錄、線索挖掘和評分等銷售用例。

3. 視頻營銷（Video Marketing） - 6.3%：GenAI在視頻內容的創(chuàng)作、編輯和優(yōu)化等方面的應用。

4. 商業(yè)/客戶智能與數(shù)據(jù)科學（Business/Customer Intelligence & Data Science） - 5.4%：涉及使用GenAI進行數(shù)據(jù)分析、客戶洞察和商業(yè)智能。

5. 實時聊天與聊天機器人（Live Chat & Chatbots） - 5.2%：GenAI在提供客戶服務和支持的聊天機器人中的應用。

6. 社交媒體營銷與監(jiān)控（Social Media Marketing & Monitoring） - 3.5%：利用GenAI工具來增強社交媒體活動和監(jiān)控品牌聲譽。

7. 協(xié)作（Collaboration） - 3.5%：GenAI在團隊協(xié)作和項目管理工具中的應用。

8. CMS & 網(wǎng)絡體驗管理（CMS & Web Experience Management） - 3.4%：內容管理系統(tǒng)和網(wǎng)絡體驗優(yōu)化工具的GenAI應用。

9. 受眾/市場營銷數(shù)據(jù)與數(shù)據(jù)增強（Audience/Marketing Data & Data Enhancement） - 3.3%：GenAI在市場數(shù)據(jù)收集、分析和增強中的應用。

10. 客戶體驗服務與成功（Customer Experience Service & Success） - 3%：提升客戶服務和體驗管理的GenAI工具。

11. 電子郵件營銷（Email Marketing） - 2.5%：GenAI在個性化電子郵件內容和營銷活動中的應用。

12. 搜索引擎優(yōu)化（SEO） - 2.3%：利用GenAI改進SEO策略和內容。

13. 移動應用（Mobile Apps） - 2.1%：為移動應用開發(fā)和用戶體驗設計的GenAI工具。

14. 優(yōu)化個性化與測試（Optimization Personalization & Testing） - 1.6%：GenAI在營銷活動優(yōu)化、個性化和A/B測試中的應用。

圖表還區(qū)分了兩種用例：

- 銷售用例：包括客戶會議記錄、線索挖掘和外展、線索評分和推介材料。

- GenAI數(shù)據(jù)用例：包括數(shù)據(jù)基礎設施、存儲和統(tǒng)一、數(shù)據(jù)解釋和與數(shù)據(jù)聊天、數(shù)據(jù)源和提取。

這張圖表明，GenAI技術正在被廣泛應用于營銷技術的各個方面，從內容創(chuàng)作到客戶服務，再到數(shù)據(jù)科學和分析，顯示出GenAI在提高營銷效率和效果方面的潛力。

（四）定價模式的轉變：

這幅圖展示了定價模型從基于席位（Seats）到基于使用量（Usage）再到基于結果（Outcomes）的轉變。這種轉變反映了軟件和技術服務行業(yè)如何隨著時間和技術的發(fā)展而調整其商業(yè)模式。以下是圖中各列的詳細解釋：

基于席位（Seats）的模型：

- 產(chǎn)品形式（product form）：通常以應用程序（applications）的形式提供，如SaaS（Software as a Service）。

- 與...對齊（aligned to）：這種模型通常與員工數(shù)量（employees）對齊，意味著成本是基于用戶數(shù)量固定的。

- 成本（costs）：成本是固定的，基于用戶數(shù)量。

- 成本相關風險（cost-related risk）：主要風險是資源未充分利用（underutilization）。

（五）基于使用的模型（Usage）：

- 產(chǎn)品形式：以服務（services）的形式提供，如IaaS（Infrastructure as a Service）或PaaS（Platform as a Service）。

- 與...對齊：這種模型與計算/數(shù)據(jù)資源（compute/data resources）對齊，意味著成本是基于資源使用量的。

- 成本：成本是可變的，基于資源利用情況。

- 成本相關風險：主要風險是優(yōu)化或預測不佳（poor optimization or forecasting）。

（六）基于結果的模型（Outcomes）：

- 產(chǎn)品形式：以AI代理（AI agents）的形式提供，屬于服務即軟件（service-as-a-software）。

- 與...對齊：這種模型與目標（goals）對齊，意味著成本是基于實現(xiàn)特定結果的需求。

- 成本：成本是可變的，基于結果需求（outcome demand）。

- 成本相關風險：主要風險是價值或需求的誤判（miscalculated value or demand）。

這種轉變表明，隨著技術的發(fā)展，特別是AI技術的應用，定價模型越來越傾向于基于用戶實際使用和結果來定價，而不是僅僅基于用戶數(shù)量或資源使用。這種模式鼓勵了更靈活的定價策略，允許用戶只為他們實際使用或獲得的價值付費。同時，這也要求服務提供商能夠更準確地預測和優(yōu)化資源使用，以及更精確地評估他們服務的價值。

（七）營銷技術民主化

這幅圖展示了營銷技術民主化（The Democratization of Marketing Technology）的趨勢，描述了隨著時間的推移，營銷技術如何變得更加易于獲取和使用，以及這種變化是如何影響不同用戶群體的。

圖中的橫軸代表時間，而縱軸則代表了所需的成本和專業(yè)知識（從高到低）。圖中的不同區(qū)域和線條展示了營銷技術如何從只有專家能夠使用，逐漸轉變?yōu)槠胀ㄓ脩粢材茌p松操作的過程。

1. IT（信息技術）：最初，營銷技術主要是由IT專家使用，需要高度的專業(yè)知識和編程技能。

2. 營銷運營（Marketing Operations）：隨著技術的發(fā)展，營銷運營團隊開始使用低代碼（low-code）工具，這些工具降低了技術門檻，使得非IT背景的專業(yè)人員也能夠使用。

3. 普通用戶（Power Users）：進一步發(fā)展，出現(xiàn)了無代碼（no-code）工具，使得技術能力要求進一步降低，讓更多非技術用戶能夠參與到營銷技術的運用中。

4. 普通營銷人員（Marketers）：最終，隨著AI代理動態(tài)程序（AI agent dynamic programs）的出現(xiàn)，營銷技術變得更加自動化和環(huán)境化（ambient, automatic），即使是沒有技術背景的普通營銷人員也能夠利用這些工具。

圖中的虛線表示了成本和專業(yè)知識要求的降低，以及生產(chǎn)量和生產(chǎn)率的提高。這表明，隨著營銷技術的民主化，越來越多的人能夠以更低的成本和更少的專業(yè)知識來使用這些技術，從而提高了生產(chǎn)效率。

總的來說，這幅圖強調了營銷技術的可訪問性是如何隨著時間的推移而提高的，以及這種趨勢是如何使得更廣泛的用戶群體能夠利用這些技術來提高他們的工作效率和效果。

（八）AI發(fā)展的快速變化：

AI的發(fā)展速度非常快，即使AI技術發(fā)展暫時停滯，現(xiàn)有的技術模型也足以推動行業(yè)5-10年的快速變化。

- 多重技術發(fā)展周期：AI不是單一的技術發(fā)展周期，而是由多個不同階段的技術周期組成，這些周期相互交織。

二．AI策略的基礎

（Foundations for an AI Strategy）

- 通用數(shù)據(jù)層：構建AI策略需要一個能夠聚合不同應用數(shù)據(jù)的通用數(shù)據(jù)層，以便其他應用使用。

- API的可組合性：API的可組合性是構建AI代理的重要組件，它允許不同的技術組件通過API連接和協(xié)同工作。

- 數(shù)據(jù)質量和合規(guī)性：在構建AI策略時，必須確保數(shù)據(jù)的質量和合規(guī)性，這對于AI模型的訓練和應用至關重要。

（一）從大型語言模型 (LLM)到大型行動模型 (LAM)

從大型語言模型（LLM）到大型行動模型（LAM）的轉變標志著人工智能從理解語言和生成文本的能力發(fā)展到能夠執(zhí)行復雜任務和在現(xiàn)實世界中做出決策的能力。以下是這一轉變的對比：

特征

大型語言模型 (LLM)

大型行動模型 (LAM)

主要功能

處理和生成自然語言文本

在現(xiàn)實世界或模擬任務中執(zhí)行行動和決策

核心任務

文本生成、語言理解、回答查詢

執(zhí)行任務、與工具互動、決策制定

示例

GPT-4, BERT, T5

xLAM, AlphaGo, ReAct

關鍵應用

聊天機器人、翻譯、摘要、內容生成

自主代理、機器人控制、任務完成

訓練數(shù)據(jù)

大量文本語料（例如書籍、網(wǎng)站、文檔）

包含行動、結果或決策的專門數(shù)據(jù)集

架構焦點

文本處理、序列預測、上下文理解

以行動為導向、結合推理和決策策略

輸出類型

自然語言文本（例如段落、回應）

行動、決策或任務完成（例如API調用、動作）

示例用例

撰寫文章、在客戶支持機器人中回答問題

控制機器人自主堆疊積木

另一個示例用例

總結科學研究論文

生成完成函數(shù)調用的正確步驟序列

與工具的互動

有限，需要為特定任務進行微調或集成

設計用于實時處理工具使用和決策制定

性能基準

NLP基準測試如SuperGLUE, SQuAD

代理性能基準測試如Berkeley Function-Calling

泛化能力

高度泛化，處理各種基于語言的任務

任務特定，通常為特定領域或工具集進行微調

示例說明

基于評論提供電影推薦的聊天機器人

根據(jù)用戶偏好和當前條件自動調節(jié)燈光的家庭助手

（二）未來的商業(yè)流程之中，如何使用人工智能技術？

這幅圖展示了一個關于未來在商業(yè)流程中使用生成性人工智能（AI）的最佳方法的調查結果。調查問題是：“在未來，您認為哪種方法最適合您的組織在業(yè)務流程中使用生成性AI？” 圖表提供了不同方法的受歡迎程度，具體如下：

通過API的集成/自動化平臺（Integration/automation platform via API） - 21%：這種方法強調使用API將生成性AI集成到現(xiàn)有的自動化平臺中，以便在業(yè)務流程中實現(xiàn)更流暢的自動化。

通過API的自定義代碼（Custom code via API） - 18%：這表明有相當一部分受訪者傾向于通過編寫自定義代碼并利用API來利用生成性AI，這允許更高的靈活性和定制化。

通過API的專用AI編排（Specialized AI orchestration via API） - 9%：這種方法涉及到使用API來協(xié)調和整合不同的AI服務和模型，以滿足特定的業(yè)務需求。

通過聊天手動使用（Manual via chat） - 29%：這是最受歡迎的方法，表明許多受訪者傾向于直接通過聊天界面與生成性AI交互，這種方式用戶友好，易于訪問。

SaaS AI功能（SaaS AI features） - 13%：這表明一些受訪者認為在現(xiàn)有的SaaS（Software as a Service）產(chǎn)品中直接集成AI功能是一個好方法。

RPA（機器人流程自動化） - 6%：這顯示有一小部分受訪者認為使用RPA工具來自動化業(yè)務流程是利用生成性AI的有效方式。

其他（Other） - 4%：這部分代表了其他未明確列出的方法，占比較小。

總的來說，調查結果顯示，盡管有相當一部分人傾向于使用API來集成或自定義生成性AI解決方案，但通過聊天界面手動使用生成性AI是最受歡迎的方法。這可能反映了用戶對于易于使用和訪問的AI工具的偏好。此外，有23%的受訪者選擇了“其他”選項，這可能包括了調查中未列出的特定用例或方法。調查樣本量大于1000，數(shù)據(jù)來源于Workato的《2024年LLMs在商業(yè)流程中的狀態(tài)報告》。

三．營銷人員如何使用

GenAI（How Marketers Are Using GenAI Today）

- GenAI的多種用例：營銷人員正在探索GenAI在內容創(chuàng)意、復制制作、會議記錄、內容優(yōu)化等多個領域的應用。

- 工具使用頻率：不同GenAI工具的使用頻率不同，一些工具被頻繁使用，而其他工具可能較少被使用或被放棄使用。

- GenAI政策的影響：組織內部對GenAI使用的政策和治理框架的缺失可能會影響工具的使用效果和采納率。

（一）最常用的生成性人工智能（GenAI）使用場景

下圖展示了生成性人工智能（GenAI）在不同業(yè)務場景中的使用情況，具體列出了最常用的GenAI應用案例及其在受訪者中的使用比例。以下是各應用案例的概要：

1. 內容-文案創(chuàng)意（Content-Copy Ideation） - 69%：這是最常用的GenAI用例，用于生成廣告、營銷材料或社交媒體的文案創(chuàng)意。

2. 內容-文案制作（Content-Copy Production） - 62%：涉及使用GenAI技術來制作和生成最終的文案內容。

3. 管理-轉錄、筆記、摘要（Management-Transcription, Notes, Summaries） - 53%：利用GenAI自動生成會議或對話的轉錄、筆記和摘要。

4. 內容-內容優(yōu)化與測試（Content-Content Optimization & Testing） - 49%：使用GenAI來優(yōu)化內容以提高其效果，并通過A/B測試來評估不同版本的效果。

5. 管理-內容創(chuàng)意（Management-Content Ideation） - 46%：在內容策略和創(chuàng)意發(fā)展中使用GenAI。

6. 內容-個性化（Content-Personalization） - 45%：根據(jù)用戶的具體需求和偏好定制內容。

7. 內容-圖像/視頻創(chuàng)意（Content-Image/Video Ideation） - 44%：為圖像和視頻內容生成創(chuàng)意。

8. 數(shù)據(jù)-知識與文檔（Data-Knowledge & Documentation） - 43%：利用GenAI來增強數(shù)據(jù)的可理解性和文檔的生成。

9. 管理-知識與文檔（Management-Knowledge & Documentation） - 43%：在知識管理和文檔編制中使用GenAI。

10. 數(shù)據(jù)-數(shù)據(jù)聊天與洞察（Data-Chat with Data & Insights） - 39%：通過聊天界面與數(shù)據(jù)互動，獲取洞察和分析。

圖中還包括了其他多種使用案例，如競爭對手研究、圖像/視頻制作、電子郵件分析、數(shù)據(jù)提取、網(wǎng)站/頁面構建、編碼與開發(fā)、儀表板、社交媒體管理、內容創(chuàng)意、數(shù)據(jù)源獲取、受眾構建、線索評分與分發(fā)、廣告創(chuàng)意、銷售內容、銷售支持、個性化與優(yōu)化、上下文廣告、聊天機器人、數(shù)據(jù)集成、銷售推介、音頻/播客制作、社交媒體分析、廣告制作、媒體/廣告管理、圖片/視頻廣告制作、社交媒體助手、銷售管道優(yōu)化、社區(qū)與評論分析、人才管理/招聘、合規(guī)性、品牌安全、商店/產(chǎn)品助手等，每個案例都有相應的使用比例。

此圖表明，GenAI在內容創(chuàng)作、管理和優(yōu)化、數(shù)據(jù)洞察等方面有著廣泛的應用，且在營銷和銷售支持等領域中也越來越重要。隨著技術的不斷發(fā)展，預計這些應用案例將更加多樣化和深入到各個業(yè)務流程中。

（二）人工智能的使用頻率：

下面這張圖展示了不同使用案例和類別下生成性人工智能（GenAI）工具的使用頻率。圖表按日?；蛎恐苁褂谩⒚吭率褂靡约安辉偈褂萌齻€類別，列出了各種GenAI應用案例的使用比例。以下是一些關鍵點：

1. 內容-文案創(chuàng)意（Content-Copy Ideation）：51%的受訪者每天或每周使用此工具，19%每月使用，2%不再使用。

2. 內容-文案制作（Content-Copy Production）：44%每天或每周使用，18%每月使用，2%不再使用。

3. 管理-轉錄、筆記、摘要（Management-Transcription, Notes, Summaries）：43%每天或每周使用，10%每月使用，1%不再使用。

4. 內容-內容優(yōu)化與測試（Content-Content Optimization & Testing）：29%每天或每周使用，20%每月使用，2%不再使用。

5. 數(shù)據(jù)-與數(shù)據(jù)聊天和洞察（Data-Chat with Data & Insights）：23%每天或每周使用，17%每月使用，1%不再使用。

6. 內容-圖像/視頻創(chuàng)意（Content-Image/Video Ideation）：19%每天或每周使用，24%每月使用，6%不再使用。

7. 銷售-銷售支持和會議筆記（Sales-Sales Support & Meeting Notes）：19%每天或每周使用，3%每月使用。

8. 社交媒體-內容創(chuàng)意（Social-Content Ideation）：19%每天或每周使用，9%每月使用，1%不再使用。

9. 數(shù)據(jù)-編碼和開發(fā)（Data-Coding & Development）：17%每天或每周使用，12%每月使用。

10. 內容-網(wǎng)站/頁面構建（Content-Website/Page Building）：11%每天或每周使用，19%每月使用，2%不再使用。

圖表還顯示了其他多種使用案例，如數(shù)據(jù)競爭研究、電子郵件分析、圖像/視頻制作、數(shù)據(jù)源獲取、個性化和優(yōu)化、聊天機器人、儀表板、銷售內容、社交媒體管理等，每個案例都有相應的使用比例。

從圖中可以看出，大多數(shù)GenAI工具在工作流程中的日?；蛎恐苁褂寐瘦^高，這表明這些工具在提供日常業(yè)務支持方面非常有用。同時，也有一部分工具的使用頻率較低，可能是因為它們更適合特定的、不頻繁的任務，或者用戶已經(jīng)找到了替代方案或停止了使用。這張圖表為理解GenAI工具在不同業(yè)務領域的應用和采納情況提供了有價值的見解。數(shù)據(jù)來源于2024年GenAI調查，由chiefmartec和MartechTribe提供。

四．關于2025年Martech的五種視角

（Five Perspectives on Martech for 2025）

- 端到端營銷：GrowthLoop強調在數(shù)據(jù)云上使用AI進行端到端營銷的重要性。

- 超越CDP的AI決策：Hightouch討論了AI決策如何成為客戶數(shù)據(jù)平臺（CDP）之后的下一個浪潮。

- 數(shù)據(jù)質量：MetaRouter強調了數(shù)據(jù)質量在營銷技術中的重要性，并提出了“左移”數(shù)據(jù)質量的概念。

- 可組合性：Progress討論了可組合性如何為營銷運營帶來教訓，以及它如何影響技術選擇和堆棧構建。

- 生成性AI治理：SAS強調了為生成性AI填補治理空白的重要性，以及如何構建一個全面的治理框架。

這些要點提供了對報告中提出的關鍵觀點的深入理解，涵蓋了AI在營銷技術領域的當前應用和未來發(fā)展的多個方面。

報告下載鏈接：

https://chiefmartec.com/wp-content/uploads/2024/12/martech-for-2025-report.pdf