2025年的营销战场，正在上演一场静悄悄的革命。

在深演智能创始人兼CEO黄晓南的脑海里，储存着两份特殊的 “作战地图”：一份是2009年公司初创时的规划蓝图；另一份是最新的AI智能体系统架构图。这两份相隔16年的文件，恰是中国AI企业决策进化史的缩影。

从人机交互，到深度学习，再到AI智能体，我们如今已步入了AI企业决策的第三个阶段。

上一个阶段，企业手里握着的数字化工具如同一个“顶级的工具箱”，里面有锤子，有电钻和各种更高级的工具。但真正被高频使用的却是那把最简单的锤子，因为其他工具还没有很好地融入工作流。

在黄晓南眼中，这是一件非常可惜的事情，就如同客户拿到武林秘诀却只能打开第一页。

但进入AI agent时代，机会来了，这些高级工具被组装了起来，变成一个“巨无霸”工具，只要对“它”说出需求，对应工具就会自己蹦出来，替你解决事情。这件事情成功地让精细化运营再升到了一个高度，也让营销人的工作流发生了翻天覆地的变化。

在深演智能还叫做品友互动的时代，黄晓南就坚定地选择了一条难而正确的路——用AI赋能企业决策。从最初的小模型到如今大小模型结合，深演智能总是走在最前沿，不断迭代，追逐风口。

最前沿的AI企业决策到底在玩什么？

AI agent究竟在解决什么问题？

企业如何更好地使用AI agent？

……

为了探究这些问题，Morketing Group 创始人 曾巧特别邀请了深演智能创始人兼CEO黄晓南展开了对话，揭开多个关键谜题。

AI企业决策的三个阶段：

交互、推理、智能体

曾巧：最近深演智能发布了新的AI agent产品，在这个节点发布看起来很有意义。

黄晓南：是的，如果回顾深演智能的发展过程就会发现，今天这个产品的发布是趋势下的必然成果。从公司成立到现在，过去十几年我们一直坚持做一件事情就是“AI赋能企业决策”。

曾巧：AI赋能企业决策？为什么选择“决策”作为核心？毕竟“赋能”可以应用在内容、营销等很多领域。

黄晓南：因为决策贯穿企业经营的所有环节，比如营销、库存、生产等，我们的核心能力就是在于数据和算法结合的领域。我们擅长的就是用AI提供超越人类能力的决策支持，人脑计算存在局限，而算法能处理多维数据。

我们公司的英文名是“Deep Zero”。“Deep”代表深度学习的“deep learning”，“Zero”是什么意思呢？是不可战胜，AlphaGo是会被人类打败的，但升级版AlphaZero不会，这象征我们追求顶尖智力。

如果说企业经营有人承担art的角色，有人是science，那么毫无疑问，深演智能走的是science的路，专注用数据和智能改变企业决策。

曾巧：这条路一走就是十多年。这一路上风景怎么样？

黄晓南：很迷人，也很多变。我们其实也经历了所谓的“三代AI”。

第一个阶段的AI能够具备人机交互的对话能力。刚开始公司成立的时候，我们基本上用的都是小模型算法，像广告投放里的预测算法，机器学习等。基于native space这样的技术，可以实现点击率和转化率预测，最终落地为“千人千面”广告投放，这个大家现在都很熟悉。

第二个阶段AI已经能够具备人的推理能力了。也就是2016年AlphaGo出来后，引爆了第二波老百姓对于AI的认知，这也意味着深度学习的算法可以借鉴在企业决策里。于是，我们开始借助这个能力帮企业做用户运营、广告预测等。通过小样本、大样本训练，预测用户行为，比如，流失、复购、新品购买倾向等等，来提升用户运营效率。

但这一代AI的问题在于流程复杂，且周期很长。想要算法发挥作用，首先要业务提出需求，然后数据科学家把需求实现，再然后需要把科学家做出的成果再部署上线，再后面用到和客人的真实沟通里边。整套流程很复杂，最后在落地的时候，算法对于生意的帮助就已经打了很多折扣。

曾巧：所以说，已经经历了两个阶段，现在来到第三个阶段——大模型驱动的智能体时代。这个时代为什么让我们这么兴奋？

黄晓南：因为解决了两个问题：

一个是，它解决了自然语言的理解问题，它可以听得懂人话，就不需要业务再去下brief。

另一个是，它把我们现实中的科学家复刻到了线上。并且这个线上的数字科学家已经达到真人科学家的水平，也就是说如果给真人打80分，agent就会在80分的基础上继续学习，自我迭代。原本半年才能循环一次的业务，在大模型时代一个月甚至更短的时间就能够迭代。

你可以想象一下，过去小模型加上现在的大模型，我们打造出了一个自己能够成长的算法工程师和数据科学家，然后每天并肩而坐一起工作。

这样的话就把我们底层的一些数据能力、算法能力，这些冰山之下的能力，重新提到了业务的层面，达到能够被任何一个市场部的人所使用的程度。

AI agent究竟在解决什么问题

曾巧：大模型+小模型组成了AI agent怎么理解？

黄晓南：小模型仍然是不可替代，我们依然要用记忆学习、正负样本这些方法。因为在ToB场景中，可解释性至关重要，而大模型是很容易存在“幻觉”问题，我们还是需依赖小模型完成精准预测，大模型本身不解决任何问题。

但有了大模型我们能解决什么呢？它能够直接让业务调动小模型的能力，同时快速学习，这是一个叠加产生的作用。深演其实也接入了国内所有的大模型，有擅长推理的，比如DeepSeek，有擅长信息检索与问答的。

曾巧：那现在AI agent或者说“AI赋能企业决策”能做到什么程度？

黄晓南：用自动驾驶类比，目前处于L2-L3辅助驾驶阶段。我们的核心理念是：AI提供决策建议，但最终决策权仍由人类掌控。大模型的语义理解能力，正在改变业务人员与数字化系统的交互方式——过去业务人员依赖IT或分析师跑数据，现在可直接用自然语言提问。

就拿CDP来说，过去我们对接的企业需耗费大量资源整合数据并把它梳理成一个可被分析的状态，但他们可能并没有真正用这些分析的能力，只是代理用了这个能力，或者说我们的人帮他们做了这个分析，然后生产一个报告发给他们。

但是这件事情不是最佳的状态，最佳模式应该是业务决策者通过对话式智能体直接获取分析结果。

曾巧：以前我们进入这个系统，需要先看数据，再分析数据，再进行数据投放，那么现在有了这个智能体后，我们不需要再自己操作这些流程了，我们直接问智能体，比如我要做一个咖啡的投放，基于当下市场你给我一个怎样的投放建议，就可以直接进行投放了。

那这个智能体背后其实是你们已有的行业数据经验和品牌自有的这个数据池、经验池、知识库，但体现出来的就是一个很容易操作的界面。

黄晓南：对的。现在就很方便了，节省很大的时间和精力。

就拿广告投放来说，过去我们可能需要3周时间协调多方资源，而通过智能体系统，业务人员直接提问“目标人群画像、媒体组合、KPI预期”就可以输出，多平台KPI完成率预测、风险提示，甚至是优化建议，这些都是基于我们已经积累的很多海量的数据，和过去用人来跑数据的准确度是一样的。

用户运营这个场景也是一样的。如果是我的目标是把最近30天注册的人转化为首购，那我只需要对agent说：“把过去30天注册的人还没有首购的人圈出来”，智能体就会翻译成我们能够理解的语言，请大家确认，一分钟就干完了三天的事。

而且你会看到，我们的智能体是会反问的，和一个数据科学家到客户现场工作的逻辑是一样的，我们把数据科学家做事的SOP也灌注到了智能体里，目前已经达到了最高的智力水平。

曾巧：对品牌来说，这个很有价值，因为不是每个品牌都需要去花这个成本招一个数据科学家来为自己服务的，智能体的逻辑，极大的降本了。

黄晓南：是的。这个智能体还有一个好处就是，它能够把一些重要特征告诉客户，反馈到业务里。比如智能体发现某个人过去浏览过我的APP某一个页面，这个特质很重要，于是就会把活动引导到他的页面上，让客户明白，这样的用户会更容易转化，这也是基于我们公司多年的积累。

曾巧：能不能具体讲讲这种体验？

黄晓南：过去很多营销自动化工具需要“拖拉拽”操作，界面复杂，客户反馈“根本没人用”。但现在，我们的智能体完全用业务语言交互。比如你想做A/B测试、圈选人群、生成内容，只需用自然语言描述需求，AI自动完成策略生成，你只需选择最优方案。这种全链路的业务流设计，才真正释放了数据智能的价值。

曾巧：听起来像是熬了十年，终于等到质变的阶段了。

黄晓南：是的。就像练武多年，终于找到施展的舞台。

深演智能突围，

know-how为何如此重要

曾巧：这是产品能解决的问题，那上升到公司层面，深演智能究竟为客户企业提供的价值是什么？

黄晓南：用一句话讲就是，我们把企业营销环节摘出来，用数据和算法解决可以用AI优化的决策场景。

比如说，首先我们找到了大量的决策场景，在整个链路里我们关注到投放这个环节可以用智能投放替代人工投手，于是我们通过算法实现实时精准决策，解决“该给谁投广告”、“何时投”的问题；第二个场景是会员运营，比如说帮助品牌，解决“给谁发券”“发什么券”“何时发”等问题；那么接下来也可以进行电商推荐，根据用户行为实时推荐商品，提升转化率。

所以，我们做的事情从来不是被场景定义的，而是由场景引发，然后找到大数据和算法可以发挥作用的痛点，解决它，我们的产品和打法就是这样形成的。

曾巧：概括来讲，帮企业搭建数据基建，并赋能各种营销场景？

黄晓南：是的。我们的逻辑是，数据是地基，没有数据一切无从谈起，包括大模型时代的知识库管理；智能是核心，如果数据不能通过算法产生决策价值，就不属于我们的范畴。这两个层面决定了我们的核心，也是我们与其他公司底层逻辑的不同。

曾巧：那如何向客户验证自己的能力和价值？

黄晓南：直接实操，我们一般是会快速搭建一个可以交互的智能体，让客户亲身体验“人机对话”如何替代传统流程，然后再加入他们自己的数据库，像训练员工一样训练智能体，熟悉企业知识库和业务流程，直到它完全适配场景。

曾巧：你们已经在给多少企业做这一块的布局了？

黄晓南：几十家是有的。

曾巧：现在是否有实际落地案例？

黄晓南：都在推进中，主要是两条主线，一个是，存量客户升级，我们开始为已使用我们CDP和营销自动化的客户加装智能体模块；另一个是希望现在还没有用我们的CDP(客户数据平台）和MA(营销自动化)的这些品牌，接下来会使用我们的智能体。

比如，我们已经和一个大型央企车企合作，通过企微智能体自动识别用户情绪，来判断这个人消费者当前的对话是投诉还是正常，然后引流到不同对话流里边。我们预计今年应该是一个全面开花的过程。

曾巧：他们会非常在意对这件事的投入产出比吗？

黄晓南：国内企业其实不太会。这波大模型驱动的 AI 变革，其意义可能超越单纯技术迭代，更类似2000年互联网对时代的重塑。当前企业主要的焦虑在不知道怎么入手，而不是纠结ROI，这种情绪在中国企业尤其国央企中尤为明显。

但是外企依旧在回答“应该从哪个场景切入”的问题，这个时候确实是他们要想清楚做完这个事情以后，我到底是提高了效率，还是提高了效果。

曾巧：国内相关市场的规模有多大？

黄晓南：数智化决策的市场是万亿级。企业80%费用花在营销端，但凡我们能通过智能化提升效果，企业付费意愿还是很强的。但当前供应商收费模式限制了市场空间。所以我觉得中国市场和全世界其他市场相比，还是有一个巨大的空间的。

曾巧：真正有竞争力的供应商有多少家？

黄晓南：严格来说不超过20家。我们相对已经有一个初步的成功了，但很多公司仍依赖人工经验，而AI需要从数据到落地的全链路能力，还需要长期积累。

曾巧：20家其实不多的，说明还是有很多难点。

黄晓南：对。

我们有一个第三方专家讲的一句话非常好。他说，“现在智能体和过去软件的交付方式和供应商甲乙方的关系是完全不一样的。传统软件是‘开箱即用’，而智能体需与企业共同打磨。我们提供60-70分的基础能力，剩余30-40分需结合企业数据和场景调优，类似训练新员工”。

另一个难点是大模型的AI幻觉，企业级智能体与个人级完全不同——前者容错率接近零，1次错误可能导致业务损失。所以我们需通过“小模型+知识库+人工校验”组合控制风险。

曾巧：你们是如何支撑这些创新，解决难点的？

黄晓南：技术团队是核心。即便在2024年行业低迷期，我们的研发投入仍是业内最高之一。已逐步缩减传统SaaS软件投入，全面转向AI研发，尤其是大模型与垂直场景的结合。目前团队规模稳定，工程师占比超60%。

曾巧：未来AI agent的能力边界在哪里？你预测未来AI agent会拓展哪些新领域？

黄晓南：理论上是没有明确边界的，只要企业能定义出可被数字和智能赋能的场景，就能打造相应智能体。AI agent也只是AI发展过程中的一个阶段，我们把AI agent作为里程碑式的标志是因为它能够从头到尾，实现一个完整的工作。

未来的想象空间也是很大的，对于算法成熟的场景，比如产品推荐，我们打造的智能体可能出现在C端。如果扩展到C端规模会很大。比如很多品牌已在自有APP嵌入品牌专属agent，这种agent本质上承担了品牌与消费者直接沟通的体验功能，现在几乎所有品牌都在拥抱这种趋势。

曾巧：品牌应该如何更好地利用AI？

黄晓南：第一，心态很重要，AI不会淘汰人，但不使用AI的人或会被淘汰。我们公司已经实施了AI能力测试，希望大家能提高AI的能力。

第二，企业必须忘掉AI本身，深入理解自身业务痛点。比如通过AI赋能社交媒体内容生产，可能是最优先适合你企业的布局，就先别想着用AI赋能投放。AI只是技术，不是场景。

当企业需求不明确时，聚焦用户个性化体验和引导永远是刚需。大模型带来的关键变化其实是 让“千面”真正成为可能，过去主要解决 "千人"。

第三，选择合作伙伴需兼具业务理解、数据能力、智能技术和AI经验。很多企业在数字化转型中因选错合作伙伴而反复试错，很多都要1-2次的踩坑。只有技术是解决不了问题的，即使是三个清华毕业的工程师一起。

第四，直接赋能核心的业务团队。过去CDP数据无法直接转化为销售话术，现在智能体可以实时分析客户画像，生成精准推荐策略。例如某美妆品牌的BA，通过分析用户历史购买记录和当下需求，自动生成推荐话术。

第五，我们建议企业在智能体建设上选择第三方服务商，原因在于大模型能力存在差异。就像清华沈教授比喻的“每个大模型如同不同专业的博士生，各有所长”，所以我们给很多企业的建议就是说你要保持一个开放性。

曾巧：我们两都是经历了移动互联网红利的人，你感觉在拥抱AI上跟之前的移动互联网有什么不同的体感？

黄晓南：我们观察AI发展近两年后才全面投入，这次转型显然更复杂。移动互联网是场域变化，AI是知识底层重构，比如咨询行业和知识生产者正受冲击。这种变革比以往更深远，会影响社会各个层面，营销领域只是其中一小部分。