你应该也有过这种经历。本来只是随手刷手机，突然看到一款产品：一台扫地机器人、一瓶防晒、一只通勤包，或者一门 AI 课程。内容拍得不错，你心里觉得“好像有点用”，但没有马上下单。
你可能会先搜真实体验，再去电商平台看差评；如果价格不低，还会去 B 站看长测评，或者等直播间讲到优惠。最后，商品可能只是进了收藏夹，或者躺在购物车里。

我越来越觉得，AI 营销真正值得讨论的地方，不是“AI 能不能帮品牌生成 100 条广告文案”，而是另一个更难的问题：用户为什么已经看见了，也有点动心了，却还是没有买？

先看一个最近很出圈的例子。

贵州贵阳一个做酱板鸭的团队，用 AI 视频工具把传统“狐仙报恩”的剧情改成了反转武侠短剧。观众本来以为下一秒是狐狸报恩，结果角色突然来一句：“我不是那只狐狸，我是那只酱板鸭。”

这个反差太荒诞，也太容易被改编，于是它很快变成了一个全网都能接梗的内容模板。据公开新闻报道汇总，首支视频制作大约花了 5 小时，成本不到 40 元；相关话题在多个平台形成了数十亿级播放，酱板鸭销量也出现了增长。[1]

这个案例很容易被讲成“AI 降本增效”的故事，但我反而觉得，降本只是最表层的部分。它真正有意思的地方在于：品牌没有硬着头皮解释“我的鸭子多好吃”，而是创造了一个用户愿意参与、愿意二创、愿意拿来开玩笑的梗。

换句话说，它没有直接说服用户购买，而是先让用户放下了对广告的防备。

这也是我想讨论 AI 营销的原因。AI 不只是让品牌更快生产内容，更重要的是帮助品牌理解：用户到底在什么地方被触发，又在什么地方停住了。

用户不是不消费了，而是不再为模糊价值买单

这几年，很多现象都会被归到“消费降级”。但你看身边的人就会发现，大家并不是完全不花钱。变化不在于“不买”，而在于用户越来越不愿意为说不清楚的价值买单。

一件衣服不是不能买，但要知道它适不适合通勤、会不会起球、和同价位有什么差别。一门课不是不能报名，但要知道它能不能解决自己的问题，老师是不是靠谱，学完到底能做什么。

麦肯锡在“消费者决策旅程”里提过，传统漏斗已经很难解释今天的购买行为。用户不是从看到广告一路滑到购买，而是在多个触点之间反复评估。[2]

放到中国的平台环境里，就是在抖音被激发兴趣，在小红书查真实体验，在电商平台比价格，再回到直播间听讲解。

Google 的 Messy Middle 也在讲类似的问题：用户从产生兴趣到最终购买，中间会在“探索”和“评估”之间反复循环。翻译成日常语言，就是用户一边多看一点，一边少选一点。[3]

所以今天的营销，不只是把用户推进漏斗，而是要理解用户为什么在中间绕来绕去。

真正值得分析的，是“差一点买”的人

传统效果广告很擅长回答几个问题：谁点击了，谁加购了，谁下单了，ROI 怎么样。

这些当然重要。但如果只看已经买了的人，我们会漏掉更大的增长空间。

一个用户看完了大半条视频却没有点商品卡，也许不是没兴趣，而是还没看到最关心的使用场景。

一个用户搜索品牌词后继续搜“缺点”“平替”“值不值”，说明他已经进入评估阶段，但还在找反证。

一个用户加购后迟迟没付款，可能不是忘了，而是在等价格、看评价，或者担心售后麻烦。

行为经济学里的损失厌恶，可以解释这种犹豫。很多时候，用户不是不想得到好处，而是更怕买错。买贵了、买假了、不适合自己、售后麻烦，这些可能的损失，会放大用户的迟疑。[4]

所以，AI 营销如果只做“生成更多内容”，其实还停留在第一层。更重要的问题是：能不能识别这些犹豫，并判断它们分别发生在哪个环节。

AI 营销的核心，是识别决策断点

如果重新定义 AI 营销，我会把它分成两层。

第一层是内容效率。AI 帮品牌生成标题、脚本、卖点、海报、达人 brief。这一层有用，尤其适合高频测试和内容生产。

但第二层更关键：决策理解。AI 帮品牌分析用户路径、搜索词、评论、问答、评价、停留和跳转，判断用户为什么没有继续往下走。

淘宝 关于AI Search 的研究，可以把这个问题讲得更具体一点。

假设你想买一瓶防晒。你真正想要的，可能不是简单的“防晒霜”，而是“夏天通勤用，不油，不假白，敏感肌能用，最好不搓泥”。

这才是一个真实用户的购买需求。它里面有场景，有肤质，有体感，也有风险顾虑。但如果把这句话直接交给传统搜索系统，结果可能不稳定；如果你被迫把它简化成“防晒霜”，又会出来一堆泛泛的商品。

2026 年一篇关于 Taobao AI Search 的论文提到，用户搜索正在从短关键词变成自然语言、多约束表达。淘宝的 LEAPS 方案，做的不是简单生成推荐语，而是把大模型放到搜索链路里：前面帮用户扩展查询，后面再结合评论、商品图文、详情页等信号判断结果是否真的相关。[5]

这件事放到营销里看，其实很有启发。用户不是缺一个广告，而是缺一条更顺的决策路径。尤其在防晒、家电、课程、数码产品这类需要比较和判断的品类里，用户卡住的地方常常不是“有没有看见商品”，而是“我不知道它是不是适合我”。

这也是 AI 营销和普通内容生成最大的区别。内容生成解决的是“品牌怎么说”；决策理解解决的是“用户为什么还没信”。

我的方法论：AIDM，AI 驱动的用户决策营销地图

把上面的理论和现实场景放在一起，我总结了一套方法叫做 AIDM：AI-driven Decision Marketing Framework，AI 驱动的用户决策营销地图。

它不是新的营销玄学，而是把几件已经被反复验证的事情放到我国的各个平台场景里：用户路径不是线性漏斗，购买前会反复探索和评估，也会因为害怕买错而犹豫。

第一步是 Map，还原用户路径。

先别急着生成内容，也别急着加预算。先看用户从哪里被触发，又去了哪里搜索、收藏、比较、咨询、加购或流失。路径清楚后，品牌才知道自己到底是缺曝光，还是缺承接。

第二步是 Detect，识别决策断点。

看完内容但没有搜索，和搜索后没有点击，不是同一种问题；进了直播间却没有下单，和加购后迟迟没付款，也不是同一种问题。断点不是一个冷冰冰的流失数字，而是用户犹豫的具体位置。

这里可以类比高德这类地图和出行助手[6] 。你真正想问的，往往不是“附近景点”，而是“带孩子去三亚，有哪些适合亲子的景点，主要是想泡酒店+轻松玩，推荐附近可推婴儿车的景点 ”。

这不是一个关键词问题，而是一个多约束决策问题。AI 助手的价值，不只是给你一串结果，而是把你说不清楚的需求拆成距离、场景、价格、环境、服务等条件，再重新组织成可选择的方案。

营销也是一样。用户说“我再看看”，很多时候不是没有兴趣，而是还没把自己的问题问清楚。

第三步是 Explain，解释未购买原因。

用户嘴上说“贵”，背后可能是不知道这份价格贵在哪里；他说“再看看”，也许是不确定产品是否适合自己的场景；他不是完全不信产品，而是不愿意只听品牌自己证明自己。

竞品如果把选择理由讲得更清楚，品牌输掉的就不是一次点击，而是解释权。

第四步是 Bridge，用内容和场景搭桥。

内容不再是凭感觉生产。参数太复杂，就把参数翻译成具体场景；信任不足，就让真实体验、专业背书和售后承诺出来说话；用户在比较竞品，就别回避对比，而是把适合谁、不适合谁讲清楚。

第五步是 Optimize，用实验反馈迭代。

验证不能只盯最后成交。内容改过以后，可以看主动搜索有没有增加；搜索承接页调整后，再看点击和停留有没有变化；直播间如果提前讲清高频顾虑，评论区和客服里的重复问题应该会减少。

这才是 AI 营销产品真正难的地方：它不是生成一个结果，而是把用户行为、决策断点、营销动作和验证指标连成闭环。

AI 产品经理的机会，不在“会写 Prompt”里

如果你想入行 AI 产品，或者正在做 AI 产品，我觉得这里最大的启发是：不要把 AI 产品理解成一个生成框。

输入商品，输出文案，当然有价值。但这个方向很容易变成低门槛工具，也很容易被同质化。

更有价值的 AI 产品，往往要进入业务链路深处：理解数据，解释问题，给出动作，再验证效果。

在 AI 营销里，产品经理要懂的不只是模型能力，还要理解用户怎么做决定、平台之间有哪些断点、什么行为其实是在犹豫。

所以，我对 AI 营销的理解可以压缩成一句话：

AI 营销不是帮品牌更快地说服用户，而是帮品牌更早地发现：用户为什么还没有被说服。

参考资料

[1] 雪山救狐狸/酱板鸭案例：维基词条及其参考资料汇总，包含 NOWnews、联合报、太报等新闻报道。 https://zh.wikipedia.org/wiki/雪山救狐狸

[2] McKinsey: The consumer decision journey. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-consumer-decision-journey

[3] Google / Think with Google: Decoding Decisions and the Messy Middle. https://www.thinkwithgoogle.com/consumer-insights/consumer-journey/navigating-purchase-behavior-and-decision-making/

[4] Kahneman, D. & Tversky, A. Prospect Theory: An Analysis of Decision under Risk. https://www.jstor.org/stable/1914185

[5] LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search. https://arxiv.org/abs/2601.05513

[6] 携程问道 AI 助手研究。 https://arxiv.org/abs/2603.24947