研究发现，生成式人工智能每周可以为营销人员节省 5 个小时!
营销人员通过使用生成式人工智能节省时间，专注于更有趣的任务。Salesforce调查显示，51%的营销人员使用生成式AI，强调了技能、可信数据和人类监督的重要性。数据量增长迅速，营销人员预计生成式AI将改变他们的角色，提高工作效率。然而，许多人对如何有效和安全地使用这项技术缺乏了解，担心内容准确性、质量和安全风险。
在营销中采用生成式人工智能揭示了未来有望提高生产力。营销人员估计，生成式人工智能每年可以为他们节省一个多月的时间，让他们能够专注于更有趣的任务。
根据 Salesforce 的最新研究，营销人员相信生成式人工智能的影响，但他们仍在研究和学习如何有效地使用该技术和安全性。
作为生成式 AI 快照系列的一部分，Salesforce 对代表美国、英国和澳大利亚不同规模和行业的 1,000 多名营销人员进行了调查，发现其中 51% 目前使用生成式 AI。生成式人工智能技能和可信的第一方数据是在营销中成功采用和使用生成式人工智能的重要要求。鉴于当前的结果状态可能不准确且可能存在偏见，人类监督在执行生成式人工智能各自的角色中的重要性也是一项要求。使用大语言模型生成新内容是一项容易的工作。使用品牌上的人工智能生成新内容是一项艰巨的工作。
在深入研究营销调查结果之前，这里提醒企业领导者需要考虑哪些因素，以充分利用组织内的生成式人工智能的功能：可靠的数据、可自动化的混合人工智能的模型创始人，以及集成安全性和集成性的单一平台。确保人工智能技术的道德和人道使用的治理。
可靠且值得信赖的客户数据，以建立统一的客户档案。连接干净的数据是释放人工智能能力的关键。只有将来自服务、销售和其他相关来源的可靠且值得信赖的数据汇集到一个平台上，人工智能才能按预期执行。请记住：入口处的好处在出口处也同样好。每天产生的数据量持续增加。到 2025 年，云中将有 100 ZB 的数据，预计到 2026 年该数字将翻一番。要充分实现数据的价值，您需要从收集数据转向通过数据采取行动：
-
通过以一致的格式协调您的数据来创建统一的客户档案，
-
-
使用您的数据帮助您的组织实现其目标。使用您的数据使您的组织能够提供卓越的体验。
预构建、自定义或公共人工智能模型（最好是这些模型的组合）为您的数据提供支持，以便将见解用于自动化操作。
要通过自动化实现这种类型的影响，您需要：能够连接到所有系统 - 云、本地、混合或遗留 - 即使应用程序的平均数量增加（2023 年的平均数量为 1,061 个应用程序）仅 26% 集成）。使 RPA 能够从现有系统和资产（例如文档和图像）中提取数据，否则需要手动访问。允许重用现有数据和集成组件，例如 API 和连接器。允许在整个组织中使用少量代码或不使用代码，这样即使非开发人员也可以参与自助自动化项目。
具有集成安全性和治理功能的单一平台，可实现创新并提高客户信任度。连接、协调的数据可让您解锁并自动化人工智能。整个过程中必须存在的钢丝是安全实现这一切的方法。为了建立监督并确保整个企业数据治理的完全可见性，您必须：
为您的开发人员提供一个高效工作的空间，而不会影响生产或产生安全风险，从而更轻松地跟踪更改、与版本控制无缝集成以及高效管理版本。屏蔽数据并利用安全最佳实践（例如端到端数据加密），通过为开发人员提供真实的数据集进行测试来保护敏感信息（例如 PII 去标识），而不会影响安全性。使用通用 API 管理等工具来实现跨系统和用户的一致数据治理。
生成式人工智能对营销的影响将是巨大的。超过一半的营销人员 (53%) 表示生成式 AI 是游戏规则的改变者，60% 的营销人员表示生成式 AI 将改变他们的角色。事实上，51% 的人目前正在工作中使用或试验生成式人工智能。生成式人工智能正在改变营销人员个性化、构建和规划营销活动的方式。
通过采用生成式人工智能，营销人员可以提高工作效率。营销人员估计，生成式人工智能每周可以节省他们超过 5 个小时（相当于每年一个多月）的时间，让他们能够专注于更有意义的任务。
调查发现：71%的人认为生成式人工智能将消除繁琐的任务，71%的人认为生成式人工智能将使他们能够专注于更具战略性的工作，70%的人认为生成式人工智能将提高他们的生产力。
营销中生成式人工智能的技能和熟练程度较低。大多数营销人员 (66%) 相信生成式人工智能将改变他们工作所需的技能。近一半（43%）的人不知道如何充分利用生成式人工智能。更重要的是，39% 的营销人员表示他们不知道如何在工作中安全地使用生成式人工智能。 34% 的人表示他们不知道如何在工作中有效地使用生成式人工智能。
内容准确性和质量是营销人员对生成人工智能最关心的问题
以下是营销人员对生成式人工智能最关心的问题：准确性和质量（31%）、信任（20%）、技能（19%）和工作场所安全（18%）。
大多数营销人员（73％）认为生成式人工智能缺乏人类情境知识，66％的人担心生成式人工智能结果会有偏差，最重要的是，76％的人担心生成式人工智能会引入新的安全风险。人类监督、技能和可靠的客户数据是当前推动生成人工智能的要求。
调查发现，63% 的营销人员表示，可靠的客户数据对于营销人员成功使用生成式人工智能非常重要。大多数营销人员（66%）还表示，确保品牌声音的人工监督对于营销人员成功使用生成式人工智能非常重要。这意味着适当的培训是必要的——54% 的人认为生成式人工智能培训计划对于他们作为营销人员成功使用生成式人工智能非常重要。
最后，72% 的人希望雇主为他们提供学习如何使用生成式人工智能的机会。
Forrester 预测，营销人员将在 2024 年成为隐私保护冠军。五个主要消费品牌的 CMO 将资助专门的隐私资源。然而，只有 17% 的隐私决策者表示其组织的隐私团队具有营销技巧或能力。为了消除这一瓶颈，五个主要 B2C 品牌将留出部分营销预算，为隐私团队提供更多人员资金和/或为已经在该领域工作的同事提供持续培训。
Gartner 还预测了 2024 年及以后最具战略意义的技术趋势，生成式人工智能在所有行业的使用处于最前沿。营销人员需要采取新的思维方式来最好地利用生成式人工智能。公司必须采用新的商业模式才能在人工智能驱动的经济中运营。如果您希望您的企业在人工智能世界中取得成功，您将需要以无限的方式运营。就是这样。
借助可信的客户数据、可以支持自动化和智能工作流程的预构建、定制或公共人工智能模型、具有内置安全性和治理功能的单一平台（可以实现创新和增加客户信任）以及适当的员工培训，生成式人工智能可以增强营销组织提供强大的客户体验，同时提高效率。
从营销和销售到客户服务和数字商务，人工智能将改变每个接触点的客户体验。
0赞好文章，需要你的鼓励
推荐文章
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能，并提出创新的模态感知掩码对比学习技术，有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合，在40多项测试中超越现有方法，即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异，而文本-文本和文本-图像对对指令遵循任务至关重要，为未来多模态系统研究提供了宝贵指南。
这篇研究论文揭示了多模态大语言模型(MLLMs)存在严重的模态偏差问题，即模型过度依赖文本信息而忽视图像等其他模态。研究团队通过理论分析和实验证明，这种偏差主要源于三个因素：数据集不平衡、模态骨干能力不对称以及训练目标设计不当。他们提出了系统的研究路线图和解决方案，包括增强视觉模态在数据集中的贡献、改变模型关注点和应用偏好优化策略。未来研究方向则包括开发更客观的评估指标、探索更多模态组合中的偏差问题以及应用可解释AI技术深入分析偏差机制。
ComfyMind是香港科技大学研究团队开发的一个协作式AI系统，旨在解决当前开源通用生成系统面临的稳定性和规划挑战。该系统基于ComfyUI平台，引入了两项关键创新：语义工作流接口(SWI)和带本地反馈执行的搜索树规划机制。SWI将低级节点图抽象为语义函数，而搜索树规划将生成过程视为分层决策任务。实验表明，ComfyMind在ComfyBench、GenEval和Reason-Edit三个基准测试中均大幅超越开源基线，并达到与GPT-Image-1相当的性能，为开源通用生成AI开辟了新路径。
这项研究介绍了一种名为"热带注意力"的新型注意力机制，专为解决神经网络在组合算法推理中的困境而设计。传统注意力机制使用softmax函数产生平滑的概率分布，无法精确捕捉组合算法所需的锐利决策边界。
/
0赞
京公网安备 11010802021500号 京网文(2025) 0096-033号 京字第20868号
