“私域还能做多久？”

“私域还能做多久？”

“这个是伪命题。不论国内国外，企业几乎下意识的动作都是和用户建立直接联系，从APP到独立站，从社媒到加好友。你看现在很多公司今年的增长都是在‘直连用户’基础上，运用AI获得了大范围的增长跳级。

某种程度上，不是私域不行，相反，是很多公司私域沉淀的用户数不够多，私域带来的收入占比不够多，因此无法感知到接下来的业绩增长跳级、营销跳级。”

这组对话刚刚发生在见实和腾讯企点营销云产品负责人曾炜之间。就在2025年的下半年，许多企业营销和增长方式都发生了很大变化，“涌现”出的许多新策略取得了“跳跃”般的业绩增长。

只是，这些跳级是怎么发生的？增长和营销的从业者们正在遇见些什么？

01

两年和涌现

在今年9月的腾讯全球数字生态大会上，绝味食品成为腾讯集团高级执行副总裁、CSIG总裁汤道生（Dowson Tong）提及的重点案例，当时他在大会场上这样说道：

“我们与绝味食品开展了一次全链路AI营销实战，通过多个智能体‘协同作战’，实现从用户洞察到内容推送、权益发放，再到最后成交，营销全程智能化运营。AI组的销售业绩是人工组的3.1倍，内容点击率1.8倍，支付转化率2.4倍（详情见绝味AI数智增长总设计师谌鹏飞：增长战略正被AI重新改写）”。

如汤道生所言，这个案例是“全链路”的提升。其中要做的，是投入大量资源改良AI、进行对比试验、反复迭代。

跟了整个过程的曾炜，和见实回顾了其中一个对比试验的细节：如发券这件事，过去各家公司有很多自己的规则和算法来计算发券效果。不同团队有不同的实践与方法，如有人根据历史数据将用户分成高频低敏感、高频高敏感等类型，有人则根据活动地域等维度分类，各自设计一套券池。但券池最后到底该怎么定，往往难以达成一致。最后只能通过实验：不同团队各自设计一套券池，大家都想控制券的总成本，然后看看哪种券池转化率更高，用结果来说话。

而在当时的绝味，光券池细节就上了三套方案，分别来自算法专家、业务专家、数据分析专家。

最后结果跑出时，AI 组方案效果显著优于人工方案。不管是专家还是数据分析师基于经验和拍脑袋想出来的方案，AI效果都要更好。通过这场 PK 实验，企点和绝味观察到：

在大规模用户、极其精细化的数据处理场景下，AI 能产生的效果上限远远高于人工。

另一个被重点提及的案例是太平鸟——国内知名的服饰零售品牌。他们的做法可以这样概括：

从数据层面（即人群包）的提取分析开始，到中间用户旅程的编排，再到匹配商品和权益内容的生成与推荐，最后到整场营销活动的复盘分析。整条链路都被Agent端到端完整串联起来。

相比绝味的全链路提升，太平鸟上述做法则更多像是典型的单点突破。两家执行上的差别是：

绝味在借助AI带来的全链路优化，实现成倍数的巨大提升。太平鸟则在一个环节就提升了90%效率，对于这家服饰品牌来说，AI最契合的是两个环节：一是客单价较高，对用户再次触达时要求分层的精准率非常高，这方面 Customer AI 的概率预测发挥了关键作用；二是在关键用户交互阶段，内容的丰富度非常重要，通过 AI “图生视频”能力显著提升了这个环节的表现。

企业的感受因此是：

Agent 可以帮助企业做比以前更多的实验和尝试，通过提高实验频次来加快探索，从而提升效果。

如果企业要用，要借鉴谁呢?

曾炜的建议是：很多企业可以先学习太平鸟，实现单点突破。第二步再争取做到绝味那样的效果，实现全链路的优化。

不过，这两个案例实际都是前述腾讯全球数字生态大会前后才浮现出来——准确说，就是今年三季度。

而一年前可不是这样，一年前，大家能分享的AI营销案例多集中在AI在小点上的提效，无法实现全链路的效率提升。对比此刻，曾炜感觉，两年时间中AI对业绩的提升已是完全不同的局面——AI营销全链路提效的案例开始涌现，这也是他认为是AI与营销、私域和全域增长结合带来的业绩增长的原因所在。

有意思的是，就在见实约着曾炜长聊时前往的路上，路过一个会议中心。当时许多工人正在帮助一家公司为即将带来的大会搭建现场，被率先立的大会主题赫然写着“效果涌现”——不同公司对今天AI带来的效果感受都极其一致。

02

三种驱动模式和变化

在陪着这些品牌无数次测试过程中，企点将今天企业的AI增长归纳为三种驱动模式，即不同企业在什么阶段会以什么方式运用数据和AI。

第一种是经验驱动。行业过去擅长在单点用数据和AI来辅助提效，最典型就是在私域的数据分析工具和助手类AI功能。不过，很多企业在运用这些技术时，认为已经是在做数据驱动，但实际上仍是基于经验制定规则、套用数据，并没有真正做到数据驱动——大部分决策靠的还是经验和规则。

第二种是数据驱动。类似太平鸟这样的知名零售企业，数字化成熟度较高，就是在真正尝试数据驱动。刚才简述他们运用AI的过程中就提到，通过机器学习模型在特定场景下做商品推荐、复购预测、流失预测等分析，然后用这些数据作为增长驱动力。

曾炜评估认为，今天绝大多数企业还处于从经验驱动向数据驱动的过渡阶段。真正实现数据驱动的主要是泛互联网、金融以及某些数字化成熟度高的行业子赛道。数字化程度高且竞争激烈的行业，数据驱动上越是走在前面。

第三种则是LLM Agent驱动。企点在陪着这些企业测试的过程中发现，大模型能回到“人”的视角，通过理解用户历史行为和所处的上下文环境，直接生成一个推荐，在部分场景下效果反而更好。如原来基于概率统计来预测优化，转化成了基于业务语义和对用户理解来生成内容和行动策略。

这时，私域和全域运营打通时沉淀的大量基础信息，会帮助这些推荐变得更为精准。

曾炜认为，这三种驱动模式在市场上并存。不同阶段的公司用好其中一个驱动即可。如有的公司刚刚开始在做数字化转型，有的开始尝试用数据驱动、用经验做规则。而类似绝味和太平鸟这样的先锋企业，则在尝试更“全链路”地用智能Agent来优化系统，他们的增长趋势正在从“数据驱动”走向“LLM Agent驱动”，且越来越朝LLM Agent驱动迈进。

这些描述都还停留在公司层面，如果回到从业者的个人视野看可能的变化，则会激烈的多。

伤心的是，第一个变化结论：专家和经验在这种变革中，优势当然无存。

记得刚开始说的绝味的方案竞赛吗？不同领域专家分别出了多套方案，结果都不如AI跑出来的效果——很多从业者好不容易经过多年努力，成为行业专家。却在AI的冲击下变得“无用”。

这不是说经验没有用了。而是说：不是用经验去排斥AI，相反，是要用AI来结合经验。绝味的试验中曾炜就看到：

最后当AI结合经验时，效果继续获得了提升。

第二个个人要面对的变化，是人和人之间的协作，正在变成人-机之间的协作。

日常的工作往往需要大量的部门协同和专业分工，如增长就需要数据分析师、业务专家、运营专家等等，各种专业分工非常细。但过度细分又带来一个难题：人和人之间的协同成本特别高，导致真正落地时非常困难。甚至还有打架现象：

如见实同期在发起一个调研，追踪一些公司私域团队垮掉的原因，其中很大部分就是电商和私域团队冲突导致。电商认为私域分走了资源，影响了转化效果。协作，居然成为增长的阻碍之一。

但AI Agent 出现后，原来需要人和人互相协作完成的专业工作，转化成了人和机器的协作，把其中一些专业细分的部分沉淀到AI里去。也就是把人人协作的问题，转化为了大量的人机协作，由机器作为中介，机器肯定比人听话多了。通过这种方式，长期存在的难题似乎正在迎刃而解。

03

营销和增长的跳级

以刚提及的人-机协作为例，不同部门有各自KPI或做事风格，冲突有时难免。如果引入一个“分析类Agent”，由机器做中介，协作成本就降低了。分析师也并不会失业——他的很多经验和科学方法被沉淀到 Agent 里，作为规则约束和知识背景。这样就有效化解了人与人协作中的矛盾。

那么，人的工作岗位会因此大幅减少吗？

仅就目前而言，答案是否定的。

许多从业者在见实正在展开的年度行业调研中这样表述：所在部门在运用AI上效率大增，而且，人手和薪水没有缩减，相反人员在增加、薪水也在增加，以及近在企业对眼前的2026年中，包括AI和全域数据系统的投入预期都在增加——如果前述提及的AI叠加经验会带来更快增长，且AI辅助下，效率大幅提升，那为什么不增加投入，让增长变得更快、更大呢？

曾炜的感受是：过去不论国内外，都没有用 Agent 驱动多渠道营销平台（国内则是私域营销）并取得很好落地效果的案例。但到了现在，不少标杆案例涌现出来、超出预期。因此，2026年会是一个新突破点：

“今年跑在最前面绝味、太平鸟等企业，明年应该能让这套系统持续学习，根据反馈不断成长，把效果进一步提升”，因此，会形成一个自转的反馈迭代机制。

刚提及的行业年度调研，是见实每年都会推进的工作。结果会同步在年度私域大会上公布。同在调研中，绝大部分的企业都明确回复，私域带来的贡献和占比仍在继续提升。而全域（可以理解为多平台、多渠道同时进行私域运营）和AI的叠加，让这个提升的效果更加明显。

为此今年甚至邀约品牌嘉宾时，感受和曾炜一致：许多品牌主动提及希望分享自己在AI全链路优化上的案例和心得。

因此，增长跳级这件事情，正在从个案逐渐变成行业共通现象。越是先发的优势越明显。

这时回到文章开头的对话中去，曾炜认为，今天AI带来的增长跳级，正是建立在私域和全域的基础乃至基建之上——SCRM（企微互动）、CDP（客户数据平台）、MA（营销自动化）、FA（融合分析）这四大件必不可少。没有因此打通、积累和沉淀的数据，想要实现跳级就无从谈起。

许多企业所面对的问题是，私域沉淀的用户不够多，私域带来的收入占比不够大。或者就是基建不够扎实。

即便现在重新做，也还来得及。

只有基础打好了，才能积聚跳级的力量。