12月3日，营销技术领域的两位思想领袖Scott Brinker和Frans Riemersma联合编写了2025年营销技术展望（《Martech for 2025》），在这份具有前瞻性报告中，他们凭借深厚的行业经验和独到的见解，为我们描绘了人工智能（AI）如何深刻地重塑营销和技术环境的未来图景。报告不仅涵盖了AI在营销技术（Martech）中的当前应用，还预测了2025年及以后的主要趋势和发展方向。

《Martech for 2025》不仅是一份技术报告，更是一份行动指南，为营销人员和技术决策者提供了在AI时代导航的灯塔。随着AI技术的不断进步和应用的深入，这份报告将成为理解和把握营销技术未来的关键资源。

一．AI如何重塑营销和技术环境

（How AI is Reshaping the Marketing and Martech Environment）

（一）增长的五个领域：

报告指出AI在独立工具、现有和新兴平台、即时软件和服务即软件这五个领域推动了营销技术的发展（从2011年140家营销技术公司，迅速增加到2024年的14106家公司）。这五个领域共同构成了AI在营销技术中增长的全景，它们相互影响，共同推动营销技术的创新和发展。随着AI技术的不断进步，这些领域将继续扩展和演变，为营销人员提供更多的工具和策略来提升营销效果。

1.独立工具（Indie Tools）：指的是小型、独立的AI工具，它们通常由较小的团队或个人开发，用于特定的营销任务，如内容创作、数据分析等。这些工具往往专注于单一功能，通过高度专业化来提升效率和效果。

2.现有平台（Incumbent Platforms）：指已经在市场上占据一定份额的大型营销技术平台，如Adobe、HubSpot、Salesforce等。这些平台正在通过集成AI功能来增强其现有产品的能力，以保持竞争力。

3.挑战者平台（Challenger Platforms）：新兴的AI原生平台，它们旨在挑战现有的市场领导者，通过提供创新的AI功能来吸引用户。这些平台通常从零开始构建，以充分利用AI的潜力，不受传统技术限制。

4.即时软件（Instant Software）：随着AI技术的发展，企业能够快速创建和部署定制软件来满足特定的业务需求。这种“即时软件”可能通过AI代理或低代码/无代码平台实现，使得非技术用户也能快速构建应用程序。

5.服务即软件（Service-as-a-Software）：随着AI技术的进步，软件不仅仅是提高效率的工具，而是能够提供服务的实体。这种服务可以通过AI代理来实现，它们可以自动执行任务，减少对人工干预的依赖，从而改变服务交付的模式。

（二）AI产品的市场分布：

下面这张图展示了2024年新AI产品的市场分布情况，特别是AI技术如何被整合到现有产品中，以及新AI原生产品的增长。图中使用了“头部（Head）”、“躯干（Torso）”和“尾部（Tail）”来形象地描述不同规模的营销技术（Martech）产品。

头部（Head）：代表市场上的大型、成熟的Martech产品，这些产品通常拥有较大的收入和安装基础。

躯干（Torso）：代表中等规模的产品，它们的收入和用户基础介于头部和尾部之间。

尾部（Tail）：代表大量小型、新兴的产品，这些产品可能专注于特定的细分市场或功能。

图中显示了两个主要趋势：

AI整合到现有产品（AI into Existing Products）：这是指将AI技术整合到已经存在的Martech产品中，以增强其功能或提供新的服务。这种整合可能发生在头部、躯干和尾部的产品中。

新的AI原生产品（New AI-Native Products）：这是指专门为利用AI技术而设计和开发的新产品。这些产品可能在尾部区域有显著的增长，因为它们通常更灵活，能够快速采用最新的AI技术。

图中还特别指出，2024年有超过3,068个新产品推出，其中77%是AI原生的。这表明AI技术正在迅速成为新Martech产品的核心特征，推动了市场的创新和增长。尾部区域的大量新产品反映了市场对AI技术的积极响应，以及新兴公司和创业公司在这一领域的活跃度。

（三）14种常见的生成式人工智能应用

这张图展示了在营销技术（Martech）领域中，基于生成性人工智能（GenAI）的14种新工具的分布情况。图表按类别划分了这些工具，并显示了它们在市场中的相对比例。以下是各类别及其所占比例的详细解释：

1. 内容营销（Content Marketing） - 33.1%：这是最大的类别，表明在内容创作、分发和管理方面，GenAI工具的应用最为广泛。

2. 销售自动化启用与智能（Sales Automation Enablement & Intelligence） - 11.3%：这一类别强调了GenAI在销售流程自动化和智能分析中的应用，如客户会议记录、线索挖掘和评分等销售用例。

3. 视频营销（Video Marketing） - 6.3%：GenAI在视频内容的创作、编辑和优化等方面的应用。

4. 商业/客户智能与数据科学（Business/Customer Intelligence & Data Science） - 5.4%：涉及使用GenAI进行数据分析、客户洞察和商业智能。

5. 实时聊天与聊天机器人（Live Chat & Chatbots） - 5.2%：GenAI在提供客户服务和支持的聊天机器人中的应用。

6. 社交媒体营销与监控（Social Media Marketing & Monitoring） - 3.5%：利用GenAI工具来增强社交媒体活动和监控品牌声誉。

7. 协作（Collaboration） - 3.5%：GenAI在团队协作和项目管理工具中的应用。

8. CMS & 网络体验管理（CMS & Web Experience Management） - 3.4%：内容管理系统和网络体验优化工具的GenAI应用。

9. 受众/市场营销数据与数据增强（Audience/Marketing Data & Data Enhancement） - 3.3%：GenAI在市场数据收集、分析和增强中的应用。

10. 客户体验服务与成功（Customer Experience Service & Success） - 3%：提升客户服务和体验管理的GenAI工具。

11. 电子邮件营销（Email Marketing） - 2.5%：GenAI在个性化电子邮件内容和营销活动中的应用。

12. 搜索引擎优化（SEO） - 2.3%：利用GenAI改进SEO策略和内容。

13. 移动应用（Mobile Apps） - 2.1%：为移动应用开发和用户体验设计的GenAI工具。

14. 优化个性化与测试（Optimization Personalization & Testing） - 1.6%：GenAI在营销活动优化、个性化和A/B测试中的应用。

图表还区分了两种用例：

- 销售用例：包括客户会议记录、线索挖掘和外展、线索评分和推介材料。

- GenAI数据用例：包括数据基础设施、存储和统一、数据解释和与数据聊天、数据源和提取。

这张图表明，GenAI技术正在被广泛应用于营销技术的各个方面，从内容创作到客户服务，再到数据科学和分析，显示出GenAI在提高营销效率和效果方面的潜力。

（四）定价模式的转变：

这幅图展示了定价模型从基于席位（Seats）到基于使用量（Usage）再到基于结果（Outcomes）的转变。这种转变反映了软件和技术服务行业如何随着时间和技术的发展而调整其商业模式。以下是图中各列的详细解释：

基于席位（Seats）的模型：

- 产品形式（product form）：通常以应用程序（applications）的形式提供，如SaaS（Software as a Service）。

- 与...对齐（aligned to）：这种模型通常与员工数量（employees）对齐，意味着成本是基于用户数量固定的。

- 成本（costs）：成本是固定的，基于用户数量。

- 成本相关风险（cost-related risk）：主要风险是资源未充分利用（underutilization）。

（五）基于使用的模型（Usage）：

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

- 与...对齐：这种模型与计算/数据资源（compute/data resources）对齐，意味着成本是基于资源使用量的。

- 成本：成本是可变的，基于资源利用情况。

- 成本相关风险：主要风险是优化或预测不佳（poor optimization or forecasting）。

（六）基于结果的模型（Outcomes）：

- 产品形式：以AI代理（AI agents）的形式提供，属于服务即软件（service-as-a-software）。

- 与...对齐：这种模型与目标（goals）对齐，意味着成本是基于实现特定结果的需求。

- 成本：成本是可变的，基于结果需求（outcome demand）。

- 成本相关风险：主要风险是价值或需求的误判（miscalculated value or demand）。

这种转变表明，随着技术的发展，特别是AI技术的应用，定价模型越来越倾向于基于用户实际使用和结果来定价，而不是仅仅基于用户数量或资源使用。这种模式鼓励了更灵活的定价策略，允许用户只为他们实际使用或获得的价值付费。同时，这也要求服务提供商能够更准确地预测和优化资源使用，以及更精确地评估他们服务的价值。

（七）营销技术民主化

这幅图展示了营销技术民主化（The Democratization of Marketing Technology）的趋势，描述了随着时间的推移，营销技术如何变得更加易于获取和使用，以及这种变化是如何影响不同用户群体的。

图中的横轴代表时间，而纵轴则代表了所需的成本和专业知识（从高到低）。图中的不同区域和线条展示了营销技术如何从只有专家能够使用，逐渐转变为普通用户也能轻松操作的过程。

1. IT（信息技术）：最初，营销技术主要是由IT专家使用，需要高度的专业知识和编程技能。

2. 营销运营（Marketing Operations）：随着技术的发展，营销运营团队开始使用低代码（low-code）工具，这些工具降低了技术门槛，使得非IT背景的专业人员也能够使用。

3. 普通用户（Power Users）：进一步发展，出现了无代码（no-code）工具，使得技术能力要求进一步降低，让更多非技术用户能够参与到营销技术的运用中。

4. 普通营销人员（Marketers）：最终，随着AI代理动态程序（AI agent dynamic programs）的出现，营销技术变得更加自动化和环境化（ambient, automatic），即使是没有技术背景的普通营销人员也能够利用这些工具。

图中的虚线表示了成本和专业知识要求的降低，以及生产量和生产率的提高。这表明，随着营销技术的民主化，越来越多的人能够以更低的成本和更少的专业知识来使用这些技术，从而提高了生产效率。

总的来说，这幅图强调了营销技术的可访问性是如何随着时间的推移而提高的，以及这种趋势是如何使得更广泛的用户群体能够利用这些技术来提高他们的工作效率和效果。

（八）AI发展的快速变化：

AI的发展速度非常快，即使AI技术发展暂时停滞，现有的技术模型也足以推动行业5-10年的快速变化。

- 多重技术发展周期：AI不是单一的技术发展周期，而是由多个不同阶段的技术周期组成，这些周期相互交织。

二．AI策略的基础

（Foundations for an AI Strategy）

- 通用数据层：构建AI策略需要一个能够聚合不同应用数据的通用数据层，以便其他应用使用。

- API的可组合性：API的可组合性是构建AI代理的重要组件，它允许不同的技术组件通过API连接和协同工作。

- 数据质量和合规性：在构建AI策略时，必须确保数据的质量和合规性，这对于AI模型的训练和应用至关重要。

（一）从大型语言模型 (LLM)到大型行动模型 (LAM)

从大型语言模型（LLM）到大型行动模型（LAM）的转变标志着人工智能从理解语言和生成文本的能力发展到能够执行复杂任务和在现实世界中做出决策的能力。以下是这一转变的对比：

特征

大型语言模型 (LLM)

大型行动模型 (LAM)

主要功能

处理和生成自然语言文本

在现实世界或模拟任务中执行行动和决策

核心任务

文本生成、语言理解、回答查询

执行任务、与工具互动、决策制定

示例

GPT-4, BERT, T5

xLAM, AlphaGo, ReAct

关键应用

聊天机器人、翻译、摘要、内容生成

自主代理、机器人控制、任务完成

训练数据

大量文本语料（例如书籍、网站、文档）

包含行动、结果或决策的专门数据集

架构焦点

文本处理、序列预测、上下文理解

以行动为导向、结合推理和决策策略

输出类型

自然语言文本（例如段落、回应）

行动、决策或任务完成（例如API调用、动作）

示例用例

撰写文章、在客户支持机器人中回答问题

控制机器人自主堆叠积木

另一个示例用例

总结科学研究论文

生成完成函数调用的正确步骤序列

与工具的互动

有限，需要为特定任务进行微调或集成

设计用于实时处理工具使用和决策制定

性能基准

NLP基准测试如SuperGLUE, SQuAD

代理性能基准测试如Berkeley Function-Calling

泛化能力

高度泛化，处理各种基于语言的任务

任务特定，通常为特定领域或工具集进行微调

示例说明

基于评论提供电影推荐的聊天机器人

根据用户偏好和当前条件自动调节灯光的家庭助手

（二）未来的商业流程之中，如何使用人工智能技术？

这幅图展示了一个关于未来在商业流程中使用生成性人工智能（AI）的最佳方法的调查结果。调查问题是：“在未来，您认为哪种方法最适合您的组织在业务流程中使用生成性AI？” 图表提供了不同方法的受欢迎程度，具体如下：

通过API的集成/自动化平台（Integration/automation platform via API） - 21%：这种方法强调使用API将生成性AI集成到现有的自动化平台中，以便在业务流程中实现更流畅的自动化。

通过API的自定义代码（Custom code via API） - 18%：这表明有相当一部分受访者倾向于通过编写自定义代码并利用API来利用生成性AI，这允许更高的灵活性和定制化。

通过API的专用AI编排（Specialized AI orchestration via API） - 9%：这种方法涉及到使用API来协调和整合不同的AI服务和模型，以满足特定的业务需求。

通过聊天手动使用（Manual via chat） - 29%：这是最受欢迎的方法，表明许多受访者倾向于直接通过聊天界面与生成性AI交互，这种方式用户友好，易于访问。

SaaS AI功能（SaaS AI features） - 13%：这表明一些受访者认为在现有的SaaS（Software as a Service）产品中直接集成AI功能是一个好方法。

RPA（机器人流程自动化） - 6%：这显示有一小部分受访者认为使用RPA工具来自动化业务流程是利用生成性AI的有效方式。

其他（Other） - 4%：这部分代表了其他未明确列出的方法，占比较小。

总的来说，调查结果显示，尽管有相当一部分人倾向于使用API来集成或自定义生成性AI解决方案，但通过聊天界面手动使用生成性AI是最受欢迎的方法。这可能反映了用户对于易于使用和访问的AI工具的偏好。此外，有23%的受访者选择了“其他”选项，这可能包括了调查中未列出的特定用例或方法。调查样本量大于1000，数据来源于Workato的《2024年LLMs在商业流程中的状态报告》。

三．营销人员如何使用

GenAI（How Marketers Are Using GenAI Today）

- GenAI的多种用例：营销人员正在探索GenAI在内容创意、复制制作、会议记录、内容优化等多个领域的应用。

- 工具使用频率：不同GenAI工具的使用频率不同，一些工具被频繁使用，而其他工具可能较少被使用或被放弃使用。

- GenAI政策的影响：组织内部对GenAI使用的政策和治理框架的缺失可能会影响工具的使用效果和采纳率。

（一）最常用的生成性人工智能（GenAI）使用场景

下图展示了生成性人工智能（GenAI）在不同业务场景中的使用情况，具体列出了最常用的GenAI应用案例及其在受访者中的使用比例。以下是各应用案例的概要：

1. 内容-文案创意（Content-Copy Ideation） - 69%：这是最常用的GenAI用例，用于生成广告、营销材料或社交媒体的文案创意。

2. 内容-文案制作（Content-Copy Production） - 62%：涉及使用GenAI技术来制作和生成最终的文案内容。

3. 管理-转录、笔记、摘要（Management-Transcription, Notes, Summaries） - 53%：利用GenAI自动生成会议或对话的转录、笔记和摘要。

4. 内容-内容优化与测试（Content-Content Optimization & Testing） - 49%：使用GenAI来优化内容以提高其效果，并通过A/B测试来评估不同版本的效果。

5. 管理-内容创意（Management-Content Ideation） - 46%：在内容策略和创意发展中使用GenAI。

6. 内容-个性化（Content-Personalization） - 45%：根据用户的具体需求和偏好定制内容。

7. 内容-图像/视频创意（Content-Image/Video Ideation） - 44%：为图像和视频内容生成创意。

8. 数据-知识与文档（Data-Knowledge & Documentation） - 43%：利用GenAI来增强数据的可理解性和文档的生成。

9. 管理-知识与文档（Management-Knowledge & Documentation） - 43%：在知识管理和文档编制中使用GenAI。

10. 数据-数据聊天与洞察（Data-Chat with Data & Insights） - 39%：通过聊天界面与数据互动，获取洞察和分析。

图中还包括了其他多种使用案例，如竞争对手研究、图像/视频制作、电子邮件分析、数据提取、网站/页面构建、编码与开发、仪表板、社交媒体管理、内容创意、数据源获取、受众构建、线索评分与分发、广告创意、销售内容、销售支持、个性化与优化、上下文广告、聊天机器人、数据集成、销售推介、音频/播客制作、社交媒体分析、广告制作、媒体/广告管理、图片/视频广告制作、社交媒体助手、销售管道优化、社区与评论分析、人才管理/招聘、合规性、品牌安全、商店/产品助手等，每个案例都有相应的使用比例。

此图表明，GenAI在内容创作、管理和优化、数据洞察等方面有着广泛的应用，且在营销和销售支持等领域中也越来越重要。随着技术的不断发展，预计这些应用案例将更加多样化和深入到各个业务流程中。

（二）人工智能的使用频率：

下面这张图展示了不同使用案例和类别下生成性人工智能（GenAI）工具的使用频率。图表按日常或每周使用、每月使用以及不再使用三个类别，列出了各种GenAI应用案例的使用比例。以下是一些关键点：

1. 内容-文案创意（Content-Copy Ideation）：51%的受访者每天或每周使用此工具，19%每月使用，2%不再使用。

2. 内容-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-转录、笔记、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. 内容-内容优化与测试（Content-Content Optimization & Testing）：29%每天或每周使用，20%每月使用，2%不再使用。

5. 数据-与数据聊天和洞察（Data-Chat with Data & Insights）：23%每天或每周使用，17%每月使用，1%不再使用。

6. 内容-图像/视频创意（Content-Image/Video Ideation）：19%每天或每周使用，24%每月使用，6%不再使用。

7. 销售-销售支持和会议笔记（Sales-Sales Support & Meeting Notes）：19%每天或每周使用，3%每月使用。

8. 社交媒体-内容创意（Social-Content Ideation）：19%每天或每周使用，9%每月使用，1%不再使用。

9. 数据-编码和开发（Data-Coding & Development）：17%每天或每周使用，12%每月使用。

10. 内容-网站/页面构建（Content-Website/Page Building）：11%每天或每周使用，19%每月使用，2%不再使用。

图表还显示了其他多种使用案例，如数据竞争研究、电子邮件分析、图像/视频制作、数据源获取、个性化和优化、聊天机器人、仪表板、销售内容、社交媒体管理等，每个案例都有相应的使用比例。

从图中可以看出，大多数GenAI工具在工作流程中的日常或每周使用率较高，这表明这些工具在提供日常业务支持方面非常有用。同时，也有一部分工具的使用频率较低，可能是因为它们更适合特定的、不频繁的任务，或者用户已经找到了替代方案或停止了使用。这张图表为理解GenAI工具在不同业务领域的应用和采纳情况提供了有价值的见解。数据来源于2024年GenAI调查，由chiefmartec和MartechTribe提供。

四．关于2025年Martech的五种视角

（Five Perspectives on Martech for 2025）

- 端到端营销：GrowthLoop强调在数据云上使用AI进行端到端营销的重要性。

- 超越CDP的AI决策：Hightouch讨论了AI决策如何成为客户数据平台（CDP）之后的下一个浪潮。

- 数据质量：MetaRouter强调了数据质量在营销技术中的重要性，并提出了“左移”数据质量的概念。

- 可组合性：Progress讨论了可组合性如何为营销运营带来教训，以及它如何影响技术选择和堆栈构建。

- 生成性AI治理：SAS强调了为生成性AI填补治理空白的重要性，以及如何构建一个全面的治理框架。

这些要点提供了对报告中提出的关键观点的深入理解，涵盖了AI在营销技术领域的当前应用和未来发展的多个方面。

报告下载链接：

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