经营 · AI营销与企业利润

AI营销越来越智能,为什么企业仍然可能不赚钱?

营销内容不断增加,经营者仍在核算账本与利润的原创概念插画
AI生成概念插画:从更快完成营销工作,继续追问企业的经营结果。

假如一份可用的销售材料初稿,原来要写半天,现在用AI十分钟就能完成,工作效率当然提高了。文章能多发,图片能多做,客户的问题也能更快回答。

可是,到了月底看账,老板可能会发现:工作确实快了,公司却没有多赚钱。

问题往往出在这里:AI先改变了某项工作的速度,企业能不能赚钱,还要看这项改变有没有解决真正影响生意的问题。

可以沿着一笔订单,依次看三件事:客户为什么愿意买,这笔生意留下多少钱,公司能不能按承诺交付并收回款。前面的营销提速,要在后面的经营活动中接得住,才有机会变成利润。

一、内容做得更多,客户还要有购买的理由

AI能帮助企业把产品讲得更清楚。客户是否购买,还要看产品能不能解决他在意的问题。

拿一个假设的购买场景来说:同样买打印机,有人最在意价格,有人最在意每天打印很多页会不会卡纸,还有人最在意出了故障谁来修。

如果客户担心的是售后,你连续发十篇“价格优惠”,也可能没有回答他的顾虑。

这时,多做内容带来的首先是更多表达。要让表达帮助成交,需要先弄清楚:客户为什么要买,又为什么选择我们。

可以从最近的真实交易中找答案。把成交和未成交的客户放在一起看:他们起初问什么,反复确认什么,最后为什么付钱或放弃?再对照售后反馈,检查当初承诺的价值是否兑现。

AI很适合协助整理这些材料。它可以归纳高频问题、比较不同客户的关注点,帮助发现值得验证的购买理由。但归纳出来的解释,仍要与真实交易和实际使用对照。

这同样适用于GEO——让企业的信息更容易被生成式AI检索、理解和引用。被AI提到以后,仍要看来的客户是否合适、是否愿意购买,以及企业能否兑现承诺。

内容越容易生产,越要知道哪一句话是在回答客户真正的问题。

客户仔细查看产品,表达被看见之后仍需成立的购买理由
AI生成概念配图:传播把客户带到面前,购买还需要真实价值。图中人物与场景不对应真实案例。

二、订单增加以后,还要算这批生意赚不赚钱

客户愿意买了,下一步就要算账。

新增业务会带来收入,也会带来材料、获客、交付、售后等成本费用。销售额增长与利润增长,需要分别核实。

下面是一个假设例子:新增业务带来10万元收入,同时增加10.2万元成本费用;在其他费用不变的条件下,企业这一期的税前利润就会少2000元。

新增业务的项目 金额
收入 10万元
材料成本 6万元
交付与售后成本 1.5万元
获客费用 1.8万元
工具、外包复核等费用 0.9万元
成本费用合计 10.2万元
简化税前利润增量 -2000元

计算说明:这是教学假设,不对应真实企业。计算的是同一期间、同一批已履约订单;收入已扣退款和折让,金额均为不含税口径。材料按本批实际耗用计入成本,假设全部新增成本费用已经列全,既有固定费用与融资费用不变。结果表示这批业务带来的税前利润变化,公司的净利润和现金变化需要另算。

这个例子提醒的是:为了多接一批订单,企业可能既花了获客的钱,又临时找人赶工、增加运输和售后支出。只看订单额,会漏掉这些变化。

评价营销效果,要继续追到成交以后,看看新增业务最终留下了多少。

当然,利润薄的订单也可能有价值。如果原有的人和设备有空闲,新增订单能留下正贡献,就可能帮助分担既有固定费用。若增长需要加人、租场地、添设备,算利润时,要计入新增人工、租金、折旧等当期成本费用;看现金时,还要安排设备购置等实际支出。

验证新产品、进入新市场,也可能值得暂时投入。关键是先讲清目的、投入上限和观察期限,再检查结果。还要看它会不会挤占更有价值订单所需的人和时间。

省了工时,为什么账上不一定省钱?

再看一个容易高估的收益。

原来写方案要半天,现在一小时就能完成。如果员工工资没有减少,省下的时间也没有用于其他有效工作,这项提速就不会自动增加当期利润。

企业得到的是一段可以重新安排的时间。省下的工时,不能直接按工资折算成已经节约的现金。让员工多服务合适的客户、减少交付差错,或者降低加班支出,都可能让这段时间产生价值。

减少疲劳、提高质量也有意义。把收益的真实形态记录下来,才能知道AI究竟改善了什么,哪些收益已经反映到账上。

三、前面卖得快,后面还要交得出、收得到

订单增加以后,企业后面的工作也会跟着变。

如果销售为了成交答应提前交货,交付部门接单后才发现资源不够,就可能开始插单、赶工。原来的订单被挤到后面,售后再去解释延期。

每个人都更忙了,客户却未必更满意。返工、等待和协调也会消耗前面争取来的收益。

这时候,需要沿着订单看一次真实过程:报价前确认了什么,承诺由谁批准,任务交到谁手里,最常在哪一步等待或返工。

AI可以整理需求、检查资料缺漏、生成交接清单、提醒节点。企业同时要明确谁来确认、什么条件下可以接单、出了异常由谁处理。这些安排,决定提醒之后有没有人把事情办完。

回款还要单独看。

举一个假设情形:一笔订单已经交付,收入和成本确认后有利润,但客户下个月才付款,企业这周就要付供应商和员工工资。此时有利润,仍可能有现金压力。

反过来,先收到一笔预付款,也不等于已经赚到了这笔钱,后面还有交付义务和成本。

利润看一段时间内收入扣除成本费用后留下多少;现金看眼下手里的钱能不能按时付账。

因此,订单额之外,还要看交付周期、返工退款、验收情况和回款时间。订单增长有没有提高利润、有没有增加资金占用,是两个需要分别回答的问题。

未完成的订单在工作台前排队,熟练工匠逐件完成交付
AI生成概念配图:订单增加以后,交付能力和协同节奏也需要跟上。图中人物与场景不对应真实案例。

四、同行也用AI,省下来的收益会留给谁?

还有一个容易忽略的问题:竞争对手也在用AI。

假如过去制作方案需要几天,如今大家都能当天完成,客户可能就会把“当天出方案”当作正常服务。企业投入了新工具,部分收益却以更快的响应、更低的价格或更多免费服务转给了客户。

这是一种可能的竞争结果。企业究竟能保留多少收益,还要看产品差异、客户信任、交付能力和定价方式。

因此,用AI省下时间之后,还要决定把时间投到哪里。

客户不买,就多花一点时间弄懂购买理由;交付经常返工,就把交接和质量做好;业务已经有效,就把经验整理下来,让团队下一次少走弯路。

企业更值得积累的,是越来越清楚谁会买、为什么买,以及怎样把承诺稳定兑现。

把验证过的经验变成自己的知识、流程和工具,AI就有了更可靠的材料,继续帮助企业改善经营。效率收益也更可能留在企业里。

五、先选一批订单,找出一个值得改的问题

企业已经用了不少AI工具,却还看不清利润变化,可以先选取最近一批能追溯的订单,做一次小检查。

要看什么 先问一个具体问题
购买理由 成交客户为什么选择我们?没成交的人卡在哪里?
有效商机 新增咨询中,有多少符合目标客户和成交条件?
订单贡献 这批业务收入扣掉对应的新增成本费用,留下多少?
交付 哪一步最常等待、返工或失约?
回款 哪些订单已交付未收款,占用了多少资金?
改进试验 先改哪一件事,用什么结果判断是否有效?

先明确本次要改善的是利润、经营现金流,还是一个必要的产品验证,同时守住质量和交期等边界,再用这批订单核对实际过程。

例如,如果客户经常因为报价条件不清而犹豫,就先改报价前的确认;如果返工集中发生在一次交接,就先把那个交接做好。尽量选择相近的客户和订单,保持统计口径一致,记录改动前后的结果,再判断是否扩大。

在S’FOCUS中,这对应前面的几个步骤:S0明确目标与有效产出;S1看清当前的角色、资源和关系;S2还原实际工作流;F找出限制目标的主要约束。证据不足时,F只能是待检验的候选判断。

所以,询盘少不一定先加营销,交付忙也不一定马上加人。需要先看清:哪一处改变,最可能帮助企业实现眼前的目标。

比较结果时,还要留意价格、季节和客户结构的变化。销售周期较长的业务,可以先看中间进展,继续追踪成交、交付和回款,逐步验证效果。

用AI之前,值得先问:公司现在最需要改善哪件事?用过AI之后,再问:这件事究竟改善了多少?

把这两个问题接起来,营销效率才更容易转化为经营成果。

研究证据与适用范围

关于任务效率。 2025年发表于《经济学季刊》的研究分析了5,172名客服人员,发现AI辅助使其每小时解决的问题数平均增加约15%。这个15%衡量的是特定客服场景的任务效率,不是企业利润增长幅度。[1]

关于企业财务效果。 麦肯锡2026年全球调查中,80%的受访者报告AI提高了个人生产率,37%报告AI对所在组织的息税前利润有正面贡献。两个百分比都是作出相应回答的受访者占比,不能理解为利润增长幅度。调查还发现,报告较好AI财务效果的组织,更常报告重新设计工作流程。[2]

这项调查属于自报数据与相关关系,不能据此证明流程改造必然增加利润,也不能直接代表中国中小企业;息税前利润与净利润也有不同口径。这些资料支持分别观察任务效率和财务效果,具体企业的成效仍要用自己的数据验证。

可直接使用的分析提示词

以下是经过脱敏的一批订单记录。请按“客户来源—购买理由—成交—交付—回款”整理实际流程,区分已知事实、缺失数据和候选解释。先核对同一批业务的收入、成本费用及统计期间,分别观察利润贡献和现金变化。不要补造数据,不把相关性当作因果。最后提出一个投入有限、可以检验的改进试验,说明观察指标、比较方法和继续追踪的事项。

资料来源

  1. Erik Brynjolfsson、Danielle Li、Lindsey Raymond,Generative AI at Work,The Quarterly Journal of Economics,2025,140(2):889–942。本文使用正式发表版的5,172人、15%口径。
  2. McKinsey,The state of AI in 2026: On the road to ROI,2026年8月25日。调查于2026年5—6月开展,收集97个国家1,719名受访者的回答。

返回经营栏目 · 阅读更多文章