探析AI+汽车数字营销赛道

 

全文篇幅较长，包括以下内容：

1. 汽车营销行业现状
2. 汽车销售模式：直销与分销
3. AI产品的可能性
4. 汽车营销需求有哪些？
5. AI已知的能力有哪些？
6. AI能解决汽车营销领域什么关键问题？

01. 汽车营销行业现状

跨入汽车行业之后，我发现了它们存在的共性——都是具有复杂上下游产品链路的大商品行业。

多年的建筑行业经验也帮助我更快地理解了汽车这个行业，用三体里用来类比宇宙的话来描述就是：它都像一个行动迟缓的庞大巨人，光是抬手都很缓慢，并且牵一发动全身。

这种大行业的劣势不言自明，涉及的上下游产业链庞大，交易周期久，投入成本大，看似交易金额高，但层层流转下来实际净利润不高。

这个从新势力品牌大多连年亏损的财报就可以看出来，例如蔚来2023年总收入556亿，净利润为-200亿。

反观建筑行业，前十年的黄金时代因为房价泡沫的存在导致房价虚高，消费者盲目热情。但实际来看，建筑行业其实已经被上下游环节挤压得毫无利润空间。

中建X局的2023年总收入为5000亿，净利润仅为130亿，虽然不至于亏损，但净利润率极低就很能说明其中问题了。

从另个角度来看，这种大行业的机会在于，正是因为上下游产业链路复杂，所以背后值得降本增效的环节就非常多。优化1-2个关键部分，就有可能创造指数级的利润点。

汽车行业优于房地产行业的关键在于，仰赖于这几年来新能源车的崛起，带动了全行业的数字转型之路（当然it’s a long way to go）。

汽车的大商品属性决定了它的客单价高、购买频率低，消费者购买决策周期长。区别于快消品的短平快营销模式，汽车的营销场景会更加复杂。

简单来说，大部分消费者会涵盖从线上平台触达、线下门店试驾、金融方案试算、成交的一系列营销旅程。线上线下结合的全链路营销模式决定了这是一条极长的用户旅程，在任一个环节都会有潜客流失，线上线下场景相互如何衔接也是问题关键。

故汽车营销场景远不如电商营销场景来的纯粹，车企营销与消费者的绑定更加深入。

02. 汽车销售模式：直销与分销

分销模式

前面分析了汽车营销场景的复杂性，如果由主机厂全部负责汽车研发，供应链管理，生产制造，质量把控，销售，售后维保等整个一条龙流程的话，既做技术研发又做价值变现的所需成本太高。

所以在早期，汽车销售的方式都是主机厂和多地经销商合作的分销模式。相当于把销售这部分工作外包出去，主机厂把车卖给经销商，再由经销商卖给用户。

分销模式有两个优势：其一，经销商有区域化优势，在当地积累了相对稳定的客群与口碑，比主机厂更适合下沉市场；其二，分销模式可以帮助分担资金压力，主机厂很难同时承担几百家全国各地的店铺运营费用，而如果让经销商分销，资金压力会大大减小。

当然，分销模式也有其不利的一面。参差不齐的经销商会导致品牌车价格的不透明，有些经销商为了销量不惜打价格战。同一款车在A经销商买18万，在B经销商买16万的情况也时有发生，非常损害消费者的购买体验。

此外，主机厂由于离消费者的距离太远，其实对用户的购买需求是不了解的，导致研发过程更多是“闭门造车”，也很难在产品力上有所突破。

直销模式

随着新势力汽车的崛起，我们现在更熟悉的新能源车销售模式是直销，即主机厂直接售卖汽车给消费者。主机厂制定统一价，消费者前往门店购买车，使整个购买流程更加规范化，更便于运营品牌形象。

在分销模式转向直销方式的转型过程中，汽车经销商的打击是很大的，大量汽车经销商闭店，退网。2024年经销商亏损比例达到50.8％，利润结构构成中，还主要靠售后环节盈利，新车销售收入还是亏损的。

当然，直销方式对主机厂来说也是压力很大，需要同时承担研发、开店、运营成本，所以目前新能源车企中除了理想、比亚迪、赛特斯盈利以外，其他新势力车企还是负增长。

而目前的经济大环境也不容乐观，产能严重过剩，消费情绪低迷，汽车行业从扭亏为盈到持续正增长看来是条很艰难的道路。

03. AI产品的可能性

在这样一个不太乐观的行业背景下，我想来探讨下AI产品切入的可能性。

首先，我尝试思考了以下三个问题：

1. 汽车营销领域最需要被解决哪些问题？
2. AI已知的能力与实践场景有哪些？
3. AI能够解决哪些汽车营销领域的关键问题？

3.1 汽车营销需求有哪些？

在未来的三年，大概率直销和分销的模式会同时存在，主机厂覆盖一二线城市，经销商覆盖三四线的下沉市场，互相分工合作，完成汽车的售卖。

那汽车营销领域的主体就包括了主机厂与经销商，其中主机厂又分为新势力品牌和老品牌（主要是一些合资燃油车为主的品牌，姑且这么称呼）。

对于主机厂来说，新势力品牌优势在于数字化程度高，年轻用户接受度高，但由于品牌起步晚，所以新势力品牌营销链路的第一步应该是塑造品牌，打出知名度，拉新用户。

而老车企品牌以燃油车起家，在国内已经存续了几十年，品牌早已深入人心，积累了大量的基盘用户，但却因为产品数字化转型晚，逐渐背离年轻消费者的需求，如何留存再激活这些基盘用户应该是营销重点。

对于经销商来说，它的优势在于线下门店和消费者的直接接触，以及售后的持续且长期的互动。线下门店的数字化转型和售后管理上的降本增效应该是营销策略重点考虑的部分。

3.2 AI已知的能力有哪些？

那么，AI又可以提供什么样的能力呢？通过盘点目前AI已知的能力或许可以得到启发：

1）内容生成与跨模态

AI的内容生成能力是目前最成熟的。随着多模态模型的发展，AI已经可以实现文、图、音乐、视频四种媒介的生成与转译。目前AIGC生成各种媒介的落地应用数不胜数，诸如midjourney，runway，suno等等，这里就不多赘述。

格外想多提一句的是AI生文的能力——不像视觉生成看起来那么酷炫而通常会被低估。但总览 AI 生成能力中，AI对文字的处理能力最成熟，也最稳定。

AI能力的稳定也就意味着结果可控，容易被标准产品化。它擅长将文字的信息排列组合，虽然没有产生新的信息量，但非常适用于做文字总结、提炼、翻译、分析等，由此可以延伸出大量的落地场景（80%的AI产品核心功能都是依托于此）。

这方面的产品相关案例有很多，国外很火的AI scribes抄写员——也是被a16z非常认可的赛道，就主要依赖于LLM的文字信息总结能力。目前这个赛道已经积累了超千万美元年收入的AI产品。

这方面的能力可以分支为三个部分组成：

1. 语音转文字：利用ASR模型，可以将语音转录为文字。
2. 结构化处理和总结：原始的对话记录需要通过AI的总结归纳，提炼出有价值的观点
3. 基于语义理解的输出工作流：依据AI提炼的对话内容，可以通过workflow进一步传递关键信息。传递的这个过程中需要依赖于AI的语义理解能力，如将客户关键信息自动填写进crm表单中。

2）分析推理

在gpt-o1问世之后，另一个值得注意的能力是AI的分析推理能力。它允许用户可以用自然语言进行复杂数据的分析，LLM特别擅长于对海量数据的特征提取、预测建模、语义/情感分析等方面的工作。

LLM自己本身的数学能力并不是特别好，不让它调用工具的话，经常会出现下图一样啼笑皆非的回答。

问LLM一个简单的加法算数，会得到两种答案

现状AI+BI的产品解决方案是让AI学会调用计算器、Sql函数等，利用工具来进行数据分析。

而实际上，AI对数字其实是不够敏感的，也就代表了它无法判断这个数字是正确还是错误与否。它只是运行工具，得出结果，然后把这个结果告诉用户。

但我发现AI做数据分析时有一个远超其他工具的明显优势——信息的归拢能力。它可以把一系列数据可视化图表系统性地组织起来，形成可供阅读的数据报告，总结其中的洞察观点。这个优势在面对海量数据图表的场景下会格外突出。

例如Stormly这个产品，它可以自动生成详细的报告，节约了数据团队手动整理这些数据图表的时间，并且能给出基础的分析insigt。

Stormly生成的数据报告

3）个性化交互

目前圈内一直有声音在探讨LUI的交互形式是不是反人性的。我认为这种讨论一定不能抛开场景来进行。

诚然，LUI的交互方式相比GUI，一定程度上增加了使用者的门槛。有很长一段时间内，我对LUI都秉持着怀疑的态度，因为丫真的太难上手了。相信很多人都经历过这种难产时刻：打开gpt4，对着那个空洞的输入框，不知道要做什么，有种拔剑四顾心茫然的无力感。

所以类似character.AI等对话bot产品我一直很难沉浸式体验，聊天苦手是真的完全不知道要跟bot每天说些啥。

但LUI随之而来的是高度的个性化。每个用户输入不同，得到的结果也不同，这是GUI时代无法实现的。并且，随着多模态LLM的出现，语音交互也成为可能。语音+高度个性化的交互或许会是AI native产品与常规产品拉开差异的解法。

比如，在WAIC上，我关注到bilibili的一款语音产品：给漫画配上声音，让漫画动起来，变成可看可听的“漫画”。

笔者摄于WAIC：B站的动态漫

4）自动化工作流

在AI时代之前RPA就已经存在，但是自动执行的任务往往是机械化的单线程。AI在工作流中能够在关键节点承担决策规划、信息整理再加工的工作，实现更高阶的“自动化”。

coze、dify上有很多大佬搭的自动化工作流，像是每日新闻摘要、生成小红书文案、爆款标题等等，这些就不再赘述。我也看到有产品直接打包了几十个AI workfolw，封装成一个产品开始卖服务，例如Worgit.ai、MakerBox。

Worgit.ai里面超级多的AI Agent

但通过实际分析相关产品之后，发现这些workflow属于锦上添花的部分，很难支撑成为MVP功能。AI进行自动化工作流的功能核心还是依赖于上述提到的2个能力（生成与分析）。

不然，就算工作流跑通了，最后输出的效果扑街也没有什么用。

3.3 AI能解决什么关键问题？

把AI的能力迁移到汽车营销场景，它又能解决哪些关键问题呢？

无论是主机厂还是经销商，价值变现的手段主要是卖车，所以核心关键问题是：怎么把车卖给消费者？延展一下思路，卖车就好比找对象，无外乎得先向对方介绍自身条件，然后再问对方对另一半的期待是什么，最后寻找共同的match点说服对方为啥咱俩合适。

类比到车的营销场景，无非就是三种需求：a.介绍自家车款；b.了解客户购车意向；c.运用话术说服客户。上述需求可以推导出以下三大功能：

1）营销物料的内容生成

很多产品都探索过将AIGC技术应用于营销物料的生成，其中有一站式内容生成平台例如ADcreative、Content Studio。

ADCreative界面

目前互联网世界也有很多优秀的AI生图、音乐、视频作品。

社区中也有很多应用于营销场景的AI电商海报、广告视频、数字人口播等等的探索。但它们都有一个共性的弊病：乍一看不错，但不经细看。

AIGC目前的能力局限了这类产品的天花板，图像/影像生成仍有缺陷。在对细节要求比较严格的车款营销物料生成场景中，AI很难做到精确把控。

汽车是一个工业品，比电商产品更加复杂，稍微有一点不一样就会导致汽车主体的变形。所以，在用AI生成汽车形象的时候难以避免导致车的细节部分（轮毂、前后视镜等）会崩坏。

笔者用MJ直接生成的图：可以看出车的轮毂崩坏

虽然可以通过蒙版控制AI只重绘车的背景，而不对车的形象做修改，但是这又限制了AI生图场景——只能生成简单环境，而无法生成复杂环境的车图（举个例子，无法做到想让车反射周边环境的光氛围又不改变车的形状）。

笔者用蒙版局部重绘车的背景

很多人会想：生图都如此复杂，更不要说生成车的广告视频了。但我在实践中发现，用视频生成大模型生成车的视频帧图，反而比用diffusion model生成车的图像效果好很多。

我粗浅地猜测，大概是视频生成大模型可以理解时空的概念（视频训练素材里有时间轴的概念），所以它不需要蒙版也能很好的保持了车的一致性，并且会在车身加上周边环境的反射细节。

笔者用Runway生成的视频：保持了车外观一致性

即使是按照上文所述的方法，AI也仅能实现对简单场景的换背景，远无法达到一键直出汽车主KV的任务。目前AI的能力还不足以做好0-1的事情，精确生图这条路径难以走通，但仍然有一些1-100的路径可以利用AI的核心优势。

a. 用限定好的图片素材库重新排版

这也是目前很多产品选择做的，比如小红书新出的AI功能，可以看出来它并没有重新生图，只是对用户的文字输入进行重排版。（这里顶多用了AI的文字理解能力，然后再套相应的模板）

此外，还想吐槽一下，稿定设计里的AI设计，出现了严重的图文不符。输入的内容和背景图完全风马牛不相及，个人猜测也是因为套模板的缘故。

稿定设计里的AI生成

b. 对复用性强的营销物料进行改写/改绘/跨模态

鉴于AIGC的内容生成始终带有些“不靠谱性”，我自己觉得更好实现落地的能力是利用AI提高成熟物料的复用率。

对于一些复用性强的营销内容任务，给予AI一些好的范例，可以让它进行批量生产。此外，跨模态能力允许营销物料从文——图——音乐——视频等多种媒介形式进行切换（理想状态中），极大提高了营销内容的灵活度。

涵盖了改写的产品也很多，比如Typefully的AI重写功能，可以从用户过去的推文中吸取灵感，基于此产生新的推文。

Typefully的AI重写界面

实现跨模态媒介转换的产品也不少，但效果都不太好。图/文/视频的互转，过程中总会有信息的缺损需要AI来弥补，而AI目前还没有那么智能到完全理解人类作品，所以这类产品转换后生成的东西要么“一眼假”，要么“套模板”。

在其中，我发现了Munch这个产品的功能落地还算扎实。这个产品是用于将长视频再利用，比如从长视频中让AI剪切有意义的片段，形成引人入胜的短视频。

这个产品需要AI的强视频理解能力，自动识别精彩片段，并批量剪辑成片。从严格意义上，这个产品没有实现跨模态，而是同一媒介信息的浓缩。但它的应用场景非常明确，且效果稳定可控，就是一个很好的AI产品。

Munch：长视频智能剪辑为短视频

2）消费者调研

汽车行业的客户洞察应该是贯穿于整个售前-售中-售后这三个阶段的，所以我将用三个阶段的分类讨论AI如何赋能。分类是按照购车客户的生命旅程周期来定义，并不完全严谨，我会详细介绍下各个阶段的区别。

a.售前阶段——潜客洞察

在售前阶段，为了吸引客户留资购车，车企不仅需要分发大量的营销物料，还需要对分发出去的内容进行分析，从社区舆情中提炼活跃潜客的喜好（eg.关注的卖点、购车顾虑点等），才能更好地针对性提出营销战略，精细化运营过程。

潜客的分析建立在客观数据（内容物料的内容数据、潜客行为记录）和主观数据（社群评论、售前问卷等）的基础上。而AI非常擅长对海量数据的归类分析、情感判断等工作，天然适合承担互联网社区舆情洞察的工作。

以上当然是理想状态下的场景。从实际情况上看，这样的分析不会得到太有意义的结果。因为网上水军泛滥，如果用AI提取社媒上舆情的高频内容，大概能获得的结论可能是“哈哈哈哈哈”或者“赞赞赞”，谁也不可能从这种无意义内容中提取出潜客特征。

接着上述的思路想，用关键词规则或者AI的语义理解能力先过滤掉一部分无意义内容，对筛选过后的精华评论进行分析，也是一种解法，但仍有缺憾，因为大部分人在网上的留言都是碎片式的，非常容易被断章取义，输出的效果也不好。

或者，还有另一种思路，让AI主动去问潜在客户呢？

由AI来生成问卷，集成在企业网站、产品平台中，有潜在客户浏览时，就主动向他们发送调查问卷选项，收集反馈结果，形成分析看板。海外目前已经有比较多成熟的相关产品，如Canny、sprig。

Sprig的AI问卷+分析

但这仍不适用于中国市场情况。海外市场的营销渠道仍依赖于自身PC端官网，会有大量潜客浏览官网信息。

而中国却过快从互联网时代跨入了移动互联网时代，导致数字营销市场的重心在第三方移动端平台，很少人会想到去PC端官网了解产品，这让AI主动调研的渠道也就难以走通。

目前，我也还没有想好更优质的解决思路，只能说这个场景不一定需要AI介入。国内的产品如矩阵通，建立在庞大数据库的基础上，纯粹从客观数据分析的角度入手（或者用关键词规则来监控客户舆情），效果会比依赖于AI的语义理解能力好上不少。

b.售中阶段——客户精准画像

我把售中阶段定义为潜客留资到上门店看车的过程。在这时候，车企已经获知该客户的基本信息（性别、地区、意向车型等），需要销售人员在跟进线索的多次交流中，记录客户的关键标签，逐渐刻画出更精细的客户画像。精准的客户标签可以辅助销售人员了解其倾向，在后续的服务过程中扩大客户的满意点，打消疑虑，最后成功获客。

这个阶段会引出普遍车企营销中都会遇到的问题：客户标签管理。销售人员在每轮沟通中都要手动为其打标签，接待客户数量一旦越来越多，给销售增加的工作量就无比庞大。

如果设置关键词规则，进行自动打标，那标签也有可能不准。比如，一个客户心仪车型是A，他在会话过程中问了一句：A和B的车型有啥区别？系统自动根据关键词打标的话，就有可能把A和B都给记录到这名客户的心仪车型标签中去。

AI的语义理解能力可以很好地解决自动打标的问题，它通过识别销售与客户的会话，自动归纳出该名客户的意向车型、性格、购买需求等，同时甚至不需要套生硬的标签，它还可以总结出更加个性化的结论。

但需要注意的是，汽车销售与电商销售场景不同，汽车销售的核心场景在线下门店，而非线上。毕竟，大部分人对购买汽车这种大商品还是比较谨慎的，一般都会去门店试驾体验后再进行消费决策。

所以，如果想让AI识别购车场景下的客户画像，得通过ASR手段收集门店里销售接待的录音，将录音转译为文字，再接入LLM进行语义分析，客户画像提炼。华人自主创业的产品cresta，核心功能就与之类似。

Cresta的客服语音智能识别+分析客户画像

但这个场景的难点在于，目前中文ASR模型的效果普遍不佳。即使可以通过添加热词等方式微调，但经过测试，语音转文字的精确度仍然不高。中文语境下方言体系庞杂，识别不同种类的方言更是难上加难。

想要提升ASR模型的准确度，需要从多模态融合算法的优化入手。随着多模态能力的发展，LLM具备了直接识别语音的能力。通过特殊的语音语料训练LLM，可以快速提升AI对特定词语的理解能力（特别是汽车型号等非日常用语）。

c.售后阶段——满意度调研

售后阶段顾名思义，即指客户成为车主之后的阶段。该阶段中，车企的运营策略部门需要获知车主的满意度情况，为后续改进客户接待流程提供方向，也为后续新车产品的开发方向提供参考。

车主满意度调查和上述潜客调查的场景是非常类似的，只不过是两者调查的主体不同。AI落地于车主调研的场景会更加容易，因为车主一般是品牌亲密度较高的人群——可以通过提供车主服务把他们聚集在车企app里。AI用app、邮件、短信等方式向车主发送有奖调查问卷，收回问卷的质量会比潜客高很多。

此外，我在Product Hunt上还关注到了几款问卷调研+语音Agent类产品，像Waveform.ai。AI可以自动拨打电话，以语音的形式向客户询问调研问题，自动记录客户回答内容，形成书面报告。

遗憾的是，这类产品目前还停留在demo阶段（毕竟gpt-o1也才发布不久），但未来可以期待一下。

3.4 智能客服

智能客服这个方向应该是数字营销场景中最高频落地的，业内也有很多的AI产品进行相关探索。在产品调研时，我自己试用了一些AI智能聊天机器人，像小冰、句子互动等。其实值得单开一篇文章来写，这里就简要记录下我的结论。

整体上看，智能客服产品赛道拥挤，同质化较为严重。如果要求不太高的话，一个简易的GPTs就可以包装成一个客服产品。如果稍微用点心，用Dify、Coze等平台编写一个工作流实现智能客服的75%功能也并不难。

所以，这类产品的护城河要么有个非常牛逼的大模型（综合能力远超其他大模型），要么就是和现有头部电商/行业产品结合的非常密切（比如淘宝小蜜）。

第一点说实话比较难，毕竟现在一年过去了，还没有大模型的综合能力超越gpt-4家族。并且，各个大模型之间的能力差距还没有大到可以技术垄断。第二点的话，目前大部分垂类使用场景还掌握在大厂的手里，AI 智能客服会和相关产品强绑定，比如淘宝和淘宝小蜜，网易和网易七鱼等，都是大厂扶持的产品，AI Native应用可能很难找到切入点。

2024LMSYS榜单：GPT4家族一骑绝尘

此外，大部分AI智能客服都不太智能，在处理某些问题场景的时候甚至不如基于nlp的规则类智能客服。

可以看出来，很多产品经理在努力让自家的AI智能客服看起来像个“人”，有时候会给其一个可爱的名字或者数字形象。这样的努力其实避重就轻，因为一交谈就会发现AI智能客服还是不太灵光，顶着再像人的形象也不好用。

本着扬长避短的原则，既然技术瓶颈无法让AI像个真人，那就不必强求。针对高频客户问题，设定一些规则进行回复，而遇到较为个性化问题时，可以让AI进行判断是否可以回复，无法回复时转接人工客服，是常规的解决思路。

至于提高AI客服的准确性和专业度，可以通过RAG+知识库的形式，让它掌握特殊领域的知识（可惜RAG能优化的空间也比较局限，有时候还会弄巧成拙）。RAG目前有非常多种改进后的变体，如RAGfusion、CRAG、GraphRAG等，这方面的文献研究数不胜数，论文肯定比我写的明白，这里就不多赘述了。

我自己密切关注的AI智能客服价值点之一在于自动工作流。回溯到使用场景上来思考，客户来找客服一定是带着确切的目的的：让客服帮自己解决问题。AI的自动工作流可以在接待多个顾客的同时将他们引导向不同的目的地、提供合适的工具。

工作流的规则为LLM的发挥提供了一个稳定的框架，尽可能减少幻觉问题，为用户解决实际的问题。

类似的产品最近有Nurix，创始人是印度企业家，他选择了一个取巧的赛道：IBO（业务流程外包），为印度的外包行业提供定制化客服Agent，以提升客户服务质量和生产力效率。

Nurix AI的智能客服（文字+语音）

04 结语

以上是我近期对于汽车领域的数字营销场景的AI产品方向思考，时间有限，有些思考没有经过反复推敲，不一定对，欢迎各位同行交流指正。

最后，我想用一句老生常谈来进行总结：人们总是在短期内高估，而在长期内低估。这几年以来，我很高兴能够置身浪潮其中见证AI的发展。

这一次的AI浪潮虽然不可类比移动互联网的黄金十年，但它带来的更多是润物细无声的变化。不管怎么说，让子弹再飞一会。

希望未来少些宏大叙事，涌现出更加扎实的AI产品。