营销应用中，AI大模型的智能化边界在哪里？
在上周的系列研究中，群邑智库详解了“输入→处理→分析→产出→优化”的智能逻辑序列，并针对“检索归纳”与“代码编辑”两大大模型品牌营销应用场景进行了测评。通过测评，我们发现AI大模型在数据分析、搜索信息等多个场景下能在一定程度上提升营销人员的工作效率，但整体产出的稳定性不足。
本周我们将上一个台阶，继续研究AI大模型对品牌营销的赋能，在工具化的应用之外，营销场景下，AI对商业问题的逻辑分析天花板在哪里？为了能够探顶大模型的能力，我们有意在问题设置上加大了难度，以充分了解大模型的思维深度。
逻辑分析
自从大模型产品问世以来，大模型的“逻辑分析”能力就一直为人所津津乐道，普遍认为以大模型的“逻辑思维”为重要标志，AI在智能逻辑序列中推进到了真正意义上的“产出”水平，即能在一定程度上摆脱传统“智能场景”下的工具属性，从而具备主观创造的能力。
那么，在具体的营销问题场景下，AI的智能化程度究竟到了怎样的水平？AI的主观创造又能在多大程度上符合专业需求呢？通过测评我们提炼出了AI大模型在逻辑分析营销应用上的三种模式：框架式逻辑搭建、提示性思维补充与复杂问题分析。
框架式逻辑搭建
让AI成为你的专属实习生
为了了解大模型在当下的逻辑思维能力，我们假设了一个具体的商业问题，让大模型产出一个相关的PPT提纲。
帮我写一份三八妇女节期间的品牌营销策划案的PPT提纲，品牌是某欧美大牌，品类的抗皱眼霜，目标受众是25-35岁的初老人群。请在提纲里填充具体内容
第一页：标题、目录
标题：某新锐化妆品抗皱眼霜三八妇女节营销策划案
目录：介绍PPT的页数和内容，包括标题、页数、内容概述等。
第二页：品牌介绍
内容：品牌名称、品牌理念、品牌特色、产品介绍、产品优势等。
第三页：目标受众分析
内容：目标受众的年龄、性别、职业、收入、消费习惯、需求和偏好等。
第四页：营销目标
内容：提升品牌知名度和品牌形象、增加产品销售量、提高用户满意度等。
第五页：营销策略
内容：产品策略、价格策略、促销策略、渠道策略等。
第六页：媒体选择
内容：展示、社交、电商、搜索、电视、户外、视频、短视频媒体平台的介绍和优劣势分析，选择适合品牌的媒体进行投放。
第七页：社交媒体营销
内容：社交媒体平台的选择、活动策划、KOL合作、社交媒体数据分析等。
第八页：电视广告策划
内容：电视广告创意、制作、播放时段和时长、播放周期等。
第九页：线下活动策划
内容：活动场地选择、活动流程策划、活动奖品设置等。
第十页：效果评估与总结
内容：营销效果的评估指标、营销效果评估结果分析和总结，为下次营销活动提供参考。
第十一页：结尾
内容：感谢致辞、联系方式和期待下一次合作。
从整体结构来看，大模型所给出的“框架支点”确实能够符合商业问题的基本需要，但细究回答所呈现的内容却发现大模型在思维深度上仍有很大局限。
首先，具体表现在大模型所给到的逻辑框架在并不具有“针对性”，更多地只是呈现了“一份媒介策划案应该包含哪些维度”的基础问题，并没有落实到商业问题具体的需求差异点。比如专业人员应该考虑到的营销时间节点：三八妇女节，活动的目标受众：25-35岁的女性等等。
其次，是内容丰富度上，大部分大模型并不具备基于框架进一步填充内容的能力，不论是对于公开数据的搜寻，还是相关案例的支撑，大模型都难以进一步丰富既有框架的内容。这主要是由于大模型底层知识链条的隔离，虽然每个大模型底层都有数目庞大的知识库内容，但不依赖“交互人”的引导，大模型自身不太能具备主动串联不同知识链条的能力。而面对复杂的商业问题，比如女性主义在营销领域的表达，不同类型媒介组合的效果衡量等等，大模型还不能融会贯通。
提示性思维补充
你不再是一个人在工位战斗！
除了框架逻辑的搭建之外，大模型还可以进行提示性思维的补充。大模型普遍采用对话交互的产出模式，在使用上很类似“聊天机器人”，具备很强的沟通感与互动感。所以，对于日常工作中的问题，可以将AI大模型当作一个参与讨论的对象，以提示问题思考的方向。比如在关于品牌人群需求的讨论时，可以通过对话模拟消费者人设，以丰富专业营销人员的思考支点。
Mr.
我正在做一个大牌眼霜的品牌营销媒介策划方案，
主题是三八妇女节，产品主要受众是25-35岁的
女性消费者，产品的主要卖点是抗初老。请你分
别扮演三种类型消费者代表，并站在她们立场上
与我进行营销策划的讨论可以吗？
以下是三种身份标签
A你是一个在校大学生，在读硕士，你的主要收
入来源为父母的零花钱
B你是一个企业白领，工作压力大，正在担忧情
绪会影响你的皮肤状态
C你是一个超级奶妈，有一个已经四岁孩子，
你生活大部分重心都在孩子身上
AI
考虑她们的触媒习惯，然后分配我的媒介预算
呢？
上面是AI给你的答案
经过上述问答，我们可以发现在人工智能的理解之中，在校学生、企业白领、超级奶妈同为25-35岁的女性，从产品需求上来看，三个人群进一步细分了“抗初老”的需求，分别点出了三种人群在专业性、温和性和便捷性上的需求支点。在触媒习惯上她们虽有很多交集，比如都偏好从社交媒体获取信息，都会在网络视频上花费大量时间等等。但进一步细分人群需求，企业白领的对信息的需求更偏向专业与资讯，而年轻妈妈则偏好从育儿与亲子垂类平台上获取信息。
总体来看针对此类问题的回答，大模型都能做到基本的逻辑自洽，但就内容去看，大模型本身并不具有很强的创造性思维，基于知识库整理的产出的内容符合基本常识，但本质上并不能产出人类认知之外的创意。
复杂问题分析
营销场景下AI对商业问题的逻辑分析天花板在哪里？
在经过上述的测试之后，我们对大模型的逻辑分析能力已有了基本认知，作为大语言模型，AI大模型最大的特点是语义理解能力强，组织逻辑产出的思维速度快，基于海量底层知识库的支持，它们具备对大部分问题产出理解洞察的基本能力，对所解构的事物也做到自圆其说。
为了进一步探查大模型在专业问题上的逻辑分析能力，我们通过控制变量的方法观察大模型在复杂问题上的思辨能力。我们要求大模型产出特定brief下的品牌营销媒介方案，我们为大模型设定了三种典型的品牌营销目标：提升品牌知名度、提升品牌销量与品牌拉新。并提供了三种不同大小的预算池：100万、1000万和1个亿。通过对上述两个变量的排列组合，我们对大模型在媒介策划上的能力进行了测试。
品牌是某新锐化妆品，品类是抗皱眼霜，目标是提升品牌知名度/提升品牌销量/品牌拉新，受众是25-35岁的初老人群，针对以上目标，品牌有100万/1000万/1亿预算，请问在各平台该如何进行预算分配？能提升百分之多少的品牌知名度？说说理由。
在设计完问题体系后，我们向某大模型提出了第一个问题：
针对提升品牌知名度的目标，品牌有100万预算，请问在各平台该如何进行预算分配？能提升百分之多少的品牌知名度？说说理由。
AI的回答
对于有限的100万预算而言，大模型的分配模式可以称得上是中规中矩，而对于品牌知名度的提升预计则缺乏切实有效的数据支撑与思考维度，而后我们将预算提升到1个亿和1000万。
100万预算池
如图所示某大模型在面对不同的预算池时，不仅没能根据预算池大小分配不同的媒介组合模式，连不同预算池对品牌知名度的预计提升都没有变化。而这一现象并不是孤例，相当比例的大模型在测试中不太能区分不同预算池，即使能区分，针对专业的媒介问题，它们也缺乏系统性的逻辑思考，所提供的问题答案仅能做到逻辑自洽。部分大模型甚至在预算分配时出现了分配比例超100%的低级错误。
仅少数大模型能够在这一问题上进行深入思辨。比如在目标为提升销量的情况下，GPT能在不同预算池的问题上，提出100万/1000万的预算分配方案应注重“高效性”和“目标性”，即“精准定位”，花好有限的预算，将20%的预算分配给消费者旅程后端的电商渠道。而1个亿的大预算池分配则需注重预算分配的“平衡性”和“理性”，并能选择花费相对更大的“大型活动赞助”作为媒介投资的标的。但GPT对于同一营销目标下100万/1000万的预算分配并不能做出很明显的区分，对于销量提升的估算也漏洞百出，且当营销目标发生更换时，GPT的答题质量明显下滑，稳定性不足。
总体来看，问题越复杂大模型产出内容的稳定性就越低，而问题越是专业深入大模型所能给到专业人员的支持也就越少。
在实际的工作应用中，大模型可以在数据处理、信息检索等简单场景下进行支持，但对于前文所述的“超纲”问题，大模型仍需新的技术发展：
- 框架性思维能给广告人提供完整的逻辑架构，但由于缺乏针对性的理解与专业性的知识储备，框架本身并不具有商业性，就具体的问题而言，仍需要专业判断下的取舍。
- 提示性思维在消费者洞察环节中能够进行有效的碎片化补充，但对于提示内容仍需要交互人加以斟酌，充分验证。
- 对于高难度的复杂性问题，大模型局限较大，在目前阶段仍无法给到专业人员支持。
来自： 群邑智库
更多阅读：
