第二，对业务场景的理解和数据积累。

应用于营销场景的大模型，需要完成比较严肃的业务应用，比如帮助老年客户在银行开户，生成一张符合金融广告规范要求的海报，对可控性的要求就非常高，是客户选择大模型营销解决方案的一条重要红线。

容联云告诉我们，就以一线营销人员所需要的话术为例，一线人员每天要打很多电话，企业不可能把所有电话都听一遍，很多话术没有提炼出来，也无法从语音数据中解析出一些行业优秀的话术，那么沟通的业务目标转化效果，比如开户、填单、购买等，就很难去洞察和优化。很多企业以前的话术库，其实是只有量，没有质。目前，容联云通过大模型去提取问题，把一线及时反馈出来的高频问题，通过自动化手段及时挖掘出来，再反馈给主管或座席，更快地洞察客户关注的问题，可以改善服务质量，提高客户满意度。

高质量数据和行业Knowhow的数字化积累，让大模型真正深入理解营销业务，也是判断AI营销方案的一个标准。

第三，工程能力做出好用的产品。

技术很先进，但产品很难用，是阻碍AI落地的一个主要问题。就拿AI营销一站式工具来说，全流程贯通是很多企业都在追求的目标，但很少有企业能够把所有营销工具都进行跨平台、跨系统的整合。

要么工具不全不完整，运营人员还是要在多个系统中来回切换；要么简单地堆砌在一起，只提供一个聚合入口，运营人员需要在繁杂的应用中反复查找，无法快速执行完成。目前头部AI营销产品的做法是，通过AI agent智能编排调度，把大模型变成一个大脑中枢，对不同的工具API进行编排，自动把营销目标拆解到不同任务并执行。

营销人员只需要抓住一个营销目标，把预算、目标人群、投放形式等关键要素，跟大模型说明白，大模型就会结合领域知识，对目标任务进行拆解，并对其中的重复劳动进行折叠压缩。这样，营销小白也可以很快“抄作业”，让大模型引导到对应的系统、应用和节奏，完成整个营销过程。

从这个角度看，AI营销的产品化能力，就是把大模型学到的知识经验，让营销人员抄对、抄好、抄快。

最后，还要考虑成本的问题。

一定要用大模型吗？以前的小模型还能不能用？如果所有的环节全用大模型，算力成本、开发工程量谁来出？增加的支出能否覆盖减少的成本呢？

投产比是否合理，是企业面临的现实问题，也是是否采取大模型解决方案的底层逻辑。目前业界的普遍做法，是大小模型配合。

小模型来完成一些确定性高、离线、特定任务，大模型负责调度、指挥、认知理解。举个例子，在客服对话中，用大模型来挖掘金牌话术，再用小模型进行推荐，把好的话术推给普通销售，提高他们的业务能力，而客户的智能化综合成本也更低了。