批量生素材、模型筛网红|与飞书深诺Meetsocial沈晨岗聊AI时代的出海营销

2025 年，麦当劳在荷兰上线了一支几乎完全由 AI 生成的节日广告。上线没多久就被大量吐槽，争议不只在画面粗糙，更在气质：廉价、偷懒、没有诚意。广告最终下架。

这件事成了出海营销圈的一个反面教材。AI 能生成图片和视频，和 AI 能做出一个让人愿意买单的广告，中间隔着一整套商业目标、用户理解和质量校验。

这期《晚点聊》，主播高洪浩请来了飞书深诺创始人兼 CEO 沈晨岗，大家叫他 Charles。飞书深诺做中国企业出海营销做了 12 年，服务过安克、Shein、阿里、米哈游、莉莉丝、字节、美图，也服务超过 10 万家中小企业。他们聊了出海从 1.0 到 2.0 的变化，AI 在营销里能干什么、不能干什么，中美 AI 营销生态的差异，以及一家营销服务商怎么被 AI 改造。

出海四阶段，2025 年是个分水岭 4:17

沈晨岗把中国企业出海分成四个阶段：商品、产品、品牌、企业。

他用手机举例。华强北把组件组合起来就能卖，那是商品。贴个 LOGO，开始进入产品阶段。像小米那样，把产品跟研发能力、品牌精神结合，形成品牌。再往后，真正出海的是一个有灵魂、有生命力的企业。

飞书深诺 2013、2014 年开始运营，前十年服务的主流是商品阶段。2025 年开始，更多企业进入产品和品牌阶段。

这两个阶段的差别，沈晨岗用两个词概括：销售和经营。1.0 是销售思维，买流量、卖货、当天回本或者一周回本，就大量卖。2.0 是经营思维，在产品、品牌上花更多时间和精力，打造持续竞争力。

如果我只是买了流量，我就能把货卖出去的时候，那你根本就不会思考后面那些更复杂的部分。

流量便宜的时候，没人会想品牌。流量成本上涨，同质化竞争加剧，卖衣服的、卖充电宝的都一样，价格竞争力越来越弱。领先的企业开始往价值链上游走，在产品功能、设计、品牌上找更高阶的竞争力。

为什么是 2025 年？沈晨岗说，这是量变到质变，并非一夜之间发生。他举了一个典型客户：早期流量时代的大卖家，一年销售额几亿甚至超过十亿，平台上有几千万海外用户。后来成本越来越高，利润越来越少，再沿着原来的路径扩张，招更多人做精细化销售、找更便宜的流量，这条路已经看得到头。

想转产品设计、用户运营，又需要额外投入，前面少做的铺垫这时候补不上。分水岭上，有些企业迈上去了，有些遇到重大挫折，甚至死掉。

另一个推力来自媒体平台。平台对商品合规和质量的要求在上升，靠偷工减料、擦边违规来竞争的路被堵得越来越死。企业只能去做难而正确的事情。

安克、二代与 D-MES：数字化是乘数 12:32

安克是个成功案例。早期没有太多资源，从商品销售起步，卖充电宝和充电线。但创始团队在积累销售的同时，已经有意识地在打造产品和品牌能力。收入投进研发：充电线怎么做得更好，充电宝效能怎么提升，接头的工艺怎么改进。

沈晨岗说，这类企业的创始团队在认知上从一开始就处于较高位。做第一步的时候，已经在想什么时候为第二步做准备。

另一个现象是二代接班。美特斯邦威的公子在海外接受过更市场化、更前沿的营销教育，回国后没有接旧盘子，而是从零创立新的出海品牌。

一代和二代的做法差别在哪？沈晨岗认为，一代做产品、做销售已经形成很强的惯性，怎么生产组织、怎么看市场、怎么运营，都有一套固定路径。二代更懂海外消费者。

从商品到产品，核心问题变了：以前是我生产出来想要卖掉，现在是我的用户需要什么产品我来生产。

安克每年做大量用户调研，小米也是。飞书深诺会支持这些企业做数字化的全球调研，了解消费者、了解市场、了解产品该往哪个方向迭代，从而走在竞争对手前面。

飞书深诺发布过一份 Meet Brands 报告，提出一个叫 D-MES 的模型，用来衡量出海品牌的发展潜力。四个字母：D 是 Digital competence，数字化能力；M 是 Mental dominance，心智影响力；E 是 Product evolution，产品创新力；S 是 Sales performance，商业转化力。

为什么是这个排序？沈晨岗先开玩笑说为了名字顺口。实际逻辑是对出海阶段的倒序描述：商品阶段对应销售转化，产品阶段对应产品迭代，品牌阶段对应心智影响。D 单独拎出来，因为它是贯穿所有能力的核心，是一个乘数，乘以各个维度。

欧莱雅是个例子。渠道销售能力强，产品迭代能力强，品牌影响用户心智的能力强。但最近三五年，欧莱雅在数字化上投了巨量资金，做整个业务流程和企业层面的数字化转型，包括线上线下店铺的所有数字化能力。沈晨岗认为，最终走到金字塔塔尖的企业，这几个能力都要强，数字化能力可能决定它在那个层面上竞争的核心胜负。

数字化分两个层面。第一层是效率：星巴克用小程序、电子支付和会员体系绑在一起，用户用支付宝支付，消费历史和信息整合进用户档案，企业根据忠诚度计划给反馈。原来需要冗长复杂的团队去做的事，数字化把效率提到新高度。供应链、商品交付、甚至商品设计过程，都能用数字化能力。

第二层是决策的效率和质量。星巴克通过数字化做供应链决策。美团外卖通过数字化分配骑手运力、安排时间、设计激励，做大量快速的本地化决策。决策对不对、有没有效，可以通过数字化反馈不断调整。

两家企业在同一层面竞争，谁能对市场反应更快、认知更准、行动更到位，谁就赢。数字化是用来拉开这个差距的。

AI 的共识与非共识：能力要和商业目标匹配 22:47

营销行业对 AI 的共识很明确：AI 很重要，明天就要用。非共识同样明确：AI 到底能解决什么问题。

沈晨岗在管理群发过一张漫画。问 AI 重不重要，大家说很重要。问 AI 能解决什么问题，不知道。问什么时候上 AI，现在。

大家说 AI 重不重要，大家说很重要。然后 AI 能解决什么问题呢？不知道。

他承认尝试是有成本的。麦当劳的案例就是典型：AI 能做的事情和它希望 AI 做到的事情之间，出现了严重不匹配。

做一张图片或视频，AI 可以。做商业图片或视频，有商业目标，有约束条件。创意要让更多人喜欢、点赞，还是让更多人购买、注册、下单？不同商业目标对应不同创意。基于商业目标应该做成什么样，这个问题现在还没有很好的回答。

他举了 AI 客服的例子。简单问题，AI 通用能力强，能很好解决。专业问题，尤其是涉及重要决策的问题，AI 出错一次，对客户的影响就是致命的。

AI 很难对一些高价值的商业决策或者商业价值的产品进行负责。

自动驾驶也是类似逻辑。号称出错概率比人小很多，但仍然不能合规上路，因为出一次问题就是大问题，背后还有谁对商业结果负责。

沈晨岗认为 ChatGPT 出来时影响最大。影响不在于马上能联想到对行业有什么直接改变，而在于它把很多知识通用化，变成一种极其高效的知识分发能力，而且是个性化的分发。客服是较早应用的场景，因为对话式 AI 很自然延伸到客服，而客服成本高、对知识能力的要求相对没那么高。

但标准化客服容易解决，复杂场景、高价值场景就很难。AI 出现幻觉，本质是对事情的理解深度不够。理解不够，判断好坏的标准没有建立，就很难进一步扩展。

Anthropic 做的 AI coding 是另一个层面的变化。沈晨岗称它「revolutionary」，沿着 AI 的发展方向有跃升式的能力提升。原来要 100 个工程师写代码，AI coding agent 能在很短时间内做到很高水平。人在上面做审核、校验、管理。全球领先科技企业的编程工作已经大部分交给 AI coding，人负责审核和管理。

即使能力很强、潜力很大，在实际商业场景应用仍然是渐进的过程。

三年变化与中美对照：包袱轻的人跑得快 30:38

过去三年，AI 对营销行业最大的影响在内容生成。视频创意、文字、图片，原先高成本的创意制作变得成本更低、门槛更低、效率更高，可以同时交付很多。

数据策略层面的影响还在演进和打磨。沈晨岗把 AI 在营销场景的作用分成两层：一层是提高整体效率和执行速度、执行量，像程序化代码一样，执行快、量大；另一层是做更复杂、价值更高的决策和判断，难度大很多。

广告营销里，优化师每天面对成百上千个决策点：这个广告要不要继续留着，Meta 上的出价要不要调，谷歌上的预算要不要减，日本市场的投放要不要加。每个决策累积起来都会影响最终结果。目前大部分决策仍然依赖人来做，因为花钱的商业决策容错空间小。

AI 的能力是从后端逐渐走向前端的过程。沈晨岗打了个比方：招一个刚毕业的博士来做营销运营，也很难一下子独当一面做决策，要跟着师傅，理解为什么这样调广告、为什么这样做，逐渐积累经验认知，才能自己做判断、为结果负责。AI 也需要这样的学习过程。直接调用一个大模型就帮你做决策，做不到。要在自己的业务里构建决策环境模型，构建的过程就是学习和迭代。

沈晨岗去硅谷待了几个星期，见了 Meta、Google、英伟达，还有很多创业公司和前沿领导者。硅谷对 AI 的热情非常高，咖啡馆里都在讲 AI 项目，大厂出来创业非常普遍。整体上，硅谷更重视基础模型的研究，包括巨型智能的基础模型。

中国在特定行业的应用速度和迭代程度更快。原因有两个：中国有更多应用场景，to C 的消费场景和 to B 的场景都更多；美国市场发展程度比较发达，很多需要 AI 引入来改变的现有场景，改起来反而困难。

沈晨岗认为 AI 是一种能力，智力的能力。要把这种能力结合到业务里、服务过程里，需要对业务流程进行重组或改变。就像当年互联网出现，要重塑业务流程一样。要重新思考 AI 和 AI agent 怎么在业务流程里创造业务价值：降低成本、提高效率、提高效果，怎么达到目的。

这里有个后发优势。先发的人早年业务流程已经固定住，调整非常困难。原先没有成熟固定流程的企业，调整反而更容易。

他举了美团的例子。美团有很强的餐饮管理系统，是很重要的数字化能力，希望应用到美国市场。但美国餐饮店的结算和管理系统已经有现成系统沉淀，上下游嵌套在一起，大家没有改变的动力。明明知道新流程好，改变成本巨大。中国因为大量变化和竞争，企业改变的动力远高于美国同类企业。所以这类应用场景先在中国推进出来，将来再向全球扩散。

营销生态里，国际营销公司的历史惯性很强。组织上和意识上要做调整，难度很大。飞书深诺的优势在于数字化原生：成立第一天就是数字化的、全球化的。2015 年建第一代数据仓库，用惠普和 Tableau 的系统，投了一两百万人民币，当时对沈晨岗来说是巨款。所有媒体、创意广告、广告运营，企业营销需要做的事情都数字化沉淀在一个系统里。

传统广告公司做不到。全球最大的几家广告公司，数据分散在各个不同旗下公司里，一个客户的信息分散在不同集团企业，互相不通，互相竞争。表面上在客户服务层面做整合和连接，本质上没有数字化连接。

AI 要发挥作用，基础是数据。要给广告客户做更好的策略或预算调整建议，需要知道以前历史花的钱怎么花、花在哪里、哪些花得好、哪些花得不好。以前有数据，但没有计算和分析能力。AI 提供了大量分析和计算能力，能在已有基础上叠加。

对美国很多企业来说，需要先打碎重组自己才能用好 AI，这几乎是不可能完成的任务。

Agent 流水线与质量杠杆 42:16

市场上有不少出海营销平台在做自己的 AI 甚至 agent 产品。飞书深诺在这件事上相对克制。

沈晨岗说，现在没人能说清楚什么叫 AI agent。最终还是要和能完成的任务、解决的问题对应起来。市场上大部分 agent 很难把自己和明确的工作目标、商业结果对应起来，只能定义很模糊的抽象结果。

比如做一个市场调研 agent，调研结果是什么？什么样算有价值的市场调研？什么样算合格？什么样是客户能用的结果？这些讲不清楚。如果只是通过大模型搜一下同行信息，把信息汇总，也可以叫市场调研，但