有真实数据的 AI 营销案例在哪里？比行业大会上宣传的要少得多。大多数“AI 成功故事”统计的是产出：生成了多少素材、理论上省了多少小时、上了哪些工具。真正值得学习的少数案例，会点明一个具体的低效问题，对它进行衡量，解释方法，并诚实说明结果到底有没有发生。
最新的例子就出现在本周。Campaign Middle East（Campaign 中东版）报道，效果营销代理商 TRKKN 使用 Google 开源的 Meridian 营销组合模型（MMM），帮美妆零售商 Faces 看清其在沙特阿拉伯的收入究竟从哪里来。三年数据、11 个渠道，预测可带来 8.5% 的增量收入，ROI 提升 10.8 个百分点，而这一切只是通过重新调配 Faces 本来就在花的预算。
Faces 与 TRKKN 的案例到底证明了什么？
证明了一件具体而有用的事。TRKKN 在 Faces 现有的 Google Cloud 环境中部署 Meridian，对 2023 至 2025 年的线上线下营销数据和收入数据建模，并为每个渠道构建了响应曲线和饱和曲线。Performance Max 是表现最强的渠道。模型还显示了在哪些地方追加预算会遭遇边际收益递减。
Faces 隶属 Chalhoub Group，其数字营销总监 Harry Lonergan 用一句话概括了价值：“Meridian 帮助我们跳出了末次点击效果所呈现的视角。”
有两点需要注意。第一，报道写得很清楚，8.5% 和 10.8 个百分点来自模型情景推演，而不是落地后的结果。第二，这是统计建模，不是生成式 AI，所以它对内容工具什么也说明不了。这两点都不会削弱这个案例，反而让它更可信，因为你清楚自己在看的是什么。
为什么大多数 AI 营销案例都很单薄？
经济学家把价格无法传递正确信号的市场称为“市场失灵”。其中一个经典原因是信息不对称：交易一方掌握的信息远多于另一方。广告业与此共存了几十年：平台给自己的作业打分；代理商为客户看不见的工作按小时计费；客户用末次点击数据评判渠道，而这些数据偏偏抬高了离成交最近的那个环节。
AI 案例继承了这个问题。供应商只公布胜绩，很少公布方法，几乎从不公布基线。“节省了 40% 的制作时间”听起来像证据，直到你追问：40% 的什么？怎么衡量的？那些工作后来怎么样了？
有用的案例恰恰相反。它们直面市场长期容忍的低效问题，比如末次点击归因或耗时数天的人工报告，并亮出数字。从这个意义上说，效率确实是创新之母：在看清一个流程的成本之前，你无法重塑它。
哪些 AI 案例有可以核查的数字？
以下是我们今天能拿出来的案例，包括我们自己的客户，用的是同一把尺子。没有公开数据的，我们直说。
| 案例 | 解决的低效问题 | 数字 | 预测还是已实现？ | 还缺什么 |
|---|---|---|---|---|
| Faces 与 TRKKN（Meridian MMM） | 用末次点击视角看 11 个渠道 | 8.5% 增量收入；ROI 提升 10.8 个百分点 | 基于三年数据的预测 | 落地后的结果 |
| SAMY 与 Defy Agents | 人工效果报告 | 三天的工作缩短为一天 | 已在工作流中实现 | 省下时间的商业价值 |
| Enchant 与 Defy Monitor | 人工 CRM 洞察与活动部署 | 无公开数据 | 已用于其全部客户 | 量化的成果 |
| SharkNinja 与 Defy Monitor | 了解拉美市场 | 无公开数据 | 用于制定可快速测试、快速学习的策略 | 这些测试的结果 |
| 冲刺型代理商（Beers With Friends、X&O） | 动辄数月的项目和月费合同 | 五天一个冲刺；客户一年回来好几次 | 运营模式已在使用 | 故事里完全没有 AI |
“三天变一天”在代理商内部是什么样子？
全球达人营销代理商 SAMY 采用 Defy Agents 来精简效果报告，把三天的工作缩短到一天。这个数字并不光鲜，却正是重要的那种，因为报告是每个客户服务团队都熟悉的杂活：从各平台拉数、对数、排版、检查、发送、解释。
Defy 平台上的智能体工作流，能把这类重复性交付从人们的桌面上拿走。有意思的问题是，另外两天变成了什么。如果它们被更多同样的工作吞掉，客户什么也看不到；如果投入到分析、创意和沟通上，报告就不再是成本，而是续约的理由。
Campaign US 对代理商冲刺模式的拆解，展示了速度在商业上会通向哪里。Beers With Friends 以五天为一个冲刺周期。X&O 联合创始人 Brett Banker 说，公司的“客户留存率为零”，因为客户一年回来好几次，而不是签长期代理（agency-of-record）合同。这篇报道完全没有提到 AI。这正是重点：客户本来就愿意为速度和专注买单，更快的交付只是让更多代理商能用上这种模式。
照搬之前，如何判断一个 AI 营销案例
- 点明低效问题。之前什么是浪费的、看不见的？“我们用上了 AI”不算低效问题。
- 找到基线。三天的报告工作、末次点击归因、以月计的项目周期。没有基线，就不算案例。
- 检查方法。用了哪些数据、覆盖多长时间、多少个渠道？Faces 的案例三个问题都答了。
- 区分预测与已实现。模型推演出的增幅是预测。把它当作待验证的假设，而不是写进比稿 PPT 的成绩。
- 追问省下的时间去了哪里。效率只有体现为更好的工作、更快的决策或更低的客户成本，才算数。
- 自己做试点。一个客户、一个工作流、一个月，开始前先把基线写下来。
哪些地方的证据仍然薄弱？
大多是声音最响的地方。衡量和报告能产出干净的前后对比数据，所以容易成为好案例。生成式内容就难多了：多产出的素材容易统计，但要证明这些素材卖出了更多东西却不容易。对任何止步于数量的案例都要保持警惕。
我们自己的表格也有空白。Enchant 和 SharkNinja 是真实的部署，但没有公开数据；SAMY 的数字衡量的是时间，不是收入。我们宁愿把空白摆出来，也不想粉饰。接下来跑得好的代理商，会在公布胜绩的同时公布方法，因为只有这样的案例，才会让一位挑剔的客户财务总监愿意读第二遍。
