孙宝红、孟繁怡/文
当前，大多数品牌都在为AI买单：内容团队采购视频与文案生成工具，客服部门上线智能机器人，投放团队依赖算法优化广告，电商前端接入智能推荐，会员团队引入流失预测模型。单点看，各职能的效率确实得到了提升；但从全局看，这种“采购模式”存在三重结构性隐患。
第一重隐患是能力的同质化。绝大多数品牌使用的AI工具均来自第三方平台或通用大模型厂商。这意味着同行只需支付相同费用即可获得同样的能力，品牌难以借助工具采购建立差异化优势。
第二重隐患是功能的孤岛化。各职能零散采购的工具各自为政，企业内缺乏统一的数据与决策协同机制。促销算法无法感知库存变动，客服机器人不掌握客户终身价值。更糟糕的情况是工具间甚至会产生冲突，如会员系统向潜在原价购买人群盲目发放折扣券。
第三重隐患是数据的外溢化。AI工具使用过程中产生的数据，往往会留在工具里或公域平台上，没有沉淀为企业自己的资产。
因此，企业买了不少AI工具，只能为品牌带来暂时性、单点式的效率提升，却始终没有打造出能够持续学习的闭环系统。
为此，笔者提出了“智能价值链（IVC）”六层框架，试图回答企业最关心的投资命题：钱该投向价值链的哪一层，才能在AI时代建立对手难以复制的优势，带来增长。
从能力叠加到智能飞轮
品牌推进AI转型，管理者首先需要明确“AI能力”与“品牌智能”的本质区别。
AI能力仅是局部能力的点状输出，如文本生成、画像识别等。品牌智能是一套能够实现“数据收集—智能决策—场景执行—系统重训”的动态闭环飞轮。飞轮每转动一圈，都会留下这一轮的决策与结果；企业据此修正规则、调整判断，必要时重训模型。飞轮运转次数越多，积累的样本越多，下一次判断就越有依据，这也是飞轮能够越转越快的底层原因。
飞轮的运转还需要一个常被忽略的前置条件：确立清晰的目标函数，即企业真正想优化的核心指标；模型可以向外租用，但目标函数只能由企业自己制定。
智能飞轮在组织内部表现为一套高效整合的运作体系：专有数据库（燃料）沉淀消费者交互过程中的决策路径与行为偏好；决策指挥中心（大脑）统筹数据资产，做出全局性决策；智能体（双手）被嵌入面向消费者的触点和面向物理世界的执行环节，执行指挥中心的决策指令。执行的结果，既决定了用户体验，也是新数据的来源。
品牌持续利用第一方数据（first-party data）重新训练算法、深度理解用户和行业，便会得到专有模型，用于广告、促销、定价、补货、服务等每天都要做的决策上。品牌AI转型就是要让这个环环相扣的系统运转起来，推动智能飞轮越转越聪明。
拆解智能价值链
当前，企业管理者最关切一个问题：AI时代，资源应当投向哪一层，才能构建难以被对手模仿的优势，打造业务增长的引擎？为此，本文提出了“智能价值链”（Intelligent Value Chain，IVC）框架，将品牌智能拆解为6种创造与捕捉价值的商业活动。
第一层（L1）智能创建，指通用基础大模型研发。
第二层（L2）智能编排，将多个AI工具与智能体协调成一个系统、调度数字经理，是智能化运转的控制平面。
第三层（L3）决策授权，决定机器的自主程度：哪些决策交给机器拍板，哪些仍由人把关，如何设定权限范围、边界阈值与异常回退机制。这一层涉及组织的决策结构，因此也是最难落地的一层。
第四层（L4）企业智能，承载企业专有数据、行业知识以及基于这些资产训练出的专属模型。它是组织的记忆载体，完成从数据到判断的转化，也是长期复利的核心来源。
第五层（L5）消费者界面，是支撑消费者决策的交互触点，包括线上社群、自营电商、实体门店、数字化的产品与包装、移动应用等。触点权属决定用户关系与行为记录的归属；自有触点是品牌获取第一方数据的核心入口。
第六层（L6）物理执行，将AI能力落到生产、物流、履约与产品本身。
我们将六层框架对应回“数据收集—智能决策—场景执行—系统重训”的智能飞轮：L5采集消费者行为与决策，L6采集实际业务结果；二者沉淀于L4，构成企业记忆。L3划定机器自主决策的范围，L2依托L1的通用智能，将判断调度至对应触点；判断下发至L5与L6，产生新行为与新结果，再回流至L4。换言之，智能飞轮即是IVC的动态版本；在IVC各层级合理配置资源投入，即可沉淀品牌智能。
六层级各自的特征，决定了资源该投向哪里。
首先，L3（决策授权）与L4（企业智能）是构建竞争护城河的核心环节。L3解决“谁来拍板”的问题；L4解决“记忆与知识”问题，承载专有数据与专属模型。二者高度依赖企业的特定业务场景、历史积累，以及经营者自己写下的目标函数，无法通过市场采购获得，也是同行难以抄袭的战略资产。
其次，L5（消费者界面）与L6（物理执行）既是判断的出口，也是数据的入口。将AI嵌入L5与L6，企业智能（L4）才算拥有伸向业务的两只手，左右协同。L5解决“认不认得出人”的问题，采集消费者的行为与选择，自有触点越多，第一方数据就越完整。L6解决“结果回不回得来”的问题，货物是否送达、使用体验如何、是否持续使用，仅从这一层回流。二者是L3与L4的燃料：缺了L5，企业不知道消费者是谁、选了什么；缺了L6，企业决策的真实结果便无从检验。新业务也只能从L5和L6生长出来。
再次，业务层与学习能力沉淀层存在错位。L5与L6属于业务层：交易在此达成、收入在此确认，投入可在当季见效。L3与L4是学习能力沉淀层，回报周期更长。因此，管理者需要用两套标尺评估六层框架：业务标尺衡量层级当年创收与降本成效；智能标尺衡量沉淀资产能否持续留存、提升后续决策精度。
哪些能力可以租，哪些必须自己掌握
如此，品牌管理者面临的决策是：在六层架构中，哪些应该自建，哪些可以外租。
基本的判定原则为：同质化的能力要外租，产生复利的资产需自建。这里的“自建”指自己掌握，而非自己开发。系统可以外包，数据、规则和学习成果必须掌握在企业受众，且不会受更换供应商的影响。
一般而言，L1可以坚定地选择外租。L2中的通用编排组件也可租用，但编排逻辑需要企业自己构建。L3、L4是学习所在的核心层，企业必须自建，才能把外部通用AI能力转化为品牌自身的长期竞争优势。L5、L6是飞轮的出口与入口，租和建都可以。租，解决的是做生意的问题：店开得起来，货送得出去。若要持续学习迭代，租用触点必须保障两点：收回用户关系、回收真实履约结果。自建的优势更强，企业可完整持有用户与数据资产。
很多企业在“自建与外租”上的失误，根源在于拿业务的尺子去量智能的回报：业务的尺子只看当季，数据治理、决策历史、模型重训在账上全是费用，结论永远是“租用更划算”。
破局的办法是用两把尺子分别评估：业务回报按季度评估，看创收与降本；智能回报按五个指标逐年跟踪，包括可识别用户关系占比（L5）、业务结果回流率（L6）、核心决策指标的优化斜率（L4）、预授权范围内机器自主决策占比（L3）、关键编排逻辑的可迁移率（L2）。
两家公司，两种投法
美国AI独角兽Jasper与瑞典支付公司Klarna的不同走向，正体现了自建L2到L4的分量。Jasper曾凭借基于GPT-3提供付费文案工具而风光一时，于2022年10月成为AIGC赛道的明星独角兽。但2022年底，ChatGPT免费上线抹平了Jasper的表层工具优势，客户大量流失，估值继而缩水。从IVC模型看，Jasper的产品只是给L1通用模型加装了L5的界面；L2、L3、L4都不具备。基础模型一普及，其护城河便消失了。
创立于2005年的Klarna是“先买后付”的赛道龙头，拥有自建金融风控数据体系。2023年AI浪潮降临后，Klarna启动向AI购物智能体方向的战略升级，在客服、风控、交易、营销各业务线落地AI，并搭建统一的客户数据底座支撑跨部门的AI能力建设。
2024年2月，Klarna上线了AI客服助手。截至2025年三季度末，该助手可解决约八成的客服对话，完成的工作量约等效于853名全职客服人员。虽然Klarna常被当作“AI客服”的典型，但客服助手只是L5的一个界面，只是冰山露出水面的一角，并非其真正的护城河。
水面之下是Klarna围绕AI重构的授权机制（L3）、多年沉淀的支付数据（L4）以及被重新编排的一整套智能体（L2）。Klarna从OpenAI租来通用智能，把投资压在了护城河最深的几层。
值得注意的是，2025年Klarna调整路线，重新增加了人工坐席。这反映了企业确立目标函数的重要性。若目标被设定为降本，系统会精确地、大规模地把业务决策带偏：客服成本下降的同时，顾客体验也下滑了。这再次提醒我们，模型可以租用，目标函数不能外包。
AI投资的分水岭：从省钱到赚钱
当前，不少品牌的交易主要在第三方平台完成。平台店铺是平台的L5，不是品牌的：品牌拿到了订单，却无法识别具体用户、取回用户行为数据；每一笔交易都在训练平台模型。品牌自己的L4没有数据流入、缺少记忆，L3也无从开展授权。此时，品牌手里只剩下生产、仓储、物流（L6），能做的只是排产更准、人手更少。AI的价值被局限于降本。
而品牌一旦掌握用户关系，哪怕仅自建一个触点（L5），再接入L6，让产品安装、使用、售后的真实结果回到同一个用户名下；将第一方数据回流至自有L4，打通学习决策闭环，企业的智能飞轮便可运转，对每位用户的判断也将一次比一次精准。
这时的AI不仅是降本工具，更是增长引擎：它能持续沉淀用户认知，不断优化广告、推荐、定价、促销、服务、补货等日常决策，实现用户的留存。
面对“AI让企业增长，还只是让企业更便宜”的路径分野，关键差别只在于：品牌自己有没有L5。握住用户关系的品牌，数年后AI会创造增长；反之，AI只能替企业省钱。
值得一提的是，在自有触点上学到的判断还可以迁移：L4中积累的判断不仅用于自有触点，也能借助平台的投放、推荐与定价工具，在借来的界面上复用。会学习的品牌，反而能找到与平台更好的合作方式，平台负责执行，智能归品牌。
品牌不必逐层自建六层IVC，只需遵守一条原则：通用能力（L1、L2）可以租，两只手（L5、L6）至少一只伸到消费者那里，学习（L3、L4）必须留在自己手里。AI的执行按钮部署在业务场景之上，智能沉淀于企业内部，这才是六层架构的正确分工。
如此分工也是在为代理式商业的到来做准备。消费者的智能助手正成为新的界面，评估权已逐步交由它承载，成交权也会从人手中慢慢转移到助手手中。
对应六层架构，品牌今天要做三件事：将L4中的产品事实与服务能力，整理为机器可读、可核验的结构化数据；在L2预留对外接口，供智能助手调用品牌决策；在L3划定智能助手可代品牌执行的权限范围，如预约、报价、议价、换货。
完成这三项，品牌才能在算法输出的候选清单中被发现、被信任、被选中，即被消费者侧的智能助手调用。打通六层链路的品牌，无需为代理式商业另起炉灶。助手所需调用的决策依据，早已沉淀在自身体系之中。
品牌智能始于一台小飞轮
品牌推进AI投资的第一步是盘点：按六层架构拆开当期AI预算，看钱是否过多流向易同质化的表层。
第二步是打分：追问每一层问同一个问题，如果明天换掉供应商，这层的数据、规则与模型还归不归品牌？
答案分为三档：一是掌握，供应商换了，数据、规则与模型仍在品牌手里；二是表面掌握，执行动作在品牌侧，学习系统却在供应商那里；三是未掌握，企业内部尚未建立这一层。多数企业的真实状态停在第二档，却最容易被误认为第一档。L3与L4若落在第二档，就是下一笔预算该去的地方。
第三步是先转起一台小飞轮：不必六层齐推，选择一个高频、数据驱动的场景，如会员复购或核心单品运营，打通一段“L5—L4—L3”的小闭环，验证增长后再复制到全业务。一台真正转起来的小飞轮，胜过六层浅尝辄止的投入。
不同品牌的起点各异，但要构建的能力却相同：L3与L4人人都要自建，差别只在从哪一只手起步。
开设平台旗舰店的品牌，多数中小企业也属于这一类，可从L5切入：建一个自有触点，把高频品类的复购与售后迁到自有App或小程序，并把记录接入L4。一个自营触点加一条回流链路，便是最小飞轮。
依托经销商出货的制造商，安装、使用、售后都发生在经销商处，真实结果无法回至自己的L4，则可从L6起步：建设的触点包括产品本身，保修注册、联网、耗材与服务，每一台机器就是一个触点。借此，品牌与用户建立起直接联系，看得见使用阶段的数据，续保、耗材与增值服务从这里长出来，L5也随之慢慢建起。
以直营渠道为主的品牌，L5、L6都在自己手里，记录早已沉淀到L4，拥有最好的起点：其应在L3和组织结构上集中精力，可审慎地把一类高频、可逆的决策交给系统。
依托海外零售商和平台的品牌，L5归第三方，可先从L6起步：把退换货、评价与使用反馈接回自有L4，再用独立站和产品注册收回部分L5。
四类品牌都需要确认：自己的决策作用于用户和实物之后，结果能否回到L4。
今天的生意积累成明天的能力
工业时代，企业通过积累产能降低单位成本，竞争靠规模效应。互联网时代，企业通过连接用户放大网络价值，竞争靠网络效应。AI时代，新的竞争优势正在形成，笔者称之为学习效应，即企业能否从每一次经营决策中学习，并把学到的东西用于下一次决策。
这种优势不会因为买了模型而自动产生。产能和用户数对手也看得见，但决策历史却沉淀在了企业内部，对手看不到结果形成的过程。AI时代的终极竞争，比得是谁在同样的消费者身上学得更快，以及学到的东西归谁所有。
学习能力的积累也改变了品牌与消费者的关系。过去，企业受制于人力和成本，只能对消费人群进行分类，以提供产品与服务。但AI压低了个性化决策的边际成本：这套判断建起来很贵，但建好之后，后面百万次的判断几乎不再花钱。由此，品牌也具备了新的能力：在比较、购买、使用与售后的全流程各环节，为每位消费者提供更优决策，而不是给出更低价格。原来难以顾及的小客户、算不过账的零散订单、难以提供的长期服务都将成为新的增长来源。
这些新业务又为企业学习提供了更多样本。消费者是否接受推荐、为何放弃购买、使用后是否满意，都是对品牌判断的检验。品牌用这些反馈改善产品和服务，才有机会赢得更长久的关系，获得更完整的认知。更优体验让消费者留得更久、说得更多，因此既是收入来源，也是智能来源。收入增长与能力积累由此相互促进，学习效应才能真正进入企业的经营账本。
模型可以租，学习必须留在企业自己手里；品牌AI投资的长期回报，就在于把今天的每一笔生意，变成明天更会做生意的能力。
（孙宝红系长江商学院市场营销学教授、杰出院长讲席教授，孟繁怡系长江商学院案例研究部高级研究员）
暂无评论