我们与 Adobe AI 的旅程，已经从预测性智能发展到生成式创作，如今又迈向了具有意图驱动能力的代理式系统。在此过程中，它改变了我们扩展个性化、释放生产力和推动创新的方式。以下是我们的经验总结、走到这一步所付出的努力，以及未来的发展方向。

简介

在数字体验领域，AI 不再是一个未来主义流行词，而是推动现代个性化、生产力与规模化的引擎。在精确度和规模化都至关重要的旅游、酒店和娱乐行业，许多组织都是从使用 Adobe Analytics 和 Adobe Target 中的预测性 AI 功能起步的。从那时起，采用范围已通过 Adobe Experience Platform AI 助手等工具扩展到生成式 AI，目前正朝着 Adobe Experience Platform 内外的代理式 AI 功能迈进。一路走来，在采用、治理和创新方面，也总结出了一些重要的经验教训。这些洞察对于任何正在制定其 AI 驱动型数字体验策略的组织来说，都越来越具有现实意义。

AI 基础

Adobe Analytics 和 Adobe Target 是我们迈向 AI 驱动型营销的起点。Analytics 通过异常检测、贡献度分析和预测功能提供了预测性洞察，而 Target 则借助自动化定位、个性化和推荐功能，将个性化体验变得切实可行。

这些功能为建立对 AI 的信任奠定了基础，并通过多种方式展示了 ROI：

• 效率提升：减少发现洞察或优化内容所需的人工工作。
• 收入提升：通过个性化体验推动转化率和平均订单价值的显著提升。
• 客户体验影响：实现更快、更相关的互动，从而提高参与度和满意度。

这些成果共同展示了预测性 AI 的切实业务价值，并帮助建立利益相关者的信心，从而将应用扩展到更高级的用例。

操作方法：在 Adobe Analytics 和 Adobe Target 中开始利用 AI 的 3 个步骤

1. 先在小规模范围内从 Adobe Analytics 的异常检测和贡献度分析入手，验证 AI 驱动的洞察。
2. 利用 Adobe Target 中的 Automated Personalization 为每位访客提供最佳内容变体，并通过预测性 AI 进行动态优化。
3. 跟踪自动定位和推荐功能所带来的效果提升和 ROI，以尽早展示切实的业务影响。

借助 Adobe Experience Platform AI 助手，实现向生成式 AI 的跨越式演进

真正的转折点出现在我们采用 Adobe Experience Platform (AEP) 并开始使用由生成式 AI 驱动的 Adobe AI 助手时。这款助手很快就证明了自己不仅仅是一个新奇事物，它成了各个团队日常使用的生产力工具。

我们为什么采用 AI 助手

之所以决定使用 AI 助手，是出于三个需求：

1. 洞察速度：分析师和业务用户需要从复杂的数据集中快速获得答案，而无需手动编写查询。
2. 易用性：Adobe Experience Platform 功能强大，但可能会让非技术用户觉得难以驾驭。借助对话式查询，以更自然的方式与数据和洞察进行交互，有助于降低这一门槛。
3. 入门培训：由于新员工入职和角色轮换，让团队在 Adobe Experience Platform 中进入高效工作状态非常耗时。AI 助手可以充当一个交互式“教练”来指导探索。

初始用例及其演变过程

• 入门培训与赋能：新用户将 AI 助手作为“指导教练”，通过实际操作来探索数据集、了解 XDM 架构并学习平台应用程序（Real-Time CDP、Customer Journey Analytics 和 Adobe Journey Optimizer）的功能。他们不再被动地阅读文档，而是可以提问，例如“有哪些可用于衡量营销活动绩效的指标？”或“如何分析受众参与度趋势？”这种交互式方法将入门培训时间从数月缩短到了数周。
• 故障排除和数据探索：早期，AI 助手帮助用户了解缺少字段或数据定义不一致的情况。如今，它还能验证查询、发现异常，并提供建议以帮助获得更准确的洞察。

通过自然语言查询使用 AI 助手的最佳实践技巧

• 鼓励新用户将 AI 助手视为一线的引导工具，通过互动方式帮助他们探索数据并学习平台功能。
• 准备一组入门提示以演示典型查询和最佳实践。
• 将 AI 助手的使用与结构化的赋能培训相结合，这种搭配可最快地推动采用并建立起信心。

关键结果

• 分析师和业务用户更快地获得切实可行的洞察，将查询和报告时间从数天缩短为几分钟。
• 非技术用户获得了直接在 Adobe Experience Platform 中工作的信心，不再严重依赖分析师。
• 新员工入门培训速度提高了 2 到 3 倍，减轻了资深团队成员在人员培养方面的负担。

好处显而易见：团队效率显著提升，Adobe Experience Platform 变得更为易用，自然语言查询让各种职能的用户都能近乎无障碍地探索数据并获得洞察。

但是，在采用过程中，也并非毫无挑战：

• 恐惧和误解：法务和合规团队最初担心，如果将访客数据用于 AI 模型，这些数据可能会被泄露给外部或被其他公司重复使用。解决这些顾虑需要清晰的数据使用文档、透明的架构和持续的教育培训。
• 信任和采用障碍：在组织内，许多人担心 AI 可能会取代人类判断或削弱他们的控制力。我们必须强调，AI 是一种赋能工具，而非替代者 – 我们一开始就把 AI 当作助手，而不是用来取代人类的。
• 数据就绪方面的难题：我们的技术团队面临这样一个现实，即生成式 AI 的表现取决于它所处理的数据的质量。清晰且精心编排的 360° 全景数据是获得准确输出和可信洞察的关键。AEP 的统一档案层和集中式数据平台帮助克服了此挑战。

一旦这些障碍得到正视并加以解决，其优势就变得无可置疑。

代理式 AI 的新时代

尽管生成式 AI 非常强大，但代理式 AI 代表着下一个前沿。代理式 AI 不再只是响应提示，还可实现多步骤工作流的自主执行与编排 – 从策略制定到区段创建、个性化执行和数据质量检查。这是一种从“辅助性”向“协作式自动化”的转变：生成式 AI 响应问题并生成内容，而代理式 AI 则根据既定的目标协调多个任务、管理依赖项并执行复杂的工作流。

我们正在使用以下工具进行探索：

1. Adobe Experience Platform Agent Orchestrator – 使代理能够在多步骤营销工作流中协同工作。
2. 专门构建的 Adobe Experience Platform 代理 – 用于分段、激活和洞察的专业代理。
3. Adobe GenStudio 和 Firefly – 大规模生成个性化、符合品牌安全规范的内容。

在 Adobe 平台之外，我们也在评估代理式 AI 的数据质量、身份解析和个性化策略，确保 AI 能够在完整的客户历程中运行。

如今，策划一个营销活动通常涉及多次移交：数据工程团队准备受众，营销团队设计内容，而运营团队则负责管理激活。在不久的将来，一套协同工作的代理式 AI 流程可以无缝执行这些步骤，减少人工往返沟通。这种转变使团队能够更加专注于战略和创造性决策，并将上市时间从几个月大幅缩短到仅仅几天。

操作说明：为代理式 AI 做好准备的 3 个步骤

1. 尽早让法务和安全团队介入：记录架构、工作流和数据使用情况，并展示已落实的合规、隐私和安全防护措施。
2. 定义代理角色和职责：明确每个代理管理的流程或工作流（例如，分段、内容生成、优化和验证），以确保与业务目标保持一致。
3. 首先对有限的工作流进行原型验证：在扩展到企业级编排之前，先从小型、可控的实验入手，并分享早期结果以建立信心和理解。

生成式 AI 与代理式 AI：有何区别？

关键要点： GenAI 帮助您更快地完成工作；代理式 AI 帮助您完成以前无法完成的任务。

经验教训与下一步规划

我们的历程凸显出几个关键经验教训：

• 从小规模、低风险的试点开始：将 AI 定位为助手而非替代者，保持人类的参与和掌控。
• 从 AI 基础入手建立信任，展示企业级 AI 如何确保数据安全并保持隐私保护机制的完整性；然后扩展到生成式 AI 和代理式 AI。在扩展之前，先通过可衡量的成果建立信心。
• Adobe Target 中的 Automated Personalization 是我们最强劲的 ROI 驱动力之一，既能持续带来可量化的提升，又能减少手动操作的工作量。它还有助于通过迅速展示实际成果，与业务利益相关者建立信任。
• 清楚地记录架构、数据使用和共享做法，并获得法务和安全团队的批准。在扩展到敏感用例之前，建立合规性保障，包括隐私、IP 和数据治理。
• 广泛衡量 ROI：不仅要看金钱收益，还要看 AI 工具带来的生产力提升、上市速度的加快以及创意产出能力。

了解 AI 功能的演变

• GenAI 可加速内容创建、分段和分析等任务。
• 代理式 AI 不再只是加速任务执行，更进一步实现了自主化的编排，能够处理多步骤工作流、协调各个代理以及持续优化营销活动。这种转变使团队能够专注于战略、创意和创新，并将上市时间从几个月缩短到几天。

展望未来，我们认为代理式 AI 不仅会改变生产力，还会改变体验的设计、编排和交付方式。协调运作的代理可无缝地管理受众、内容和激活，使营销团队能够将更多时间用于战略规划和创意创新。

对于同行和从业者，我的建议很简单：将 AI 视为合作伙伴，而不仅仅是一个工具。从小处着手，分享成功，为代理驱动的未来做好准备。