潘飞：迈向AI智能之路

10月16日，蓝色光标亮相2025第十八届金投赏国际创意节，带来“迈向 AI 智能之路”主题分享。基于自身在AI实践、应用和迭代方面的经验，蓝色光标将目光聚焦于AI与营销深度结合的演进方向，与品牌、平台、创意等多方共同探寻 “迈向AI智能之路”，也为行业进入智能驾驶时代提供新启发。

以下为现场演讲实录：

有生之年，我从没见到一项技术像AI一样，每周每月的迭代速度都如此之快、并且对营销行业的反馈也如此之敏感。这本身就是一个非常享受的过程。站在行业的角度，先来看看营销行业和AI结合之后，未来3年可能会发生什么。

• AI技术迭代之快，未来三年营销行业都是受益者

人工智能将能够完成几乎所有的智力工作，营销就是最典型的场景之一。在AI快速迭代的过程中，营销在全球范围内都是一个重要的“玩家”，重要的商业化场景。但是，即便营销在每一次迭代中都是受益者，窗口期大概也仅有三年左右。三年之后，高科技公司会把他们的重心聚焦在AI的原生商业化上，而一些商业化的创业公司也会登堂入室、正式崛起；对“传统”的营销公司而言，如果三年时间都还没能在AI世界构建自己的AI护城河、构建自己的智能，或许将面临断崖式的下降，整个行业也将迎来更激烈的洗牌。未来三年，我们唯一要做的事情，就是用最快的速度奔跑、去拥抱AI和试错。即使现在做的很多投入都是错的，我们也要对试错极其地容忍、极其地包容。在这个包容的过程当中，新的创业方式才会真正诞生。

• 未来对营销人的要求、对人才密度的要求，都会提到全新高度

在AI时代，“人”依然是最重要的，尤其是在AI没有进入到线性加速之前。分层来理解“人”，我认为第一，对管理者来讲，「创业者心态」提到了一个前所未有的高度——如果不以创业的思维来面对AI时代就很难赢得未来。第二，对员工来讲，过去更多面临的是和数据打交道、和人打交道，未来则需要能很好地领导AI数字员工、实现人机共生，同时也要很好地领导团队、保持很好的创造力和审美。不论是AI Builder、AI工程师还是AI Master，未来对营销人员的要求、对于营销人才密度的要求，会提到一个新的高度。

• 以5-10人的团队，去创造或服务1亿-10亿左右的复杂项目，或很快实现

AI带给我们的一个极大可能性，以5-10人的团队去服务1亿-10亿的复杂项目，以10人左右的广告团队创造超百亿的营收，100个人左右的团队可能创造千亿规模的营收，这些都可能很快成真。而同时，大型组织的衰落速度，或者小公司崛起速度，将会超过以往历史上任何一个时代周期。我们内部也在做很多ABTest、分了很多个10人左右的AI超级团队，有些人聚焦在复杂的整合营销方面，有些人聚焦在广告投放等方面。希望在未来的一两年里面，我们能够实现这些目标，并且可以很自豪地分享这10个人左右的团队是如何创造百亿左右的营收、如何服务复杂且过亿级别的大项目。

• 随着多模态大模型日新月异地迭代，真正的“iPhone Moment”即将到来

如今已经进入到视频多模态的时代，我们可以预见未来传统的创意模式将会彻底地终结，传统的分工模式、创意模式、制作模式都将由AI来改变。在AI生成方面，或许会出现两个巨大的分野：一类是100%浓度的AI原生创意；另一类是代表着“极致AI生成能力”+人类像素级的编辑能力”的深度结合，这更符合未来营销世界的“第一性原理”。

• AI将预测、主导、决定项目的质量

事实上，现在全球很多超级科技公司已经走到了这一步。他们先用AI预测“未来将发生什么”。经过大量的AB Test验证后，人类员工按照它的演进路径层层递进，中间只做非常小的干预和修正。

• 未来一定会走向“端到端”的“全自动化”新世界

“全自动化”不是指100%的场景自动化，可能有5%-10%的复杂场景是没有办法进入到“端到端”自动化的世界。这里的“端到端”是指从数据洞察，到内容生成，再到广告投放以及投放之后的数据回收，形成完整的闭环。闭环不是最重要的，最重要的是形成一个全新的数据飞轮、让AI可以进行二次学习，让AI变得越来越聪明。在今天谈及的“端到端”能力上，很多公司还停留在单点碎片式的智能爆发，但 “全链路”一定是蓝色光标未来追求的核心方向之一。

再简要分享一下蓝色光标在AI演进方面的一些成果：过去三个季度，蓝色光标AI驱动和赋能带来的收入在24.7亿左右；以API的方式接入大模型的Token调用量超6000亿，预计在今年年底、蓝色光标的Token消耗数或将超过万亿；AI人才500多名，包括产研科技类人才和AI Native种子人才；组织迭代和创新方面也有新的成效。未来随着多模态和视频模型的爆发，这些数据可能每年会有翻倍式的增长，蓝色光标也有更明确深入的衡量标准和发展方向。

第一、是“三个小目标”

• 实现真正意义上AI驱动的百亿收入

什么是“AI驱动的收入”，这表示数据要可沉淀、整个自动化比例要比较高。更少的人、更高的AI浓度，更重要是可以将数据回收后让AI进行二次学习。我们希望在2026年-2027年，整个蓝色光标有百亿左右的、真正意义上AI驱动的收入。

• 希望蓝标内部的AI客户渗透度能够达到70%以上

• 用AI重构“脏活累活”，重视“降本增效”战略价值

过去，我一度觉得任何AI组织不应该把降本增效作为很核心的目标。但在实践的过程中发现，我们的思考逻辑需要转变。蓝色光标是一家营收600亿规模的公司，未来可能会做到1000亿甚至1500亿规模。面对如此庞大的规模，或许“降本增效”带来的价值、积累的数据，也是巨大的。在未来的发展重点里面，我们会把降本增效，包括用AI数字员工、用Agent模式重构过去所谓的“脏活、累活”的模式，提升到战略级别高度。

第二、在AI Native的基建方面，做更多投入

Token调用量只是我们内部的一个衡量标准。更多是在数据标注到整个数据训练的过程中，实现能力的沉淀与数据回收，尤其是投放完内容之后的数据，能够有全新的突破。

第三、构建全自动化、端到端的全链路

预计在今年年底，蓝色光标有两个场景会率先跑通“端到端”的“全自动化”。

第一个场景是达人营销。从数据洞察、预测、选号、内容生成、投放，到最后的数据回收，全部由AI来完成。我们在内部也在做相关链路的ABTest，一路是由高级别的人类员工“做投放环节的流程所需时长”；另一路是全部通过AI驱动完成效率如何。“在尝试的过程中一定会犯错误，一定会花冤枉钱，但是我们要让AI大胆的自主决策、走向全自动”，这是我在公司内部一直强调的。第二个场景是AI全球化广告投放部分。从预测，到投放，到优化，到智能启停，由AI来决定到底是增量还是缩量、包括最后的数据回收。未来蓝色光标可能有90%左右的业务场景都能够走向高度的自动化、智能化或者半自动化的一种状态。

第四、发力多模态，AI视频生成能力是突破重点

在多模态、视频创意、精品内容、批量内容上，我们会保持“激进”。无论是视频大模型公司，还是垂类视频模型公司，我们会继续与全球最好的视频模型公司深度合作。同时，BlueAI一定是未来蓝色光标最核心的AI驱动引擎，也是最重要的基础设施。

第五、在内部原生组织创新上，迈向更高阶段

希望在蓝色光标内部有更多的10人左右的团队，能够创造过去50人、甚至100人左右才能创造的价值。如果要成就这样的组织创新和跃进，一个重要前提就是，有很好的数据积累、模型沉淀、垂类数据场景的把握，以及AI数字员工和人类员工共融共生的新工作范式。

未来我们这个行业90%的工作，AI一定很快就可以完成。再过几年，它完成的一定比绝大多数人类员工更好。那么，我们有什么是人类的第一性原理不可以被替代的呢？第一是创业者心态和创业者精神，第二是个人的审美能力和创造能力，第三是人与人之间构建信任的能力、以及个人创造未来的能力。也许可能在不远的某一天，AI的创造力会超过人类。在到达那个状态之前，人类的创造力和领导力仍然是“人+AI”可以创造生产效率的主流模式。我知道很多人对AI的世界感到非常焦虑，但其实真正的AI原生商业模式、原生商业广告，还没有出现。只要以非常开放的心态去迭代，就有可能在AI时代赢得全新的未来。

在分享完毕的现场活动环节，潘飞还与现场嘉宾席进行了精彩互动：

森美SEIMEI创始人暨首席执行官 闫曌：蓝色光标如何看待AI决策过程中的风险？以及未来五年内，蓝色光标选拔人才和培养人才时，会更看重他们的什么？

潘飞：代际变革来临的时候，我们要对“犯错”和“浪费”极其地容忍。如果不容忍和不大胆试错，就无法产生真正AI原生的商业模式创新，可能就还是只停留在降本增效和使用工具的阶段。关于人才，我自己有几个标准：第一，你的迭代速度要非常的快、要敢于摆脱路径依赖，这是一个最最重要的标准。第二，你必须要有大量的时间做人机交互和人机共生，如果自己都不懂AI，那是非常危险的，也很难产生审美能力。第三，我们内部正在培养的就是打破边界感的人才组织。自从移动互联网发展以来，我们的岗位被碎片化地、僵化地划分了太多的工种。我觉得AI重构将会击碎这些精细化的AI工种，必须要懂数据思维、有AI创造力，同时知道数据如何形成飞轮、知道怎么样领导团队，这些都比较重要。如果你没有办法在这些方法取得突破，那你的努力在AI迭代面前会显得非常的脆弱。

IAB香港荣誉会员 郑军雄：很多公司都说要“All in AI”，那会不会大家最后招聘进来的人才都是同一个体系、都是做同样的工作？你如何看待这个问题。

潘飞：很多人确实在喊出“All in AI”，但只是停留在喊。今天我所看到的公司里，有九成左右都在喊口号上非常激进，在尝试上非常小心和谨慎。我觉得这不叫“All in AI”。“All in”就意味着犯错，就意味着对错误的容忍，就意味着创新和可能性，就意味着要投入、要做一些可能过去你不做的事情。我刚刚讲的很多例子就是这样。

我去年分享的主题是“什么叫真正的All in AI”。从数据的角度、商业的角度来看，真正的All in AI是内部要有基建、数据沉淀、数据回收等。真正这样做并不能让你赚到钱，不能让你的组织更高效，反而可能让你组织的效率受到很大影响。如果你是想更高效、想摘到低垂的果实，很简单，放弃这些基建，在大模型迭代的过程当中找AI创作者和AI使用的大师，让他们去给客户服务就可以了，这是AI实践短期红利效果最明显的方式。但只有走到组织层面、数据层面、以及你自己内部的AI模型和基建层面，才是真正的“All in”。