2026 年 10 月 21 日，「意图营销·探寻新增长」系列直播第二期开播。本系列直播由中国商务广告协会数字营销专业委员会、CAAC 汽车营销研究工作委员会、新意互动联合主办，第二期聚焦“AI 如何重塑汽车用户洞察力”。
数字100 体验咨询事业部总经理卜祥慎、知乎营销研究院负责人桑田担任分享嘉宾，CAAC 汽车营销研究工作委员会副主任委员兼办公室主任汤红主持。
01
用户的声音，正在漫过所有问卷
过去，汽车用研靠“问”——发问卷、约座谈、做样本；今天，用户每天都在社媒、电商、客诉工单、私域对话里主动表达真实意图。当 AI 开始全域“听”、实时“读”，“用研还要不要问”成了问题。
汤红在开场给出两个判断。
其一，用户研究正从“奢侈品”变成“水电煤”——过去请咨询做焦点小组、定量问卷，动辄数周数月、花费不菲；今天，AI 让持续洞察成为基础能力。
其二，当 AI 成为新的信息入口，谁能“听懂”用户，谁就握住了营销的开关。
02
当“问”开始失灵，我们决定先学会“听”
01｜“听不见”的代价：洞察体系的四个断点
卜祥慎把传统洞察体系的问题总结为“四个断点”。它们看似分属趋势、产品、品牌、体验四个部门，根子上却是同一件事：市场变化的速度，已经快过企业感知的速度。
▲ 汽车企业的四大洞察挑战
断点说的是“我们看不见”。更难的是，用户那边的表达方式本身也在改写——决策从“搜索—比较”变成“对话—委托”，把选车砍价交给 AI Agent；真实声音涌向社媒与私域；决策因素随降价、OTA、竞品发布快速漂移，静态问卷追不上动态意图。
▲ AI Agent 时代的三场行为革命，以及被重写的购买旅程
三场革命叠加，传统方法的四重限制就暴露得更彻底：样本通常不足 3,000，且存在幸存者偏差；从设计到分析动辄数周；洞察出炉时，决策早已发生；结论难以回溯到具体的某个人。
卜祥慎说：“不是传统用研做错了，而是用户的复杂度已经超过了传统用研方法论的边界。”
02｜AI 重写的不是工具，是“洞察”的定义
断点摆在这里，解法是什么？卜祥慎没有把答案停在“换一套更好的工具”上——他认为 AI 改的不是效率，而是“洞察”这个词本身的定义。
▲ 数据源、分析维度、输出形态、决策闭环，四项同时被改写
四个维度看下来，指向的是同一件事：洞察从“一次研究活动”，变成“一套持续运转的决策能力”。这也意味着产品组织与预算逻辑都要跟着重排——研究不再是某个部门的一次性采购，而是长在业务里的基础设施。
定义变了，那这件事今天到底走到哪一步？卜祥慎给出一张三层地图。
▲ 三层成熟度：已跑通、验证中、提前关注
他现场演示了一次“AI 体检”：一句话立项，四步出报告。以“某新能源细分市场决策因素一年之变”为例，传统方式光立项、验证假设就可能耗掉数周；AI 把周期压到以天计。
现场的三份体检报告，给出三个发现。
第一，决策的推力几乎全部来自产品本身，阻力却几乎全部在产品之外的生态——补能、金融、售后、保险，这不是产品企划一个部门能解的题。
第二，品类心智格局正在重塑，竞品降价、OTA、舆情事件都会让阻力权重快速变化，静态调研抓不住漂移，VOC 却可以按月、按周重算。
第三，用户自然分化为高势能引领者、理性中坚、被动跟随三类，对应完全不同的沟通策略。
但卜祥慎紧接着泼了一盆冷水：通用大模型让“报告”越来越易得，几秒钟就能生成一份；可报告不等于洞察。针对你的用户、市场、业务语境的判断，通用模型给不了——那是企业自己的资产。
03｜落地：在云端“听”见的产品矩阵 × 汽车全链路
落地到产品，卜祥慎给的是一套“各管一段”的组合：
心声 AI VOC 把散在社媒、电商、客诉、私域里的原声全量读懂，每条结论都能点回原话；
镜像 Persona 把访谈过的人还原成可反复对话的数字孪生——带真实属性时与真人的相关性达 92%，去掉属性只剩 50%，因此只用于铺候选和初筛；
罗盘 GGC 把竞争、趋势、合规、渠道整合到一屏，让出海的国家排序有据可依；
明辨 Insight Agent 与体验宝 CEMPro 把调研和 NPS 闭环压到业务方自己能跑。
这套组合已有落地样本：某新势力用它支撑澳、马、泰三国扩张，某车企 3 天锁定发布会后的配置争议，某物流品牌一年把投诉率降了 8%。
▲ AI 洞察产品矩阵 × 汽车营销全链路
04｜赢的到底是什么：四根支柱，三样买不到
当通用大模型人人可得，如何在AI洞察的竞争中获得胜利？卜祥慎的答案是四根支柱：数据、技术、行业 Know-how、人机协同。
▲ 四大支柱，以及其中三样“AI 买不到”的资产
四根支柱里，真正买不到的是三样资产：
二十年项目沉淀、有业务语境的一手研究积累；被编码成规则、框架、评分模型的研究方法；以及在平台上持续沉淀的看板、人设与决策链路。
前两样 AI 买不到，第三样只属于你。
数据这一层，还有三重门要过。
真实性工程——AI 去水、Bot 识别、跨平台去重，“你以为读到用户，其实读到的是分类器结论”，这是最大的隐性风险；
合规与授权——数据来源与使用必须站得住；
业务语境——脱离业务的研究，再漂亮也无用。
再往下，是人的分工被重写。
▲ 技术护城河、行业 Know-how 与人机协同的六个角色动作
六个角色里，AI 只占一个。研究者不再写报告，而是冻结标准、修规则；业务方不再等报告，而是定义问题、最后放行。
这套分工的落点是一句话：AI 做全量和速度，人做判断和复核。人不是被替代，而是从“产报告的人”，变成“定标准、当裁判、握放行权的人”。
这也回答了标题里的那三个字——所有权。
洞察不再是外部交付的一份报告，而是沉淀在企业自己平台上、不会过期的决策能力。
03
8个问题：从数据源问到组织卡点
主旨分享结束，知乎营销研究院负责人桑田把问题拉回到车企的真实处境。桑田及汤红的8个问题，从数据源一路问到组织卡点，从上市前的配置价格表问到 90 天的启动顺序。
桑田：
用户在社媒上的表达，和他在 AI 里问的问题，是相通的意图吗？
卜祥慎：
有关联，但不是一回事——而差异恰恰是 AI 时代最值钱的增量。
社媒上的表达带情绪、带观点，很多是“希望被看见”：不满要宣泄，好的体验要分享。这类内容适合看品牌心智和趋势，看大面上的结果。
AI 里的提问不一样，它更私密——预算多少、家里几口人、有没有老人小孩要一起出行、对某个品牌真实存在的顾虑（不喜欢这个品牌，一上来却推了一堆），这些只会在决策性的对话里出现。
所以两者不能互相替代：一个看“大家怎么说”，一个看“他自己怎么想”。
桑田：
100 万条评论和 1,000 份问卷，哪个更接近真实？
卜祥慎：
两者是互补的，但短板不一定非得靠问卷来补。
公域能拿到的是情绪化的观点和趋势，适合看大面。
真正“临门一脚”的线索往往不在公域——很多车企已经建了私域和客户体验管理平台、线索管理平台：客户自己填的决策日志、门店销售与消费者的沟通录音、试乘试驾的咨询记录。这些数据过去到不了洞察端，现在可以做 AI 分析。
它们更能推断真实意图和决策障碍。所以问题不是“公域还是调研”，而是“能不能把私域这一段接进来”。
桑田：
哪些问题可以交给数字孪生，哪些必须找真人？
卜祥慎：
数字孪生目前主要用于候选的铺开、初选和初筛。
这里举一个非汽车行业的例子。某金融客户要做高净值客群访谈，而客户时间有限，一次访谈问不了太多问题，有些问题问到什么程度也不确定。于是先用同标签的高净值数字孪生做“试访”，完成候选和初筛，也完成一部分关键判断。
但再往下——车型是否上市、关键营销动作怎么铺开、怎么落地——他的建议是回到真人验证。数字孪生承担的是初步访谈，不是最终判断。
桑田：
配置价格表决定一款车的生死，过去靠产品、研发、营销多方打磨，现在打磨不起——怎么才能更快定下来？
卜祥慎：
五个维度：任务（他买这台车要解决什么）、场景（通勤、家庭、商务各占多少）、约束（预算、牌照、充电条件）、顾虑，以及决策阶段。用这五个维度，把企业内部的访谈记录和量化验证结果重新打标，生成带标签的数字孪生。
关键在于这批样本天然可信：他们本来就买过 30 万级的车，价位段标签是行为给的，不是模型猜的。用他们做排序和筛选，输出的是配置与价格的建议区块。
但这一步只是初筛。初筛结果仍要回到真实用户调研去验证。差别在成本结构：传统定性加定量，一个项目 20 万到 30 万；加上 AI 这一步之后，整体周期可以压到一个月以内、甚至两周，费用控制在 10 万以内。
桑田：
工具不缺，为什么有些问题被看见了却解决不了？卡在哪？
卜祥慎：
最令人困扰的，是发起部门和最终决策的部门往往不是同一个。
发布会调价这类事容易闭环，因为目标单一、周期短。但即便如此，最终价格方向仍会受决策层压力和成本压力影响，不一定与建议完全一致——多数时候会比原来好一些。更常见的是项目牵涉的决策链长、关联部门多，建议根本落不下去。
所以选哪个部门发起，本身就是成败变量。
心声 AI VOC 这类工具，产品研发、用户体验、品牌都能用，但每个部门采购它，只能解决自己那部分问题，跨部门打不通。CEMPro 这类客户体验平台，涉及各业务端数据打通，通常要 IT、科技部门牵头，业务部门发起，决策层支持——而且不是一般的支持，至少要有一位副总裁级的人做总负责人，各业务部门才动得起来。
这也解释了市场上一个现象：同样开两次发布会，有的品牌价格改得过来，有的改不过来。差别不在工具，在于使用这套洞察的部门，它的管理半径、职能范围、话语权有多大。
桑田：
以 90 天为限，车企最先应该做什么？
卜祥慎：
先定课题，再排时间。
定课题，是选择“在哪儿卷”。要增量，优先看战败原因；如果过往口碑好、主要靠老客推荐，重点看售后体验。还有一件事要先判断：继续在国内卷，还是做出海。
这里补充一个行业判断：燃油换新能源的第一批车主已经换完，第二批增量的基数不够，这时候一味找内因，增长空间有限。而越南、新加坡这类市场近两年经济增长较快，中东也是不少车企的方向——机会在哪儿，课题就该在哪儿。
90 天的时间表可以这样排。
第一个月搭数据底座：客服工单、销售门店、电商评论、私域数据，先打通，再打标、去水、统一口径。这一步没做完，后面的分析都是沙上建塔。
第二个月选一个车型，跑通一个真实案例——战败原因也好，售后体验也好——并给出可执行的改进方案。
第三个月做闭环，看改进结果。
配套要有一张行动任务单：解决哪个业务问题、对应哪些数据源、谁来牵头、第二个月验证哪一两个环节、第三个月按什么标准验收。单子定下来，90 天才有得考核。
汤红：
AI 之后，用户洞察这个行业最大的变化是什么？
卜祥慎：
是思路，以及执行项目的流程——而且变化从 brief 就开始了。
现在接到的 brief，很多是甲方用 AI 写的。看上去方法论完善、样本设计讲究，但细究会发现经不起推敲，前后还有逻辑矛盾。这时候反而更考验营销人和洞察人的专业性。
AI 把海量数据处理从咨询人员身上剥离了。省下来的时间，不是让人更轻松，而是要用在行业趋势、客户痛点、brief 背后真正要解决的问题，以及落地建议上。规划的部分，比过去更重要。
AI 之后，洞察从业者没有更轻松，反而更累——因为工作的重要性更高了。
人员结构也在变。总人数没有明显精简，但要求变了：过去偏重量化分析、统计分析，深访岗偏心理学背景；现在统计的活交给 AI，统计人员不需要那么多，需要的是能走出办公室、做综合判断的人。企业内部各团队开始自建 AI 工具，也带来了技术人员的引入需求。
汤红：
在这个市场里，最让您兴奋的是什么？
卜祥慎：
是数据源打开之后，能看到决策链条上更多的环节。
过去做洞察，公域数据虽多，但每个数据源是割裂的，没法统一打标分析。现在可以把企业内部客诉数据接进来，看到“用脚投票”的最后一步行为——比如用户试乘试驾之后没有成交。这部分数据过去第三方拿不到，企业内部也不会共享；现在脱敏之后，企业愿意让外部一起分析。
把这一段和公域数据、垂直平台数据比对，就能定位决策链路卡在哪一环。
但坑也在这里：不同来源的数据结论可能不一样，到底听谁的、权重怎么分，需要大量尝试。
兴奋之外还有一层现实：发现问题不等于能提销量。落地需要角色和周期——有的区域用户对品牌认知度很高，唯一的问题是当地没有 4S 店，要跨城才能买；有的地方新能源车卖到一定量之后，补能设施跟不上，投诉起来，用户就不愿意再买、也不愿意推荐。这些都不是洞察能单独解决的。
观众提问 · 彩蛋
公域和私域的数据在做AI打标的时候，标签体系的维度和颗粒度应该是保持一致的还是需要做差异化？标签数量一般在多少？
-维度框架保持一致，颗粒度做差异化——"同构骨架、分层颗粒”。防止标签过度差异无法进行横向对比。
-最小颗粒度标签总量控制在500 个以内，标签过多会影响最终呈现效果。标签的定义边界是否清晰、是否带证据锚点才是决定最终质量的决定因素。
行业打标模型的准确率或者F1标准能达到多少？
-通用大模型 80% 左右，行业模型 90% 左右
