拙见AI —— 为什么AI时代的企业增长,最终会走向“本体论”?
过去一年,我们一直在思考一个问题:
AI到底会把企业营销变成什么?
最早,我们从GEO切入。
当时企业最关心的是:
怎么让DeepSeek推荐我?
怎么让ChatGPT理解我?
为什么AI回答行业问题时,总提到竞争对手,却没有提到我?
后来,我们逐渐发现,GEO只是表面现象。
一家企业能不能被AI理解、引用、比较和推荐,背后并不是几篇文章、几个关键词的问题。
真正决定结果的,是AI能不能回答下面这些问题:
这家公司到底是谁?
它有哪些产品?
它真正具备哪些能力?
哪些能力有证据?
它适合什么客户?
它解决什么场景下的问题?
为什么应该选择它,而不是另外一家企业?
市场最近发生了什么变化?
哪些变化对这家公司构成了机会?
哪些内容值得生产?
哪些认知已经被市场验证?
当这些问题不断往下追,我们发现:
这已经不是一个“营销内容生产”的问题。
甚至也不只是一个“知识库”的问题。
它开始逼近一个更底层的问题:
机器究竟应该如何理解一家企业,以及企业所在的商业世界?
而这个问题,最终会走向一个很多营销人并不熟悉的概念:
Ontology
本体论
一、本体论不是哲学概念,而是在回答“这个世界由什么组成”
很多人第一次看到“本体论”,会觉得这是一个非常学术、非常抽象的词。
实际上,把它放进AI系统里以后,它解决的是一个非常现实的问题:
我们到底如何定义这个世界?
比如对于一家企业来说:
什么叫“产品”?
什么叫“技术能力”?
什么叫“客户案例”?
什么叫“市场机会”?
什么叫“品牌定位”?
什么叫“权威证据”?
什么叫“有效商机”?
什么又叫“行业领先”?
这些词,人类看起来都懂。
但机器并不天然懂。
更麻烦的是,不同的人对这些词理解也不一样。
销售眼里的“客户”,可能是通讯录里有联系方式的人。
市场部眼里的“客户”,可能是目标人群。
CRM里的“客户”,可能必须已经建立企业档案。
财务眼里的“客户”,可能必须已经产生收入。
如果这些概念没有统一,AI就会不断遇到语义冲突。
再比如:
一家企业拥有10项专利。
能不能推出:
“这家公司技术领先”?
当然不能。
一家企业发过100篇媒体稿。
能不能推出:
“这家公司行业影响力很强”?
也未必。
某个客户在公众号里说:
“我们和某企业进行了合作交流。”
能不能推出:
“这是该企业的正式客户案例”?
仍然不能。
所以AI真正需要的不只是数据。
它需要一套:
概念边界、关系定义、证据规则和推理规则。
这就是本体。
二、我们后来意识到:企业真正缺的不是知识库,而是“企业世界模型”
过去几年,很多企业开始建设知识库。
把产品手册放进去。
把PDF放进去。
把案例放进去。
把FAQ放进去。
然后接一个RAG。
用户问问题,系统检索文档,再让大模型回答。
这当然有价值。
但它解决的主要还是:
“企业有哪些资料?”
而不是:
“企业究竟是什么?”
这是两件完全不同的事情。
举个例子。
企业资料库里可能有这么一句:
“我们的设备已经应用于多个大型能源项目。”
这句话存在知识库里没有问题。
但如果机器要真正理解它,还要继续追问:
什么叫“大型能源项目”?
哪些项目?
项目发生在什么时候?
企业在项目里承担什么角色?
是设备供应商?
系统集成商?
施工单位?
技术服务商?
这项能力可以被什么证据支持?
是否存在第三方来源?
证据是否仍然有效?
它能否进一步支持:
“企业适合某类项目”?
如果可以,推理条件是什么?
这已经超出了文档检索。
所以我们越来越倾向于把企业AI系统理解成:
Enterprise Cognitive Twin
企业认知数字孪生
它不是简单复制企业的资产。
而是在机器世界里,建立一家企业可以被持续理解、计算和推理的“认知副本”。
现实世界里,公司在不断变化。
增加新产品。
进入新市场。
拿到新认证。
出现新客户。
竞争对手推出新方案。
政策发生变化。
客户需求发生变化。
AI世界里的企业认知,也必须随之变化。
这才是“数字孪生”真正有意思的地方。
三、企业增长本体,本质上是在定义一个“商业世界”
我们最近把这套体系进一步抽象成:
Enterprise Growth Ontology
企业增长本体
为什么叫“增长本体”?
因为我们并不只是想定义企业资料。
我们希望机器理解的是:
企业如何从自身能力出发,通过市场、品牌、知识、内容、渠道和证据,最终形成客户和收入。
所以它不是一个孤立的产品本体。
也不是简单的客户本体。
它要描述一整套商业对象。
例如:
Enterprise
企业。
Brand
品牌。
Product
产品。
Capability
能力。
Technology
技术。
Case
案例。
Customer
客户。
Market
市场。
Competitor
竞争对手。
Scenario
场景。
PainPoint
痛点。
Opportunity
机会。
Evidence
证据。
Claim
主张。
Content Asset
内容资产。
Channel
渠道。
Lead
线索。
Deal
成交。
Revenue
收入。
这些对象之间还存在大量关系。
例如:
企业 owns 产品。
产品 solves 某种问题。
技术 supports 某项能力。
案例 proves 某项能力。
企业 serves 某类客户。
产品 fits 某个应用场景。
事件 triggers 市场信号。
信号 upgrades_to 商业机会。
知识 publishes_to 内容。
内容 appears_on 某个渠道。
内容 generates 访问。
访问 converts_to 线索。
线索 becomes 商机。
商机 converts_to 成交。
成交又反过来产生新的案例和证据。
这时你会发现:
所谓“营销”,实际上是一张非常复杂的关系网络。
过去,这张网络主要存在于高级营销顾问、老板、销售总监的脑子里。
未来,AI必须把这张网络显性化。
四、“一诊七增”,其实就是企业增长本体的八个业务视角
我们之前提出过一套方法论:
一诊七增
即:
- 企业深度诊断
- 市场雷达
- 品牌定位
- 知识筑基
- 全域阵地
- 权威背书
- 内容增长
- 增长度量
过去看,它更像是一套咨询方法论。
但当我们引入Ontology以后,我们突然意识到:
一诊七增其实可以成为同一个企业增长本体的八个业务Domain。
0 企业深度诊断:回答“我是谁”
这一层定义:
企业。
品牌。
产品。
技术。
能力。
案例。
客户。
专利。
认证。
专家。
项目。
Claim。
Evidence。
最终形成:
Company Truth Base
企业事实底座
它解决的是:
这家公司到底真实拥有些什么?
这一步非常重要。
因为AI时代最大的风险之一,不是信息不够。
而是:
错误地理解一家企业。
企业同名。
主体混淆。
项目张冠李戴。
专利属于关联公司。
新闻已经过期。
宣传语没有证据。
所以事实底座首先要解决的不是“丰富”。
而是:
Truth
1 市场雷达:回答“外面发生了什么”
这一层定义:
Market。
Industry。
Segment。
Competitor。
Policy。
Technology Trend。
Event。
Signal。
Opportunity。
Recommendation。
我们以前有一条非常重要的数据链:
Evidence
↓
Claim
↓
Event
↓
Signal
↓
Opportunity
↓
Recommendation
这个逻辑一旦进入本体,就会变成机器可以执行的推理链。
比如:
某大型制造企业公布新建工厂。
这只是Event。
与此同时,它开始招聘大量设备工程师。
又出现环评信息。
随后出现采购招标。
多个事件之间开始形成关联。
系统才有可能推断:
这可能正在形成一个真实采购Signal。
当Signal满足一定条件:
与本企业产品匹配;
时间窗口合适;
地理区域可服务;
采购主体明确;
竞争态势可进入;
它才应该被升级成:
Opportunity
这才叫真正的市场雷达。
五、品牌定位,未来也会变成一种“机器可计算的关系”
传统品牌定位经常停留在一句话。
例如:
“全球领先的某某企业。”
但机器真正需要的不是一句Slogan。
而是一组关系。
例如:
企业 → 服务 → 哪一类客户。
产品 → 适合 → 什么场景。
能力 → 解决 → 什么问题。
差异化 → 相对于 → 哪些竞争对手。
证据 → 支撑 → 哪项定位主张。
这时候:
Positioning
不再是一段文案。
而是一张结构化关系网络。
这件事在AI搜索时代尤其重要。
因为AI回答问题,本质上也是在做匹配。
当用户问:
“德国阳台储能适合选择什么方案?”
AI实际上在寻找:
用户问题
→ 场景
→ 需求
→ 技术方案
→ 产品
→ 企业
→ 证据
之间的匹配关系。
所以未来所谓GEO,真正要争夺的不是关键词。
而是:
Query → Scenario → Need → Capability → Product → Enterprise → Evidence
这一整条路径里的“认知位置”。
这就是我们所说的:
Machine Positioning
机器认知定位
六、为什么我们越来越强调Evidence,而不是“多写内容”
如果一套企业AI系统没有Evidence体系,它最终非常容易变成一个宣传机器。
企业说:
我领先。
AI就学习:
企业领先。
企业说:
我有行业一流技术。
AI继续复述:
企业拥有行业一流技术。
这没有意义。
真正成熟的企业认知系统,应该区分:
Claim
和
Evidence
Claim是:
企业希望表达什么。
Evidence是:
什么东西可以证明这个表达。
而Evidence还应该分等级。
企业官网自己的描述,是一种Evidence。
客户官网公开的合作信息,是另一种Evidence。
政府公开信息。
上市公司公告。
认证机构。
标准。
高校。
行业协会。
权威媒体。
项目验收信息。
真实客户案例。
它们的可信度显然不同。
所以未来企业AI的一个重要能力,是判断:
一句话到底能不能说。
不是AI会不会写。
而是:
证据够不够。
这件事对于B2B企业尤其重要。
因为大客户购买的,本质是:
风险判断。
客户不是因为你文章写得漂亮而采购。
而是因为他相信:
你真的做过。
你真的能做。
这个项目交给你,风险可控。
所以品牌真正的核心资产,不只是Content。
而是:
Evidence Network
品牌证据网络
七、这里还有一个很容易被混淆的问题:本体和企业数据不是同一个东西
这是我们最近逐渐想清楚的一个技术边界。
知识工程里有两个非常重要的概念:
TBox
和
ABox
简单理解:
TBox回答:
这个世界应该怎么定义。
ABox回答:
这个世界里具体有哪些东西。
比如:
TBox定义:
什么叫Enterprise。
什么叫Product。
什么叫Case。
什么叫Evidence。
什么叫Opportunity。
什么条件才能说一个Case可以支持某项Capability。
这些是通用规则。
而ABox则是:
禾迈股份是一家Enterprise。
某型号是一个Product。
某个欧洲项目是一个Case。
某项认证是一条Evidence。
所以我们后来发现:
TBox才是平台真正应该长期沉淀的核心IP。
因为每做一家客户,如果只是重新做一个知识库,那么:
做100家客户,就是100套知识库。
这仍然是项目制。
但如果我们不断沉淀:
B2B企业应该如何定义。
市场机会应该如何识别。
品牌定位应该如何表达。
什么证据可以支持什么主张。
什么条件下可以形成推荐。
什么行为可以定义成商机。
那么客户越多,
企业增长本体就越成熟。
这才真正接近:
平台能力。
八、这也重新定义了“专家经验”到底应该沉淀在哪里
过去我们一直说:
Agent + 营销专家
但如果继续追问:
营销专家真正的价值是什么?
显然不是写文章。
也不应该长期停留在:
搜资料。
整理PPT。
分析竞品。
写周报。
未来这些事情AI会大量完成。
真正稀缺的是:
Judgment
判断。
比如:
什么叫真正的市场机会?
哪些信号只是噪声?
什么证据足以支撑一项品牌主张?
某项技术到底应该叫“领先”,还是只能叫“具备”?
一个市场看起来规模很大,但究竟适不适合这家企业?
某个AI回答里提到了品牌,这究竟是有效认知还是随机提及?
这些都是判断。
所以我们认为,未来专家的经验最终应该沉淀成三种资产:
Ontology
定义:
什么是什么。
Rules
定义:
在什么条件下,可以推出什么。
Evals
判断:
AI这次做得好不好。
这三个东西,比100份咨询PPT更有长期价值。
因为PPT是一次性的。
而:
Ontology + Rules + Evals
可以反复被Agent调用。
这才是AI时代真正意义上的:
专家知识产品化。
九、Marketing Harness为什么会成为重要的一层?
如果本体解决的是:
AI如何理解世界。
那还需要解决另一个问题:
AI如何在这个世界里行动?
这就是我们为什么提出:
B2B Marketing Harness
Model只是一个通用大模型。
但模型本身并不知道:
现在服务的是谁。
有哪些企业事实已经验证。
哪些信息不允许使用。
企业目前重点市场是什么。
上个月发生了哪些变化。
哪个定位已经被老板确认。
哪些内容已经发布。
哪些问题正在持续监控。
哪些机会已经交给销售。
所以真正让一个通用大模型变成企业Marketing Agent的,不只是Prompt。
而是:
Model
Context
Ontology
Cognitive Twin
Skills
Tools
Memory
Evals
这整个环境,我们称为:
Marketing Harness
这也是为什么我们越来越不愿意简单讲:
“8个Agent。”
Agent未来一定会变化。
模型也会变化。
今天需要多个Agent。
明天一个更强的模型可能就可以完成大量任务。
真正应该长期沉淀的是:
企业上下文。
企业认知结构。
行业知识。
方法论。
工具。
工作流。
判断规则。
评估标准。
最终经营结果。
换句话说:
模型可能是租来的。
企业认知系统必须是自己的。
十、这也是为什么,我们现在重新理解GEO
最早我们把GEO理解成:
让AI更多地提到企业。
后来我们觉得:
让AI准确理解并推荐企业。
现在再往下一层,我们越来越认为:
GEO其实是企业认知系统的一种外部投影。
企业内部建立了:
真实事实。
产品关系。
能力关系。
场景关系。
证据关系。
市场关系。
客户关系。
这些东西被转化成:
官网。
产品页。
技术文章。
案例。
媒体资料。
第三方内容。
知识中心。
结构化数据。
搜索结果。
最终AI从整个数字世界读取这些信息。
于是AI形成对企业的认知。
所以:
GEO不是起点。
真正的起点是:
企业在机器世界里究竟是什么。
这件事情如果没有解决,
发再多文章,也可能只是增加噪声。
而如果企业的知识结构、证据结构和数字阵地逐渐统一,
GEO反而会变成自然结果。
十一、未来企业竞争的,可能不只是品牌资产,而是“机器认知资产”
过去我们讨论品牌资产,主要讲的是:
认知度。
知名度。
美誉度。
消费者心智。
这些资产依然重要。
但AI正在增加一种全新的资产:
Machine-readable Brand Equity
机器可理解的品牌资产
什么叫机器可理解?
不是互联网上搜得到你的名字。
而是AI能够建立稳定关系:
谁是你。
你做什么。
你适合谁。
你解决什么问题。
你为什么值得信任。
哪些事实能够验证你。
你和竞争对手有什么不同。
未来用户越来越多的问题,不会直接进入企业官网。
而会先经过AI。
AI开始变成:
采购助理。
方案研究员。
产品比较器。
供应商筛选助手。
行业研究助手。
甚至未来成为企业采购Agent。
到那个时候,
企业真正需要争夺的就不只是:
“我有没有排名。”
而是:
当机器开始替用户理解一个行业时,我在机器的世界模型里处于什么位置?
这是一个比SEO和GEO大得多的问题。
十二、本体论真正改变的,不只是AI,而是企业经营数字化的方式
如果继续往前走一步,
企业增长本体最终甚至不只属于营销部门。
因为市场、销售、产品和服务其实共享同一个企业世界。
比如一个客户需求:
营销部门把它理解为:
用户痛点。
销售把它理解为:
商机需求。
产品部门把它理解为:
产品需求。
技术部门把它理解为:
技术问题。
售后把它理解为:
使用反馈。
过去这些信息分散在不同系统。
CRM一套语言。
ERP一套语言。
营销系统一套语言。
知识库又是一套语言。
未来真正有意思的方向,是用统一语义层把它们连接起来。
这时候Ontology的意义会从:
“让AI理解营销”
进一步变成:
让AI理解企业。
这可能才是企业AI真正的基础设施。
结语:AI时代真正稀缺的,不是内容,而是“对世界的定义权”
大模型越来越强之后,
写一篇文章越来越便宜。
生成一张图片越来越便宜。
做一份PPT越来越便宜。
甚至市场研究、竞品分析、内容策划,都会越来越便宜。
但有一件事情不会自动变便宜:
判断什么是真的。
判断什么重要。
判断什么和什么有关。
判断在什么条件下可以得出什么结论。
这恰恰就是本体、规则和专家判断的价值。
所以我们现在越来越相信:
未来真正优秀的企业AI系统,不会只是拥有更多文档。
也不会只是拥有更多Agent。
而会逐渐拥有一套属于自己的:
企业世界模型。
它能够持续回答:
我是谁?
市场在哪里?
我应该打哪里?
我手里有什么牌?
哪些证据是真的?
哪些客户最值得争取?
哪些内容应该生产?
哪些认知正在形成?
哪些行为最终带来了收入?
这也是我们正在构建的:
Enterprise Growth Ontology
企业增长本体
在它之上,
“一诊七增”不再只是一个营销服务流程。
企业认知数字孪生不再只是一个知识库。
Marketing Harness也不再只是一个Agent框架。
它们开始共同组成一套完整的:
B2B AI增长基础设施。
而GEO,只是这套系统第一次显性地暴露在大众面前的应用之一。
真正更大的变化,才刚刚开始。
- 点赞
- 收藏
- 关注作者
评论(0)