想象一下未来：企业无需组建庞大团队，仅通过定制智能体，就能自动完成品牌舆情分析、营销内容生成、客户服务响应——从数据采集到决策输出，全流程高效运转，这正是 AI 赋能品牌营销的新可能。

北京一家深耕大数据与品牌营销领域十年老兵——清博智能——在 AI 赛道崭露头角。

2014 年由高校教授牵头创立，清博智能早年间就以大数据为核心，为政府、央国企、世界 500 强企业提供舆情监测与品牌分析服务，累计拿下近 40 个国内外顶尖 AI 算法大赛金奖，成为 B 端品牌营销智能化的关键玩家。

如今，清博智能已从早期的 " 营销大数据工具 " 及 " 舆情管理平台 "，进化为覆盖 " 舆情监测、内容生产、数字人 IP、定制大模型 " 的全链条 AI 服务提供商。

他们的核心能力，堪比品牌营销领域的 " 智能管家 "：为央视定制热点选题分析系统，从全网数据中挖掘养老金、教育等民生话题，还能自动生成微短剧；给蒙牛打造数字人科普 IP，用 AI 视频智能体实现 " 一句话生成脚本与成片 "；甚至为石油石化企业开发加油站安全管理智能体，结合规章制度与监控数据，筑牢安全生产防线。

随着生成式 AI 爆发，企业的新困惑也随之而来：通用大模型数据不准怎么办？企业定制智能体成本太高？

" 未来十年，AI+ 品牌营销会迎来比过去更快速的渗透。" 这是清博智能 CEO 郎清平预判。敬请阅读铅笔道对话清博智能，以下是部分精华观点：

1、问：当时是出于什么契机，押注人工智能领域？

答：人工智能需要数据、算法和算力作为基础。清博 2014 年成立之初，就是以大数据为核心做产品和服务，自然就包含了算法研究和技术开发。

2、问：2022 年底生成式 AI 爆发时，你当时怎么看？对公司意味着什么？

答：这是一个大好事。大模型极大提升了工作效率。比如过去十个人要花一周清洗、标注的数据量，现在两个人用半天就能完成。在代码编写、传播内容生成方面，大模型也帮助很大。

3、问：未来一两年，智能体行业会出现什么样的分化？

答：分两类来看：在 C 端，教育、健康咨询、文本视频创作、心理咨询、虚拟伴侣等与刚需或情感需求相关的智能体跑得会比较快。在 B 端，主要还是那些刚性需求强、容错率低的场景，大模型和智能体如果能解决这些问题，就会快速落地。

解决速度快的，比如品牌营销、客户服务、数据分析、代码撰写，这类智能体发展得更快一些。而复杂度更高的，比如生产一线，就需要更长的时间。如果有企业专注于某个垂直领域的生产一线，坚持深耕，时间足够长的话，就能形成比较强的技术竞争力。

4、问：今年哪些行业应用智能体增长最快？哪些还在犹豫？

答：我们服务过制造业、车企、消费品、化妆品、石油石化、电信、能源、地产等多个行业。总体上，品牌营销、客户服务、大数据分析等部门应用最快；一线工厂、流水线环节相对慢一些，因为对准确性和安全性的要求极高。

声明：访谈对象已确认文章信息真实无误，铅笔道愿为其内容做信任背书。

01

铅笔道：市场、公关、新媒体从业者对清博比较熟悉，但其他行业可能不太了解。能介绍一下现在的业务重点吗？

郎清平：我们最早由高校教授创立，2015 年开始市场化运营，主要基于大数据和人工智能，服务于企业、政府等在新闻传播、品牌营销上的需求。

目前客户以世界 500 强、央国企和上市公司的品牌营销部门为主，也包括政府宣传部门，中央和省市媒体，以及高校、研究机构和投资机构。只要涉及互联网内容生产与传播、品牌形象与口碑监测、热点事件分析、竞品研究等，都可能用到我们的服务。

我们的产品覆盖舆情监测与分析、新媒体内容生产与审核、传播效果评估、新媒体管理考核系统、融媒体操作系统，以及数字人 IP 打造、基于大模型的品牌营销智能体和客服智能体等。

清博智能 CEO 郎清平

铅笔道：这 10 年的关键节点有哪几个？

郎清平：2015 年，上线了第一个互联网化产品，相当于一个搜索引擎，帮助从事新闻传播和品牌营销的用户查找各平台有影响力的账号，按地域、行业分类，同时也能评估自己的新媒体矩阵传播力。

2016 年，推出了舆情分析系统，针对移动互联网的传播特点，帮助企业和政府分析品牌传播与舆情。

2017 年，上线新媒体管理考核系统，支撑政府和企业对新媒体矩阵的运营与效果评估。

2018 年，又推出融媒体大数据分析平台，覆盖热点发现、内容生产、渠道选择和效果评估，形成了全链条的技术服务。

近两年，随着数字人和大模型兴起，上线了数字人平台和各类智能体，例如品牌智能体、视频智能体、营销智能体、客服智能体。早在 2018、2019 年，我们就参与了很多国内外顶尖的人工智能算法大赛，比如谷歌的全球 AI 问答赛、专利文本算法赛、中科院的虚假新闻识别赛等，共获得近 40 个第一名和金奖。在 ChatGPT 等大模型出现之前，我们就已深耕 AI 基础算法和数据分析。

铅笔道：当时是出于什么契机，押注人工智能领域？

郎清平：人工智能需要数据、算法和算力作为基础。清博 2014 年成立之初，就是以大数据为核心做产品和服务，自然就包含了算法研究和技术开发。

铅笔道：2022 年底生成式 AI 爆发时，你当时怎么看？对公司意味着什么？

郎清平：这是一个大好事。大模型极大提升了工作效率。比如过去十个人要花一周清洗、标注的数据量，现在两个人用半天就能完成。在代码编写、传播内容生成方面，大模型也帮助很大。

当然，它也存在问题，比如数据不准确，生成内容容易出错。但我们的客户大多是 500 强、央国企和上市公司，对准确性要求极高，我们不会直接使用通用大模型，而是结合自有数据和算法优势，定制专属大模型和智能体。

铅笔道：人工智能产品的具体客户案例有哪些？

郎清平：我们为央视一些栏目提供基于大数据的全网热点选题，涵盖养老金、人工智能、汽车、教育等领域。结合视频智能体和大模型工具，不仅能筛选公众最关注的热点，还能自动生成文章、海报和视频，制作出传播力很强的微短剧和宣传片。

比如我们为蒙牛打造了数字人形象，并用 AI 生成营养科普视频。视频智能体可以根据一句话自动生成创意、脚本、分镜和成片，大幅提升内容生产效率。

除此之外，我们还为地产、汽车、消费品、能源、互联网等行业的头部企业，做品牌形象分析、传播效果评估和用户口碑研究。

铅笔道：数字人这两年发展怎么样？

郎清平：数字人这两年增长比较稳定。过去因为没有大模型支撑，数字人背后的问答系统智能化不足。现在有了大模型，智能化程度大幅提升，应用范围更广。无论是政务服务、企业服务还是教育，数字人都能发挥作用，企业也更愿意通过数字人来交互。

铅笔道：市面上做数字人的公司很多，你们的优势在哪里？

郎清平：我们从 2015 年开始就是基于大数据做企业品牌营销的。数字人只是外在形式，真正的核心是背后的大数据和智能化能力。相比那些专注外观和动作的公司，我们的优势是数据和内容。

我们更关注数字人 " 说什么 "，如何识别用户留言，再通过大数据分析实现精准、个性化的回复。比如我们给医疗机构开发的食管健康智能体，数字人的形象可以换，但背后的数据和模型才是核心。

我们本质上还是一家以数据驱动的 AI 公司。其他 AI 公司也需要数据，但我们多年专注在品牌营销领域，把大数据的优势发挥出来了。

铅笔道：这几年公司收入结构有变化吗？

郎清平：在面向企业的品牌营销和大数据分析服务上，每年大概保持 10% 到 20% 的增长。定制大模型和智能体业务虽然起步不久，但年增速在 80% 以上，主要是基数小，所以增速快。

02

铅笔道：今年相比去年，市场上有哪些变化？

郎清平：为品牌营销提供大数据决策支持，仍然是企业刚需。大模型和智能体，去年很多企业还不了解，不清楚它们能带来什么。今年越来越多的机构和企业逐渐意识到，大模型可以帮助他们在不同业务部门提质增效，需求持续增加。

铅笔道：清博智能为企业提供的智能体，和其他公司有什么不同？

郎清平：比如我们为同济医院开发了食管健康科普智能体；为广西社科联上线了社科普及智能体；也在为石油石化企业做加油站安全管理智能体，结合他们的安全制度和监控数据，开发定制的大模型和智能体。

我们的特点有三点：

第一，我们熟悉市面上众多大模型的优劣势，能根据项目需求选择最优基座模型；

第二，我们有算法方面的优势，过去获得过不少国内外顶尖奖项，可以结合互联网开源数据和企业内部数据来定制研发；

第三，我们长期积累了海量数据，能够进行独特的处理和精准标注，结合算法训练，为客户打造更贴合需求的模型和智能体。

综合这几点，加上性价比优势和对客户需求的深入理解，用户会选择我们。

铅笔道：很多企业现在知道智能体，但不知道怎么选。大企业和中小企业在选择时有什么不同？

郎清平：要看行业和需求。比如内容生产型企业，容错率高，只需要用大模型写文章、生成视频，用通用智能体就够了；但制造业就不一样。

像钢铁厂、煤矿这样的场景，每一步工序都要求 100% 的准确和安全。这类企业的容错率极低，必须做非常严谨的定制开发。

即便是同一个制造企业，不同部门的需求差别也大。比如党建宣传部门只需 AI 生成视频，用通用模型即可；但如果宣传片里要出现企业 logo、领导人形象、办公大楼、具体产品，就必须进行专门的模型绑定和训练，确保不会出现变形。

铅笔道：今年哪些行业应用智能体增长最快？哪些还在犹豫？

郎清平：我们服务过制造业、车企、消费品、化妆品、石油石化、电信、能源、地产等多个行业。总体上，品牌营销、客户服务、大数据分析等部门应用最快；一线工厂、流水线环节相对慢一些，因为对准确性和安全性的要求极高。

比如我们给一家能源企业做服务，他们的品牌和客服部门用得很快，但一线生产线应用就会谨慎很多。

铅笔道：假如未来一线生产也逐步应用智能体，会遇到哪些挑战？

郎清平：比如我们正在给某大型石油石化企业做全省加油站的安全管理智能体。这里涉及多模态数据：既有规章制度文本，又有传感器监测数据，还有摄像头视频。

我们要把这些不同类型的数据进行结构化处理、清洗和治理，再用来训练模型和开发智能体，才能满足安全管理的要求。

这其实考验的是我们长期积累的数据治理和分析能力，这是清博智能的优势。虽然大模型和智能体是新的，但我们在数据方面的底层积累很深，这是不少初创公司不具备的。

铅笔道：未来一两年，智能体行业会出现什么样的分化？

郎清平：分两类来看：

在 C 端，教育、健康咨询、文本视频创作、心理咨询、虚拟伴侣等与刚需或情感需求相关的智能体跑得会比较快。

在 B 端，主要还是那些刚性需求强、容错率低的场景，大模型和智能体如果能解决这些问题，就会快速落地。

解决速度快的，比如品牌营销、客户服务、数据分析、代码撰写，这类智能体发展得更快一些。

而复杂度更高的，比如生产一线，就需要更长的时间。如果有企业专注于某个垂直领域的生产一线，坚持深耕，时间足够长的话，就能形成比较强的技术竞争力。

铅笔道：如果大厂也加入这个赛道，你们的差异化优势是什么？

郎清平：大厂主要做 to C，清博智能则专注 to B。像腾讯、华为、阿里、京东、百度，包括字节，我们都保持着紧密合作关系。

他们基本上做的是面向 C 端的通用大模型，以及部分行业大模型的基座；而我们在 B 端市场走在前端，为企业开发大模型和智能体的落地应用。背后则需要大厂提供模型基座和算力支持。

大厂因为基因和投入产出比的原因，不太适合做 to B 的智能体应用，也缺乏经验。我们和他们是共生关系，他们提供基础能力，我们负责面向企业落地。

铅笔道：所以说，在产业需求的理解和执行经验上，你们和大厂有差别。另外还有成本因素？

郎清平：对。基于成本和性价比的考虑，大厂在 B 端和 G 端市场其实是在逐步收缩。他们发现自己做 B 端不擅长，而且亏钱，现在希望像我们这样的 to B 企业走在前面，他们提供算力和模型，我们负责产品整合和落地。

他们的考核也转向了自有产品的销售和利润，而不是做整体解决方案。这样一来，我们和大厂的合作关系更加顺畅：我们拿 B 端市场，他们提供背后支持。

比如去年我们和百度智能云合作上线了一款 AI 舆情分析产品，由我们提供舆情数据，百度提供算力和大模型推理服务，最后由我们面向用户推出。

我们和火山云的合作也是如此。我们负责数字人和大数据分析的服务，应用到车企、消费品等行业；火山云提供算力和云服务，工程开发由我们主导。和大厂的关系基本都是这样的互补合作。