左：Morketing Group 创始人兼 CEO 曾巧 Ivy，中：飞书深诺创始人兼 CEO 沈晨岗 Charles Shen，右：飞书深诺 CTO 陆鑫 Vincent Lu

对话 | 曾巧 Ivy

作者 | 曾巧 Ivy、陈晓雨 Harper

如果把一位出海 CMO 今年的 AI 账单摊开，里面可能已经有文案生成、图片与视频制作、市场调研、广告投放、数据分析等一长串工具。工具越来越多，但一条广告效果不及预期时，会议室里的问题并没有变：是创意错了、市场选错了、预算分错了，还是产品本身没有打中当地消费者？

这构成了当下出海营销最尴尬的一幕：AI已经进入工作流，增长却没有因此变得更容易。

飞书深诺 Meetsocial 与 IDC 联合发布的《出海营销 AI 智能体成熟度与服务商能力白皮书》显示，78.5% 的出海企业已经把 AI 嵌入营销核心环节，但行业整体仍处于从 L1 工具辅助向 L2 基础自动化过渡的阶段。同时，报告里的另一组数据更值得 CMO 警惕：出海企业的合规与获客成本平均上升了 32%。AI 渗透率在涨，增长的账反而更难算。

原因并不神秘。出海营销从来不是一个文案问题，也不是一个投放问题。它横跨市场判断、本地文化、媒介规则、内容生产、预算分配、效果归因和数据合规。单点工具可以把某一步做快，却不会自动处理环节之间的冲突，更不会为最终的业务结果负责。

中国品牌下一轮 AI 竞争，比的不是谁能生成更多素材，而是谁能让每一笔全球营销预算回答三个问题：为什么这样投，结果为什么会这样，下一次该怎么改。

2026 年 7 月 23 日，飞书深诺发布企业级出海营销 AgentOS Marvy 2.0。它把市场洞察、媒介策略、智能创意、广告投放和数据分析放进同一套协作系统，试图解决的正是那条长期断裂的决策链。

围绕 Marvy 2.0，Morketing Group 创始人兼 CEO 曾巧 Ivy 与飞书深诺创始人兼 CEO 沈晨岗 Charles Shen、CTO 陆鑫 Vincent Lu 进行了一场对话。比起再谈一遍 AI 趋势，我们更想把问题问具体：企业用了这么多 AI，到底实现了那些价值和增长？一套 AgentOS 凭什么进入 CMO 和 CTO 的核心决策？飞书深诺在这场竞争里，究竟提供了什么不可替代的东西？

作为飞书深诺创始人兼 CEO，沈晨岗长期带领团队深耕出海营销，推动业务从传统营销服务向 AI 驱动的系统化能力延伸；CTO 陆鑫则凭借在广告系统架构领域的技术积累，带领团队推进 Marvy 2.0 的技术研发与落地。两人分别从业务战略与技术实现层面，推动 AI 从单点工具走向系统化应用。

以下对话经 Morketing 编辑整理，在不改变嘉宾原意的基础上有所删减。

企业用了很多 AI，

是赚钱了还是在为工具付费？

曾巧 Ivy：报告显示，78.5% 的出海企业已经把AI放进营销核心环节。AI 几乎成了标配，为什么大多数企业仍停留在工具辅助阶段？

Charles：因为很多企业的起点仍然是工具。市场上出现了什么新产品，就先拿来试，再看它能解决什么问题。顺序其实反了。

企业应该先明确要解决什么业务问题，再拆解哪些环节适合用 AI、不同能力怎么组合、结果如何回到下一轮决策。否则，每个工具都提高了一点效率，整条业务流程还是断的。

飞书深诺创始人兼CEO沈晨岗 Charles Shen

曾巧 Ivy：换个更直接的问法。企业用了很多AI，究竟赚到了增长，还是在为一堆新工具付费？怎么判断？

Charles：不能只看用了多少工具、生成了多少内容，或者节省了多少时间。企业要看工具带来的结果，与最初设定的目标的距离以及关系；还要看这个结果能不能反过来帮助系统继续改进。

如果投放结束以后，数据没有回到策略、创意和下一轮预算分配里，企业得到的只是一次更快的执行，不是一套会进化的能力。

陆鑫：过去使用 AI，本质上还是人来判断、工具来执行。有了 Agent，如果仍把它当成执行工具，就没有发挥出它的价值。Agent 需要围绕目标行动，形成自己的决策链路；前一次的结果，也要影响下一次怎么做。

Morketing 观察：对出海企业来说，单点提效甚至可能制造一种假增长。AI 可以一天生成上百条多语种素材，但如果市场判断错了，它只是把错误更快地复制到更多国家。企业真正要计算的，不只是每条素材便宜了多少，而是无效试错有没有减少。

曾巧 Ivy：如果第一步的判断就错了，Agent 会不会只是把错误放大得更快？

陆鑫：所以必须把专家经验、业务目标和投放结果放进同一个系统。以创意为例，AI 生成成百上千个创意并不难，难的是知道哪些创意投放后效果更好、为什么更好。

我们建立了包含 2 万多个标签的创意特征体系，把画面中的产品、人物、场景、动作、氛围和表达方式拆开，再与真实投放结果关联。AI 不是只学会怎么生成，而是要逐步学会什么样的创意更可能服务当前目标。

Charles：过去，一个好创意可能来自个人灵感。现在要把过程拆开，让系统知道创意是怎么形成的、得到了什么结果，再根据结果继续学习。人的经验只有被表达、记录和验证，才有可能变成组织能力。

出海营销最贵的是每次都从头再来

曾巧 Ivy：很多产品都在讲工作流。AgentOS 和把几个AI工具接在一起，究竟有什么本质区别？

陆鑫：区别在于是否把整个工作流作为一个整体管理。一次广告效果不好，不能只让创意 Agent 再生成十条素材。系统要回到前面检查：市场洞察是否准确，策略是否合理，媒介选择和执行有没有问题。商业结果通常由多个环节共同作用，单独加强一个环节，结果未必会变化。

Marvy 采用 Supervisor Agent 加专业 Agent 的架构。Supervisor Agent 围绕整体增长目标拆解任务、判断依赖关系和调度执行；市场洞察、媒介策略、智能创意、智能投放和数据分析等专业 Agent 负责各自任务，但不能只追求局部最优。

曾巧 Ivy：你们说 AgentOS 开始参与决策。CMO 的第一反应可能是：预算和市场判断真能交给AI吗？如果几个 Agent 意见相反，最后谁拍板？

陆鑫：Agent 之间确实会出现不同意见。比如市场洞察 Agent 认为印尼的 ROI 更高，但媒介策略 Agent 认为泰国更值得投入。Supervisor Agent 不会简单投票，而是要求它们补充证据，回溯历史数据，把更多信息放进下一轮判断。

系统也会根据不同决策的实际效果，对各环节的判断进行评估并调整权重。目前专家仍会参与 Supervisor Agent 的工作，校对推理过程，在关键节点做判断。

曾巧 Ivy：如果AI连为什么建议花这笔钱都解释不清，它凭什么进入企业的营销决策？

陆鑫：所以决策过程必须可见、可追溯。用户需要知道系统调用了什么信息，为什么得出这个结论，证据够不够。每个决策还要有置信度评分；证据不足，系统就应该呈现不确定性，必要时暂停，让人工介入。

飞书深诺CTO陆鑫 Vincent Lu

Charles：我们所说的确定性，不是保证某个结果一定发生，而是在现有知识、方法和数据的基础上，提高判断的把握，并告诉用户实现目标的概率和依据。营销变量太多，任何绝对承诺都不现实。

曾巧 Ivy：Marvy 现在能把一场出海营销活动推进到什么程度？

Charles：它会先完成市场、用户和竞争调研，再形成进入策略和预算建议；随后把策略翻译成 Meta、Google、TikTok 等平台上的具体投放动作，继续处理内容、创意和本地化；投放以后，再进行数据分析和持续优化。

以游戏行业为例，一个客户要做第三季度东南亚投放方案，过去调研、策略、创意、投放、分析依次完成，整个流程至少需要一个月。现在，原来按天计算的部分工作可以缩短到小时级，完整流程可能在几天内完成，具体取决于数据量和目标。一次标准市场调研，过去可能需要数千美元，现在部分任务可以压缩到几美元、几分钟。

但当前还不能说系统可以完全自动运行。如果借用自动驾驶的 L0 到 L5 来类比，我们现在大概到了 L3 的阶段，不同能力分布在 L2 到 L3 之间。环节交互和关键决策仍需要人校准，这就是 Human in the Loop。

Morketing 观察：Marvy 的产品边界由此变得清楚。它不是替 CMO 自动生成一个 " 正确答案 "，而是把答案如何形成、依据是什么、哪里存在分歧、结果怎样回流，写进同一套系统。对出海营销来说，这比单纯提高素材产量更接近经营问题。

同一套 AI 会不会把品牌做得越来越像

曾巧 Ivy：如果越来越多企业使用同一套 Marvy，最后会不会出现另一个问题：大家的策略、素材甚至品牌表达越来越像？

左：Morketing Group 创始人兼 CEO 曾巧 Ivy，中：飞书深诺创始人兼 CEO 沈晨岗 Charles Shen，右：飞书深诺 CTO 陆鑫 Vincent Lu

Charles：差异首先来自企业自己的数据，包括知识库、私有数据、产品信息和用户反馈。3C、服装、游戏背后的数据完全不同；即使在同一个行业，每家企业所处的阶段、主推产品和市场目标也不同。

其次是企业自己的判断。AI 可以参与拆解和执行，但目标必须由企业设定。企业的数据、决策和 AI 能力叠加在一起，才形成真正属于它自己的能力。

陆鑫：我们用 Skill 来表达完成某类任务的方法。系统可以有汽车行业的创意 Skill，也可以有面向东南亚、日本等不同市场的 Skill。但同一个 Skill 被不同企业调用时，会结合它的战略、产品和当下目标，所以结果不会完全相同。

曾巧 Ivy：大模型能力更新很快。和一家通用模型公司相比，飞书深诺真正能留下来的壁垒是什么？

陆鑫：核心不是某一个基础模型，而是数据、模型和贯穿业务流程的专业能力。数据既包括对客户战略和需求的理解，也包括媒体反馈的用户偏好，以及专家长期形成的决策逻辑。我们把这些内容与模型结合，覆盖洞察、投放策略、创意和分析归因等环节，并继续按电商、游戏、App 以及更细的品类训练。

Charles：这些数据不是今天突然放进去的。过去很多年，我们一直在做清洗、打标签和结构化，也不断补充新的数据和知识。系统每天都要回答一个问题：为了完成某个目标，应该调用哪些数据，做什么判断。

Morketing 观察：这也是飞书深诺与通用 AI 工具最需要被讲清楚的差别。按其公开披露，Marvy 2.0 底层接入了 Gemini、OpenAI、Seedance 等顶尖大模型，拥有数百位营销专家沉淀出的 1000 多个 Skills，以及飞书深诺服务 17 万家企业的经验沉淀与 1.3PB 真实营销数据资产。数字本身不是壁垒，知道哪类出海决策需要什么证据、怎样把平台信号翻译成业务动作，才是这些资产的价值。

曾巧 Ivy：企业把私有数据交给系统，也会担心另一件事：我的数据会不会在训练中教会竞争对手？

Charles：我们有两个原则，边界先行、治理内置。先明确每份数据属于谁、谁有使用权，再按不同区域的规则处理。所谓治理内置，就是把相应要求写进数据处理逻辑，而不是出了问题再补。

企业越依赖自己的知识和数据形成差异，就越需要知道哪些信息进入了系统、怎样被使用、在哪里被隔离。这个问题对全球化企业尤其重要，因为不同市场的数据要求并不相同。

AI进入决策，

CMO 和CTO怎样为结果负责

曾巧 Ivy：当AI开始参与市场选择、预算分配和投放优化，CMO 最重要的能力还是什么？

Charles：我看两个维度。一是理解技术、AI及其应用，二是理解企业战略和整个业务。营销已经进入增长和经营决策，CMO 需要理解 CEO 的目标，也要具备一定的 CTO 和 CIO 视角。

AI 接手基础工作和部分简单决策以后，人要处理的是更复杂的权衡。决策循环越快，最初的判断质量越重要。过去一个错误决定可能一个月后才暴露，现在错误会更快扩散，组织留给自己修正的时间反而更短。

曾巧 Ivy：这意味着 CMO 要懂技术、CTO要懂业务。边界被打通以后，怎样避免最后谁都懂一点、却没人为结果负责？

Charles：人的责任不会因为 Agent 出现而消失。企业必须决定目标是什么、哪些判断可以交给系统、哪些节点必须由人确认。技术团队要把数据、权限和风险边界做清楚，业务团队要为目标和取舍负责。把人的决策方式变成 Agent 能理解和执行的逻辑，是接下来最难的工作之一。

曾巧 Ivy：营销 Agent 会继续向供应链、产品和经营决策延伸吗？

Charles：会。营销离消费者最近，反馈可以继续影响产品、生产、供应链和资金安排。比如一个产品先下 200 单，市场反馈很好，再加到 2000 单、2 万单，推动供应链增加生产。营销数据不只用来复盘广告，也可以帮助企业决定接下来把资源放在哪里。

这仍是一种理想方向。营销系统和经营系统之间，还需要数据和流程的衔接。但一旦消费者反馈能够进入下一轮供给决策，企业比竞争对手更快地发现问题、调整动作，本身就是竞争力。

曾巧 Ivy：做一套 AgentOS 这么重，短期内会不会是飞书深诺先替行业交学费？Marvy 2.0 会很快带来业务增长吗？

Charles：它会带来加速，但不会今天上线、明天增长那么戏剧。我们先用它提升自己的广告运营效率和服务能力，再把能力开放出去，逐步嵌入客户的业务流程。目前已经有比较显著的商业化成果，这需要我们继续投入，和产业一起进步。

曾巧 Ivy：所以，Marvy 究竟是飞书深诺的一款新产品，还是未来所有业务的底座？

Charles：Marvy 2.0 更像能力中台，把AI能力输送给前端不同业务。服务中小企业的业务可以接入更轻量的版本，智能创意 Agent 可以与专业创意团队结合，不同业务都能调用核心能力，再按自己的场景定制。

我希望它帮助飞书深诺内部形成业务共识，沉淀更多数据和客户上下文，也帮助客户理解和对齐目标。接下来我们也会推出 Marvy Lite 版本，用更标准化、更轻量的方式覆盖中小企业常见营销场景。

Marvy 究竟给出海营销留下了什么

对话后，我的思考并不是 "AI 会不会取代人 "，也不是又一个关于效率的乐观预测。它把出海营销里的一个旧问题说得更具体了：企业并不缺工具，缺的是一套能把分散动作变成连续决策的系统。

Marvy 2.0 给出的路径有三个明确落点。第一，它把市场洞察、媒介策略、创意、投放和分析放进同一条决策链；第二，它用 Supervisor Agent 处理不同专业 Agent 之间的依赖和冲突；第三，它保留决策依据、置信度与人工介入，让投放结果能够进入下一轮学习。

飞书深诺的行业贡献也应当在这里衡量。过去，头部出海企业获得专业营销能力，往往依赖一个经验丰富的团队和长期项目合作。Marvy 试图把这些经验拆成数据、规则和 Skill，再通过系统复用。它要改变的不是某一个岗位的效率，而是专业出海营销能力的交付方式：从依赖少数人的项目经验，逐步变成可以调用、验证和积累的企业能力。

这也是 " 全球AI营销新基建 " 这个定位成立的前提。基础设施不能只在演示中给出漂亮答案，它必须能在不同国家、行业和企业上下文中反复运行；不能只提高产量，还要让决策更可解释；不能只调用数据，还要守住数据边界。

Marvy 2.0 目前仍处于 L2 到 L3 的人机协同阶段，距离全自动决策还有明显边界。把这一点讲清楚，反而比宣称 "AI 已经接管营销 " 更有价值。CMO 和 CTO 在评估这类系统时，应当追问五件事：它服务的业务目标是什么，能否打通完整流程，能否展示决策证据，结果能否回到下一轮，企业数据是否有清楚的使用边界。

如果一套系统答不清这些问题，再多 Agent 也只是工具集合。中国品牌出海的下一阶段，不需要广告里出现更多 AI，而需要少一些解释不清的决策，少一些被重复支付的错误。