营销智能体过不了IT审查，问题不在技术炫技而在治理机制缺位

01 资料与背景

Adobe披露的审查数据揭示了什么

2026年9月23日，Adobe发布了一篇面向营销技术决策者的博客文章，作者Pat Toothaker在文中系统梳理了CIO在评估营销智能体（Agentic AI）时最常提出的五个问题。文章引用Adobe《2026年AI就绪状态报告》的数据指出，在每100个被提出的AI营销计划中，只有47个能够通过IT与安全审查；而当团队尝试将这些计划嵌入现有系统和工作流时，这一数字进一步下降到33个。这意味着从提案到实际部署，超过三分之二的AI营销方案会在中途被淘汰。

文章还引用了其他几组值得关注的数据：94%的IT领导者表示AI工具的无序扩张已经在增加复杂性和风险，但只有12%的企业拥有集中化的管理手段；仅5%的商业领袖允许智能体在高风险决策中不经人工审核即可自主执行；只有31%的组织建立了针对智能体AI的成效衡量框架。此外，一项近期调查显示，半数受访组织曾遭遇AI智能体通过内部评估后在客户侧出现失败的情况。

这些数据的共同指向是：营销团队对智能体的热情与IT团队对风险的警惕之间存在显著落差。文章的核心主张是，营销人员需要提前理解CIO的关切，并在提交方案之前准备好对应答案，才能提高智能体项目通过审查并最终落地的概率。Adobe同时推介了其CX Enterprise Coworker产品，称其设计理念围绕受治理的连接式AI队友展开，但本文对该产品不进行独立验证。

02 GSP 分析

智能体落地的真正瓶颈：风险管控能力而非功能想象

大多数营销团队对智能体的期待集中在效率与规模上：更快的客户响应、更大批量的个性化触达、更少的人工干预。这个出发点本身没有问题，但它默认了一个前提——企业已经具备安全、可控、可追溯地运行这些智能体的能力。Adobe的数据表明，这个前提在多数组织中并不成立，而CIO正是那个必须确认前提是否满足的角色。

从经营角度看，智能体与传统的营销自动化工具存在本质区别。传统工具执行的是预设规则，风险边界清晰；智能体则能够在运行中自主判断、调用数据、触发行动，其行为空间远大于规则引擎。CIO的谨慎并非保守，而是对这种非线性风险扩散的合理回应——一个错误的内容推荐可能只影响一次曝光，但一个错误的智能体行动可能在几分钟内触达数十万用户并造成品牌损伤。

因此，营销团队在推进智能体时面临的核心战略选择不是“要不要用”，而是“用什么治理结构来承载”。这个选择决定了项目能否通过审查、能否规模化、能否在出问题时快速止损。把智能体当作一个功能来采购，和把它当作一套需要嵌入治理框架的能力来建设，会导致完全不同的落地路径和结果。

03 GSP 分析

数据透明度是智能体价值兑现的第一道阀门

Adobe文章中CIO的第一个问题直指数据根基：智能体依赖什么数据来训练或运行？企业自己的数据会不会在未经同意的情况下被用于训练底层模型？智能体能否识别并执行企业已设定的访问控制、审批流程和限制条件？这三个问题的共同焦点是数据透明度和控制权。

从价值创造机制来看，智能体的产出质量直接取决于输入数据的质量与合规性。如果一个智能体连接的是未经清洗的客户记录、版权状态不明的素材库或缺乏上下文标签的行为数据，它的输出不仅不可靠，还可能将企业暴露在合规风险中。CIO关注数据来源，本质上是在评估这个智能体能否成为可审计的业务资产，而不是一个不可解释的黑箱。

以假设示例说明：一家零售企业的营销团队希望部署智能体来自动生成个性化推荐邮件。如果该智能体使用的是企业自有的购买历史和浏览行为数据，且这些数据已经过分类分级并设定了清晰的访问权限，那么CIO的审查重点会转向智能体的推理逻辑是否可追溯。但如果该智能体依赖的是供应商通用语料加上企业上传的客户数据，且训练协议中未明确禁止供应商将企业数据用于模型改进，那么审查就会在数据主权层面直接受阻。这个差异决定了两种方案在同一个企业中的命运截然不同。

04 GSP 分析

可观测性与人机协同：智能体行动中的信任基础设施建设

CIO的第二个问题聚焦于可见性与控制力：能否看到智能体如何得出某个输出而不只是看到输出本身？在智能体采取高风险行动之前，人能否介入审批？如果出了问题，能否重建整个交互链路来理解故障原因？这三个问题的实质是要求智能体系统具备可观测性和可干预性。

智能体的自主性越强，可观测性的商业价值就越高。可观测性不仅是技术指标，它直接影响企业的风险承受能力和决策速度。当营销团队知道智能体的每一步推理都可以被追溯、每一个高风险行动都有人工审批节点、每一次异常都可以被定位到具体环节时，团队才敢把更重要的任务交给智能体，也才能在客户面前承担品牌责任。从这个意义上说，可观测性不是限制智能体能力的枷锁，而是释放其能力的信任基础。

Adobe文章提到只有5%的商业领袖允许智能体在高风险决策中不经审核，这反过来意味着95%的企业在关键节点上仍然需要人工参与。营销团队在设计智能体工作流时，应该主动区分哪些环节属于低风险可全自动、哪些环节需要人工确认、哪些环节需要双重审批。将这种分级授权机制提前设计好，而不是等CIO来问才思考，会显著缩短审查周期。假设示例：一个金融服务的营销团队在设计智能体处理客户投诉回复时，可以将标准FAQ回复设为全自动，将涉及费用调整或合同条款的回复设为人工审批后发送，将涉及监管敏感话题的回复设为法务二次审核。这种分级设计既保留了智能体的效率优势，也守住了合规底线。

05 GSP 分析

系统兼容性决定了智能体是嵌入肌肉还是增加脂肪

CIO的第三个问题关乎架构：智能体是融入现有技术栈和工作流，还是成为又一个需要单独管理的孤岛？Adobe文章引用的一项数据表明，94%的IT领导者认为AI无序扩张正在增加复杂性和风险，而只有12%的企业建立了集中化的管理方式。这意味着绝大多数企业正在被动地累积AI工具，而非有序地整合能力。

从组织效率的角度看，每引入一个新的智能体工具，如果它不能复用现有的权限体系、数据集成通道和工作流引擎，就会产生新的运维负担。这种负担不仅仅是IT成本，还包括营销团队的学习成本和跨系统协作的摩擦成本。当一个智能体需要营销人员手动导出数据、在另一个界面配置规则、再回到原系统验证结果时，它的效率优势已经被流程摩擦消耗殆尽。

营销团队在评估智能体方案时，可以用两个操作性标准来预判兼容性：第一，智能体能否在现有营销平台和工作流中直接运行，减少而非增加系统间的切换环节；第二，智能体在执行任务时，现有的权限规则和治理策略是否自动生效，还是需要单独配置一套并行规则。如果两个答案都是正面的，CIO的审查阻力会大幅降低，因为智能体被定位为现有系统的能力扩展，而非一个新的管理对象。假设示例：一家B2B企业的营销团队使用现有CRM的权限体系来约束智能体的客户数据访问范围，智能体自动继承每位销售人员的数据可见级别，这样既不需要新建权限体系，也避免了数据越权暴露的风险。

06 GSP 分析

价值测量与品牌安全：智能体规模化之前必须回答的两个问题

Adobe文章中CIO的第四和第五个问题分别指向成效衡量与品牌安全。数据方面，只有31%的组织建立了智能体AI的衡量框架，多数团队只能看到登录次数和日常使用量这类采用指标，无法将智能体行为与转化率、活动效果或业务效率挂钩。品牌安全方面，半数受访组织曾经历过智能体通过内部评估后依然在客户侧出问题的情况。

这两个问题的共同点在于，它们都是延迟暴露的问题。智能体上线初期，团队往往沉浸在自动化带来的效率提升中，难以察觉衡量框架的缺失和品牌风险的累积。等到问题浮现时，工作流已经围绕智能体建立，修复成本远高于预防成本。CIO在审查阶段追问这两个问题，实际上是在要求营销团队展示对长期运营责任的认知，而不仅仅是对短期功能演示的兴趣。

营销团队可以从两个方向准备：在价值测量上，要求供应商提供工作流级别的报告能力，能够将智能体的行动与具体业务成果关联，并同时展示该工作流的算力消耗和运行成本，从而计算出单位产出的投入回报；在品牌安全上，要求供应商提供测试证据，说明测试覆盖了哪些人群和场景、发现了哪些偏差、上线前做了哪些修正，以及上线后是否有人工反馈回路持续监控输出质量。能够清晰回答这些问题的方案，在CIO面前的通过率会显著提升。

07 行动建议

营销团队在提交智能体方案前的五项自查步骤

基于上述分析，营销团队可以在与CIO正式沟通之前，先完成五项内部自查。第一步是数据溯源确认：联系候选供应商，要求以书面形式说明智能体的训练数据来源、是否存在版权或授权限制、企业数据是否会被用于模型训练，以及智能体是否能识别并执行企业已有的访问控制规则。如果供应商无法给出明确回答，应将其列为高风险选项。

第二步是控制点设计：在智能体工作流中明确标注哪些环节为全自动执行、哪些环节需要人工审批、哪些环节需要多重审核。为每个高风险行动设定明确的审批人和审批时效，确保在智能体执行前有人可以介入。同时确认系统是否支持对单次交互的完整追溯，而非仅提供汇总报告。

第三步是兼容性验证：与IT团队一起确认智能体能否在现有营销平台中运行，现有权限体系是否自动适用于智能体的所有操作，是否需要额外搭建集成层或权限映射。如果兼容性验证不通过，应先解决集成问题再推进采购，避免上线后被迫返工。

第四步是衡量框架搭建：在智能体上线前就定义好成功指标，包括业务成果指标（如转化率、客户响应时长、活动效率）和运营成本指标（如算力消耗、人工审核工时）。要求供应商提供工作流级别的报告接口，使这些指标可以被持续追踪。

第五步是品牌安全预案：要求供应商提供上线前的偏差测试和安全性测试证据，明确测试范围和发现的问题及修正措施。同时建立上线后的输出质量监控机制，包括人工抽检频率、异常输出的自动告警规则和紧急下线流程。每一步的负责人应明确到具体角色：数据溯源由营销运营负责人牵头，控制点设计由营销与IT联合确认，兼容性验证由IT架构团队负责，衡量框架由营销分析团队搭建，品牌安全由品牌管理团队审核。

08 行动建议

用分阶段实验替代一次性大规模部署的落地路径

智能体的落地节奏本身就是一个关键决策变量。一次性大规模部署会让风险与价值同步放大，且在问题出现时难以定位根因。更稳健的路径是将部署分为三个阶段，每个阶段设定明确的验证目标和退出标准。第一阶段选择低风险、高频率、影响范围可控的场景进行试点，例如内部内容草稿生成或低优先级客户咨询的自动回复。这个阶段的核心目标不是验证智能体能做什么，而是验证治理机制是否生效：数据访问是否合规、权限继承是否准确、人工介入是否顺畅、输出是否可追溯。

第二阶段扩展到中等风险场景，例如个性化邮件推荐或活动受众筛选。此时应重点验证价值衡量框架的灵敏度：智能体的行动能否被关联到具体的转化数据或效率指标，成本核算是否精确到工作流级别。如果衡量框架在第一阶段没有搭建好，第二阶段就无法判断哪些工作流值得扩展、哪些应该调整或停止。每个阶段应设定明确的观察周期和评估节点，通常建议不少于四周，以便收集足够的运行数据来做出有依据的判断。

第三阶段才是面向客户的高风险场景，例如实时个性化定价、自动化客户挽留或跨渠道营销编排。进入这一阶段的前提是前两个阶段的治理机制和衡量框架均通过验证，且品牌安全测试覆盖了足够多的人群和场景。每个阶段的推进决策应由营销负责人和IT负责人联合做出，而非营销团队单方面决定。如果在任何阶段发现治理缺口无法在合理时间内修复，应暂停扩展并回到上一阶段重新验证，而不是带着已知风险继续推进。

09 行动建议

适用条件与调整判断：什么情况下应该暂停或转向

上述框架并非在所有情况下都适用。如果企业的营销数据基础本身薄弱，例如客户数据分散在多个互不连通的系统中、缺乏统一的数据字典和权限管理，那么智能体项目应该暂缓，优先完成数据治理。在数据基础不牢的情况下部署智能体，只会加速错误数据的传播，放大而非解决现有问题。同样，如果企业的IT团队没有足够的精力参与智能体项目的评估和运维，也不建议快速推进，因为智能体的治理需要IT持续投入，而非一次性的审批通过就能一劳永逸。

在推进过程中，有几个明确的信号提示应该调整方向或暂停。第一，如果试点阶段发现智能体的输出质量不稳定，且供应商无法解释原因或提供有效的改进方案，应考虑更换方案而非继续投入。第二，如果价值衡量框架运行一个季度后仍然无法建立智能体行动与业务成果之间的可靠关联，说明该场景可能不适合用智能体解决，应考虑回归传统自动化或人工流程。第三，如果品牌安全监控发现智能体输出的偏差率持续高于可接受阈值，且人工审核无法在不显著降低效率的前提下控制风险，应暂停面向客户的智能体工作流，回到内部测试环境重新校准。

最后需要强调的是，智能体的治理能力不是静态的。随着模型更新、业务场景扩展和监管环境变化，企业需要定期重新评估智能体的数据访问范围、审批节点设置和衡量指标的有效性。建议每季度进行一次治理审查，由营销、IT和法务三方共同参与，确认现有控制措施是否仍然充分，并根据审查结果调整智能体的自主权限范围。这种持续治理的机制，比任何一次性的技术方案都更能决定智能体在营销中的长期价值。