据TechRadar报道，麦肯锡2025年全球调查显示，88%的受访者表示其组织已在至少一个业务职能中常规使用AI工具，高于上一年的78%；但只有7%表示AI已在组织内全面扩展，另有30%仍停留在试点阶段。

Adverity联合创始人兼CEO在TechRadar撰文称，对营销团队而言，AI试点遇到现有数据栈的复杂性时，这一差距更加明显。试点可在任务明确、数据经过挑选的条件下展示模型能力，但移入真实企业环境通常难得多。问题常不在模型本身，而在模型之下：营销数据分散在平台、数据仓库和内部系统中，不同结构和定义使AI难以判断数字的含义。

文章称，试点范围较窄、数据易控制、问题直接，因此往往显得有说服力。生产环境则不同。跨企业营销栈工作的AI系统可能遇到同一指标的多个版本，字段名称和计算规则各异。若缺乏受治理的理解，模型可能像黑箱一样自行假设。例如成本在一个平台用一个字段名存储，另一个平台用完全不同的名称。对理解数据的人区别明显，但对没有知识层的AI，第一个看似合理的匹配就可能被当成正确答案。AI能从错误假设中给出自信答案，使企业获得看似有用的洞察，直至进入业务决策。

文章认为，改善数据质量只是挑战的一部分，AI还需理解数据含义。营销团队要为重要概念建立规范定义，并映射到不同平台，同时记录绩效衡量规则，使AI与解释其输出的人基于同一框架。知识层可位于数据仓库与AI之间，编码指标解释方式、跨平台字段对应关系和必要业务规则，并建在现有数据仓库之上，组织无需昂贵替换基础设施。这给AI一个明确定义起点，而非选择首先遇到的指标版本。

但静态定义不够。营销绩效随业务变化，AI还需特定调查周围的上下文。例如活动绩效看似恶化，原因可能是预算变化；结果突然变动也可能与促销或市场测试同时发生。没有这些信息，AI可准确识别变化，却对原因得出错误结论。文章称，可区分持久营销知识与每次调查解析的上下文，这需要营销与数据团队协作：营销负责人理解活动目标和绩效解释，数据负责人理解管理信息的系统、结构和控制。定义可在嵌入自动化工作流前达成一致，治理要求留在分析过程中，而非输出生成后才引入。

文章最后指出，企业AI采用的下一阶段取决于这些基础能否投入运行。麦肯锡研究显示，大多数组织仍处于试验与扩展之间，生产需要的是信心，而不是又一个试点。