AI营销正从基础内容创作向核心决策层渗透。Relay的40个AI agents案例揭示了营销工作流被系统化拆解的全新范式，而OpenClaw与autoresearch的组合则实现了7x24小时的智能测试与优化循环。本文将深度解析AI如何攻克营销中最棘手的持续测试、动态调整与效果追踪难题，揭示营销自动化进入2.0时代的底层逻辑。

过去一年，AI 做营销最常见的用法，还是写文案、出海报、改标题、做几个短视频脚本。大家也都看腻了。

现在，真正的变化开始了。

AI 开始往营销里最难、最费人、但又最影响结果的地方发起来进攻，那就是：

盯数据、跑测试、做筛选、调结果。

01 先别看 40 个 agent，先看它到底接走了什么活

前段时间，Relay 创始人 Jacob Bank 讲了一个很典型的案例：他把一整套营销工作拆给了 40 个 AI agents 来跑。

表面上看，最吸引眼球的是“40 个 agent”这个数字，但真正值得看的，不是数量，而是这些 agent 接走的到底是什么活。

不是那种听起来很高级、但落不到日常工作的“动脑子工作”，而是一堆原来每天都在发生、很碎、很杂、但又不能没人做的动作。

比如新视频发出去之后，自动改写成 LinkedIn 帖子和 X 的内容；

比如持续盯竞对创始人的社交平台动态；

比如每周扫一遍竞品定价有没有变化等等。

可以看到，这个案例里，不是 AI 开始替代整个营销团队了，而是营销团队里原来揉在一起的一团工作，开始被拆开了。

以前一个市场同学，可能同时要写、要发、要看、要跟、要复盘。

现在，这些动作第一次可以被一条条单独拎出来，交给不同的 agent 去接。

02 AI 接走的，不只是“写”，还有“复盘”和“跟进”

再举一个销售培训或者说销售复盘这个场景。

Jacob Bank 提到，他们会把销售和客户的会议转录交给 AI，让系统去看：

销售在哪里太早开始 demo？哪里问题没问透？哪里价值没讲清楚？

这个动作以前不是不重要，而是太难高频做。

真人销售教练贵，而且频率低；而 AI 的价值就在于，它能把这种原来高成本、低频率的复盘，变成一个可以低成本、反复跑的日常动作。

这背后其实是同一个变化：现在的 AI 不只是把东西做出来，而是继续向前，往更影响结果的地方继续推进：

• 一封邮件发完以后，值不值得再改一句？
• 一场会开完以后，哪些地方其实应该重讲？
• 一个销售动作结束以后，哪些环节该被复盘？

这些原来因为麻烦、不好做而被跳过的事，现在开始有人，不对，开始有系统盯了。

03 更厉害的地方，不是自动执行，而是开始自动测试

如果说 Relay 这一类案例，更多还是把营销动作拆开、自动执行，那现在更值得关注的一步，是 AI 开始把“测试”这件事也接过去了。

这才是这波 AI agent 真正变重的地方。

因为营销里真正难的，往往不是“做一个版本”，而是“连续试很多版本”：

• 推送要不要分人群测？
• 广告素材要不要先小流量试三轮？
• 落地页首屏标题要不要换？
• 投放策略是不是该根据早期反馈继续调？

这些事情，大家都知道重要。问题从来不是“不懂”，而是没时间、没人手、也没有足够低的成本，去把它们持续做下去。

现在 AI agent 在做的，就是这些活。

04 OpenClaw 补上的，是“持续在线”这一层

先看一个 X 上的帖子：

OpenClaw 这条线有意思的地方，不在于它是不是一个专门做 marketing 的工具，而在于它更像一个一直挂着的执行壳。

它可以接入 WhatsApp、Telegram、Slack、Discord、Teams、飞书、微信这些入口。

也就是说，很多原来散落在不同地方的任务、消息、反馈和触发条件，现在第一次可以被接到同一个长期运行的系统里。

这个变化很重要。

因为营销工作本来就不是在一个后台里完成的。

线索在群里，反馈在邮件里，讨论在协作工具里，竞品动态在社交平台上，实验结果又可能在表格和脚本里。

如果 agent 只能“一次打开、一次运行、一次结束”，它就很难接住这些跨入口、跨时段、跨环节的动作。

OpenClaw 的意义，就是让 agent 不再只是一个“你临时调用一下的工具”，而开始像一个常驻系统一样工作。

05 autoresearch 补上的，是“自动测试”这一层

在 OpenClaw 之外，autoresearch 这条线更值得看的，是它把“测试”本身也变成了一条可运行的流程。

之前我有篇分享Karpathy 访谈文章：Karpathy 最新访谈：AI 不是在帮你写代码，它在逼你换一种工作方式

里面 Karpathy 讲 autoresearch 时，说得很直接：

让 AI 自己改代码、跑训练、检查结果、决定保留还是丢弃，再继续下一轮。

openclaw-autoresearch 就是这样的逻辑：改代码，跑 benchmark，看结果，决定继续还是放弃，整套循环会一直自动跑下去。

你把这套逻辑翻译成 marketing 语言，就特别好懂了：

• 不是帮你写一版文案，而是写完以后继续看数据；
• 不是给你做一张图，而是先拿去小流量测试；
• 不是只做一次投放，而是根据反馈决定要继续放大、换素材，还是干脆换方向。

这就是它真正厉害的地方：

不是帮你干一件事，而是替你跑一轮又一轮的测试和试错，然后给出“最优解”。

06 这波 AI 真正改写的，是营销的优化方式

所以，这篇文章真正要写的，不是“AI 很能干”，也不是“40 个 agent 很震撼”。

是营销这件事，开始多出了一层。

以前很多优化动作，不是没人想到，而是做不过来：

• 一个落地页，理论上应该不断测标题、测首图、测按钮；
• 一组广告，理论上应该先小流量测试，再筛选放大；
• 一次推送，理论上应该拆人群、拆时段、拆内容。

但现实里，大多数团队能做一轮就不错了，更多时候只能凭经验拍一个版本上线。

现在，AI agent 做的就是这些原来最难长期坚持、但又最影响结果的动作。

所以：

Relay 这类案例，让人看到营销这个工作本身可以怎么用 agent 拆和执行；

OpenClaw + autoresearch，则把这件事再往前推了一步：持续执行、持续测试、持续筛选、持续调优。

说到底，marketing 这件事，正在从人工执行慢慢变成一套24小时再跑的系统。