要点概述：
• 旧规则失效。传统的基于规则的系统缺乏学习或适应能力，限制了实时营销中的决策制定。
• 分析技术陷入瓶颈。预测模型能提供洞见，但未能实现自动化或与工作流程集成。
• 智能体崭露头角。自主式AI在营销技术栈中支持以目标为导向、适应性的决策，是对过往技术的进一步发展。
自主式AI突然在营销技术领域崭露头角，让一些人想知道如何快速掌握这项技术及其应用。在下文中，我将深入探讨自主式AI的历史、我们如何发展到今天的水平、企业在评估将自主式AI集成到其营销技术生态系统时的注意事项，以及他们可以考虑实施的快速见效的用例。
首先，让我们看看自主式AI的历史。尽管自主式AI似乎是在GenAI掀起波澜之后才突然出现的，但实际上它有前身技术。在我看来，自主式AI是过去20多年来数据、决策和自动化技术发展的产物。
基于规则的系统主导营销技术领域之时
静态企业决策(即基于规则的决策)很早就出现了，它采用的都是硬编码逻辑，用于自动化电子邮件发送、培育决策路径或评分潜在客户，这种系统没有学习能力，也没有逻辑推理能力。在动态的营销、服务和支持环境中，创建的规则需要频繁调整。
预测止步于洞见之时
机器学习和预测分析虽然最早在20世纪50年代就已出现，但在2010年代才最为流行。当时，可以预测客户流失率、对潜在客户进行评分，并围绕购买或响应做出其他预测。模型输出分数被提供给人工或商业智能(BI)仪表板，并未嵌入到任何类型的工作流程中，这些技术能提供洞见，但尚未实现决策或行动自动化。
机器人任务处理人员的兴起
RPA是21世纪初软件智能体的首次尝试，供应商提供低级别的“机器人”或基于规则的流程，旨在完成主要是低级别的后台运营任务，这些任务负责完成财务、服务和支持工作，并不关注前端客户体验。
聊天机器人如何将智能体推向一线
2010年代后期，通过聊天机器人实现的对话式AI让智能体从后台走向前台，进入客户体验领域。供应商创建了预定义的对话流程和狭义的自然语言处理(NLP)技术，用于客户服务和潜在客户资格认证，这些对话系统往往是孤立的，外部对话或对话集成有限。
通过脚本编排客户旅程
在过去15年中，编排引擎一直支持客户旅程的编排和优化，这些解决方案帮助品牌根据细分市场、触发因素和渠道规则设计客户旅程。最初，这些引擎依赖于标准逻辑和成功标准，它们缺乏实时适应能力，也无法大规模实现个性化。
自主式AI兴起的必然性
虽然许多最近的解决方案，特别是对话式AI工具和编排引擎，已经开始融入自主式AI，但很明显，自主式AI和决策是这一相对线性流程的自然发展。
自主式AI是自动化、智能、决策和自主性的自然发展，它取代了静态企业决策的硬编码规则、纯预测分析和机器学习的被动分析，以及机器人流程自动化的僵化工作流程，取而代之的是能够在营销技术栈中推理、行动和学习的目标导向型智能体。
能够做出适应性决策并随时间学习的智能体有望改变营销技术领域的游戏规则，它们能够在有限的人工干预下，提供上下文感知的智能行动。未来，能够基于实时数据和反馈共同创建并持续优化客户旅程的智能体将成为主流。
