本文来自微信公众号“宋星的数字观”，作者：宋星，经授权发布。
AI来了，传统的CDP实际上已经即将迎来脑死亡。
为什么我要下这样的一个判断，因为现在还在跑的CDP，几乎没有适应于已经到来的AI变革的。
我们正在用的CDP，对于AI而言，存在结构性缺陷。它们的核心逻辑是：采集、存储、清洗、组织以及应用。这个逻辑包含大量的人工参与：
我们需要手动部署代码（埋点）从而才能完整采集数据；我们需要把采集来的数据存储在CDP认可的数据库内（常常就是CDP提供的专门数据库）；我们还需要手动清洗这些数据，把它们转化为“标签”，以让它们可被准确高效地检索；我们还需要手动制定规则，从而能够真正筛选数据，并进一步应用它们。
这显然非常不智能。
AI来了之后，这一整套逻辑都完蛋了。
AI对于数据的看法不会是标签，它不需要用标签作为帮助理解的中转。人才需要这些分门别类的东西用来帮助快速辨识概念，AI不需要，AI能够直接从原始数据中理解人的画像。
这就是我常常说的“向量化”（Embeddings）。
所以，AI CDP采集的数据，分为三个层次的上下文结构。
最底层：事件级上下文（event context）：客户做的每一个行为、每一个交互；客户所在的每一个页面、每一个内容、每一个屏幕；客户的每一个基础属性，例如地域、性别、年龄等。
中间层：会话级上下文（session context）：在每一次的访问过程中，客户的行为模式是什么？他是在比价、在研究，还是已经进入购买决策阶段？
最上层：客户全局视图（visitor profile）：对客户的全面认知，他是什么样的人，生命周期价值如何，最近的交互习惯和购买习惯如何，历史的购物倾向又是什么样的。
这些数据，不是像过去那样，变成标签，而是会全部向量化处理，变成直接喂给AI的东西！
基于这三层数据，AI会进一步进行推理，从而为认知每一个客户。
对于客户的认知，也不再是用标签或者人群画像表现出来，而是在你跟AI互动的时候，它直接帮你找出来。
比如，你直接用自然语言对话，就像你问豆包一样，问你的CDP，帮我找出所有可能对我们的新产品感兴趣的客户。
AI就会基于它对于所有CDP内的客户的认知，找出所有它觉得可能合适的人。这些人没有标签，但是AI可以帮我们总结这些人的共性特征，并且同样用自然语言给我们描述出来。
从工程实现上看，数据的采集、AI的学习、AI对于客户的理解与记忆，这三个过程都是不需要人干预的，也就是说，也都是AI自主完成的。
而传统的CDP，压根就做不了这些事情！
从上面的那个逻辑，你就可以知道，今天大部分的所谓“AI化的CDP”或者“AI增强型的CDP”，压根不过是披了一层AI的皮而已。
他们的做法，是把AI能力作为附加的模块，在原有的AI架构上，增加一个AI层，从而让这个CDP变得好像有了智能。
比如，它也是可以让你用自然语言对话去进行人群选择的。
但是，当你跟这种CDP说：“我要你选出来对我们的新产品感兴趣的人”的时候。CDP里面的AI可能会把这句话的需求，转变为一个基于标签的组合（规则）：“近三个月没有购买产品 + 之前购买过高端产品”的客户。
它不过是帮人做了一遍从“自然语言 --> 标签组合（规则搭建）”的翻译工作，但它并不是真的理解客户到底是什么样的人。
这种“换皮AI”的CDP，肯定不会有好的使用体验。
AI CDP必须是原生的AI架构。也就是说，AI模型需要直接运行底层数据和全部的数据。
这意味着：
零数据复制：AI推理发生在数据的原始存储位置，不需要额外的为AI的推理转移数据。
全量数据可见：AI可以访问数据仓库中的所有数据——客户数据（客户行为以及行为上下文以及客户的属性等）、产品数据、客服数据、物流数据，甚至天气数据——所有这些数据都被向量化，并且都能被AI实时访问。
自适应性：AI模型在实时数据流上持续更新，而不是基于延时的数据快照做决策。
AI也需要自主决定受众群体的生成，不再依赖任何标签，也不需要我们提前为它做好一个规则性的框架。它在推理的基础上完成选人的决策，而不是在规则的基础上完成。它可以生成无数个自适应的微型客户群体，每个客户都可以在几乎独立的个性化体验轨道上被服务。
传统CDP的核心价值主张之一，是将分散在多个系统中的客户标识符（Cookie、手机号、邮箱、OpenID、UnionID、账户ID、设备ID等）统一为一个OneID。
然后把各种行为和属性信息，变成标签，附着在这些ID上。
这种方式不适用于今天的AI CDP。因为它是批量生成的，ID的打通通常以天为单位运行，意味着一个用户今天在手机上浏览，明天在电脑上购买，这两个行为可能在24小时后才被关联到同一个画像。
但这对AI CDP而言是不可接受的。
AI CDP不是批量构建客户的静态快照，而是随着每一个新的客户行为的发生，产生新的信号，并持续融合进原有的数据中，从而形成对于用户的新的认知。这个过程是动态的、持续的、实时的。
传统意义上的客户画像，实际上消亡了，取而代之的，是AI对用户实时意图的判断，这个判断当然结合了客户的历史数据和最近的行为信号数据。这些数据被向量化，AI于是读懂其中的语义级的含义，然后对每一个客户产生了理解。
传统的客户画像，是静态的，但在AI CDP这里，没有静态的东西，一切都是在流动的，是对客户当下意图的理解和判断，但确实不是简单的画像。
因此，传统的CDP的数据存储方式肯定不再适合了。AI CDP的数据存储要跟CDW（客户数据仓库）深度绑定，而不能仅仅是在CDW之外再架设数据存储。用户的整个历史上的深度数据，来自CDW，而他们随时可能产生的行为信号，则由CDP实时获取，两者在同一个数据体系中融合共存。
就凭这一点，我其实想说，今天市面上的大部分CDP，都标榜自己是AI驱动的CDP。但它们其实不是，因为它们压根就是自说自话，完全不会去跟CDW绑定，甚至有的企业连CDW都没有。
只不过是过去的老CDP贴了一个AI的外皮罢了。
传统身份解析依赖确定性匹配（相同手机号码 = 同一用户），在AI环境下，引入概率模型，能够识别“相同设备指纹+相似浏览习惯+相似地理位置+相似IP地址”这类非确定性但高度可信的身份关联。
当然，有一个事情没有发生变化，如果要让客户数据发挥价值，广告主需要竭尽所能地把客户引入到自己的数字世界中来，你可以说这个世界是“私域”，或者其他什么名字。广告主需要按照我一直介绍的“诱饵、触点、规则”模型，把客户引入到你的数字世界中，并且让他们发生真实的交互。
AI CDP要成为所有AI Agent共享的“客户上下文枢纽”。
也就是说，AI CDP是所有数字营销Agent的共享的客户数据基础。无论哪个AI Agent与客户交互，它都能从CDP获取关于这个客户的最新完整意图信息，确保跨部门决策的一致性。
同样，AI Agent与客户的每一次交互都被记录回CDP，成为客户画像的一部分，供未来AI决策参考所用。
这是AI CDP和传统CDP最大的不同的地方。
AI CDP是其他各种AI Agents的数据中枢。
从这个角度上讲，AI CDP也必须是原生AI的，绝对不能是嫁接或者换皮的！
所以，目前广告主所用的几乎所有现存CDP可能都需要更换，虽然并不紧迫，但是如果大量业务都agent化，那么CDP也必须AI化。
这可能又是一个蕴含着上百亿（甚至数百亿）人民币的新机会。
