你问 AI：”这个 campaign 的最大风险是什么？”
它沉默了两秒，然后给你列了三个风险点，每个后面都附了一个”但可通过优化规避”。
你又追问：”所以你觉得胜算多大？”
“基于类似策略的行业数据，成功率约在 70% 以上。”
你关掉对话框，心情不错。AI 都说没问题了。
但等一下——这个”类似策略的行业数据”里，有多少个是失败的案例？
答案是：几乎没有。
这不是 AI 的错。这是 AI 吃的食物的错。
你的 AI 从没吃过一顿”失败餐”
AI 大模型的知识来自互联网上的公开文本。你猜，互联网上关于”成功”和”失败”的文本比例是多少？
粗略估算：成功案例 : 失败复盘 ≈ 100 : 1。
为什么？因为成功者写回忆录，失败者不写。苹果的营销复盘文章有 10 万篇，而 2023 年倒闭的 AI 营销初创公司，公开写下”我们是怎么死的”的，一只手数得过来。
这不是互联网的 bug，是人性的天性——我们讲自己的失败故事时，大脑的默认回路是”算了，别想了”。
但 AI 不知道这个。它以为它看到的就是世界本来的样子。
幸存者偏误的 AI 版
统计学里有个经典概念叫幸存者偏误（Survivorship Bias）：你只看到了活下来的那些，然后推测”这样做就能活”。
二战时，统计学家 Abraham Wald 分析了返航飞机上的弹孔分布，发现机翼上的弹孔最多。军方说：”机翼中弹最多，加强机翼。”Wald 说：”不对。引擎中弹的飞机都没飞回来。你看到的弹孔分布，恰好说明机翼不重要。”
这就是幸存者偏误的经典解毒剂：数一数没回来的那些。
AI 在做营销决策建议时，它的”弹孔分布”来自成功的案例库。它告诉你”这个策略看起来不错，因为成功的品牌都这么做”——但它不知道有多少个用了同样策略的品牌已经消失了。
在营销领域，这个偏误尤其致命：
- 你问 AI “怎样的广告文案转化率高”，它列出了十条爆款文案的特征。但你不知道有 500 条用了同样特征的文案悄无声息地死了。
- 你问 AI “抖音起号的最佳策略是什么”，它告诉你”日更+热门话题+黄金 3 秒”。但你没看到那 99% 同样这样做却没起来的账号。
- 你问 AI “这个定价策略有什么风险”，它分析了亚马逊、苹果、Netflix 的定价案例。但它不知道 2016 年那个也用”订阅制”的 SaaS 公司，6 个月后死是因为同一套定价模型。
AI 不是在分析，AI 在背诵幸存者的故事。
三个具体症状：营销 AI 的盲区
症状一：过度乐观的成功率预测
如果你让 GPT 评估一个营销方案的成功概率，它给出的数字普遍偏高。这不是因为它蠢，而是因为它没读过”失败数据集”。
一个实验：给 AI 输入 100 个真实的营销 campaign——50 个成功、50 个失败——然后让它总结失败的模式。结果？99% 的 AI 会系统性低估失败概率，因为失败案例中的”做法”和成功案例中的”做法”高度重叠——同样的渠道、同样的文案结构、同样的目标人群。
真正区分生死的变量，通常是领域知识、执行细节和时机——这些在公开文本里几乎不被记录。
症状二：对”做”的建议远多于”不做”
随便问任何一个 AI：”如何进入东南亚电商市场？”
你会得到 2000 字的具体建议：选平台、测品类、建供应链、做本土化。
但如果你问：”什么情况下不应该进入东南亚电商市场？”
AI 的回答会短得多，而且大多是常识性的（”如果你没有资金储备”）。它很少能说出：”当某类商品的头部卖家已经完成供应链垂直整合时，新进入者的获客成本会是预期的 3 倍，且 90% 在 6 个月内退出。”
因为这些数据没有被写过。
症状三：对”普通操作”的误判
AI 可以告诉你什么是好的（成功案例的特征），也可以告诉你什么是差的（明显错误），但它分不清什么是”平庸的”——那些做了但没死、也没做起来、默默存在的灰色地带。
营销的真相是：大部分 campaign 既不是成功也不是失败，它们是”无声”的。它们产生了数据，但没有故事。而 AI 的知识库里，没有”无声”这个类别。
我们能不能给 AI 喂”失败餐”？
Eric 在灵感笔记里写过一个想法，我读到的时候觉得后背一凉：
“给 AI 喂失败商业案例，提高它的判断阈值。不是让 AI 更乐观，而是让 AI 对风险信号更敏感。”
这个想法比我当时以为的要深得多。
它本质上是在问：能不能做一个”失败案例智库”？
不是简单地收集一堆倒闭 news，而是把每一个失败的商业故事结构化拆解——死亡时间线、致命决策节点、可避免 vs 不可避免的因素——然后让 AI 从这些案例中提取”死亡基因图谱”。
想象一下，当你下次问 AI 一个营销方案的风险时，它不再只引用苹果和耐克，而是说：
“这个策略在 2019 年的 3 个类似案例中尝试过，其中 2 个在 4 个月内因 XX 原因退出。关键风险信号是你的客户获取成本是否低于 XX。建议你先测 XX 指标，如果低于阈值，立即止损。”
这才是一个真正有价值的风险评估。
从”模仿成功”到”避免死亡”
营销行业有一个心照不宣的事实：大多数营销活动没有效果。
不，应该更准确地说：绝大多数营销投入，产生的 ROI 低于 1。
但行业里没人愿意大声承认这一点，因为承认意味着你的决策有问题、你花的预算有问题、你的职位存在问题。
所以行业里的叙事永远是：”我们做了 A/B testing，转化率提升了 20%。”而不是：”我们投了 50 万，没有产生一个合格的线索。”
AI 继承了这种叙事——因为它读到的文本就是这么写的。
这不仅是 AI 的问题，也是人的问题。 我们偏爱成功的叙事，因为失败让人不舒服。但如果你的决策工具——无论是人还是 AI——没有充分了解失败的模式，它的”决策建议”在数学上就是有偏的。
这个问题的解药不是技术，而是一种写作行为：把失败写下来。
每一次沉默的 campaign 失败，每一次产品没有 PMF 的退出，每一次定价策略的市场拒绝——如果你不写，AI 不会知道。AI 不知道，就会继续告诉下一个问它的人：”这个方案，成功率 70%。”
而那个听信了 AI 的人，可能会成为 30% 的一部分。
但这 30% 不会写回忆录。
所以 AI 仍然不知道。
本文灵感来自 Eric 在 2026 年 6 月初的一条笔记：”用失败商业案例训练 AI，提高判断阈值——让 AI 学会说「这个想法可能会死」。”
封面：Editorial Midnight Ink + WebGL 墨流
