131: 微软怎么用AI？与微软商用市场、广告业务管理层聊AI驱动的增长

摘要

• 微软给出了一组最接近“AI 是否转化为收入”的内部样本：MCAPS 6.5 万名员工部署 Microsoft 365 Copilot 后，人均商机创建增长 10%、结单速度提升 23%、每位销售带来的营收提升 9%。 段威之强调，节省工时不是终点，“归根结底，实质性的业务成果才是关键”；Copilot for Sales 把 CRM、邮件、会议和内部产品资料等信息汇总起来，但“它不做决策，它会给你很好的建议”。

• 广告侧的增量已经落到可量化指标：三星采用微软 AI Ads 方案后，微软广告位上的点击率提升 2.8 倍，账户分析和报告时间节省 35%。 Performance Max 将 Bing 搜索、MSN 展示及逐步打通的 Outlook、King、动视暴雪等 inventory 交给 AI 智能投放，客户主要提供素材和 KPI；Creative Studio 与 Copilot 再覆盖素材制作、效果复盘和优化建议。

• 微软在企业 AI 上押注的并非单一模型，而是“模型中立”的平台、完整工具链和既有企业分发。 段威之称 Azure AI Foundry 已汇集 1.1 万多个大小模型，包括 OpenAI、Mistral、Llama 3.5、DeepSeek 和 xAI Grok 3 的模型，并用 Prompt Flow、Fine-tuning、Evaluation 支持选择和部署；上层以“Copilot is UI for AI”服务业务人员，中层以 Copilot Studio 服务低代码用户，底层再交给 IT 和开发者。

• 真正的企业壁垒不是生成一段漂亮文字，而是让模型安全调用独有数据。 黄秀兰表示，如果 Microsoft 365 Copilot 不能调用 Microsoft Graph 上的常用数据，回答可能“看上去很光鲜亮丽，其实没什么用”；标签、分类、权限和 data governance 若没做好，员工甚至可能问出老板薪资，因此 AI 落地也在倒逼 Modern Work 上云和端到端的数据治理。

• Teams Interpreter 展示了微软把模型能力变成工作流产品的路径：会议开始前约 5—10 秒识别发言者音色后，系统即可用发言者自己的音色实时输出另一种语言。 黄秀兰见到中国团队用中文复盘业务、外国管理层无障碍听取并插问；段威之参加的好丽友会议则让中文、英文、韩文同时协作。“这不是我的声音吗？怎么在讲英文？”目前段威之说明 Teams Premium 用户可以使用该功能。

• 下一阶段的组织瓶颈不是有没有 AI license，而是员工能否形成新的“肌肉记忆”。 微软用内部训练营、Viva Engage 社区、Garage hackathon、产品尖兵和分 workload 的 MAU、DAU 推动采用；段威之反对“大跃进一样”的刷数据，却承认建立新习惯需要压力和规定动作。中国广告团队由技术服务同事自学搭出客服 Bingo，黄秀兰也借 AI 写代码并上线了 24 点 App，显示 Agent 正把执行能力下放给非技术人员。

• 微软管理层对 GPT-5 的讨论仍是发布前的期待，确定性更高的判断则是行业正从问答走向 Agentic Era。 段威之用“从海豚到鲸鱼”形容预期中的多模态、结构化输出和推理跃升，但明确说自己不会提前使用；她更关注多个 Agent、多个模型协同完成复杂任务。对投资者而言，这也解释了节目引用的财报数字：微软 AI 业务年化收入已超过 130 亿美元、同比增长 175%，商业化依靠的是模型、云、Copilot、数据权限和组织采用共同闭环。

精读

1. 微软把 AI 放在销售服务和广告两条营收前线检验

• 段威之（Kinki）负责大中华区大陆、香港、台湾的新兴市场及中小企业客户，覆盖微软全部 to B 产品线；Teams、Copilot 等产品在这一客群的销售与服务都由其团队承担。

• 黄秀兰（Landy）负责微软中国广告业务，包括本土广告与中国企业出海。她称团队规模不大，但国内加出海业务规模已是亚太区第一，过去三年保持全球第一的增速，“人效比其实非常高”。

• 程曼祺选择这两条线，是因为销售、客户服务和广告正是 AI to B 的核心场景：讨论不止是员工如何提效，更要看 AI 能否带来商机、转化和收入。

2. M365 Copilot 的价值首先来自“不用跨平台”

• 段威之最常用的是基于 GPT-4o 的 M365 Copilot，它已嵌入 Word、Outlook、PowerPoint、Teams。她看重的不是单点生成，而是“在同一个工作平台上”调用邮件、会议和文档上下文。

• 休假一周回来，她过去会预留大半天逐封清理邮件；现在只需询问上周最重要的事项，Copilot 就会以表格列出重要事件、action item、截止日期和相关人员，直接把收件箱变成任务清单。

• 她本科专业之一是日语，在美资企业写英文邮件仍会感到吃力；现在先自己写，再让 Copilot 优化语言，得到的是效率之外的收益——邮件“更 professional”，发送时也更自信。

• 黄秀兰的习惯也发生了反转：信息缺失时，以前先让助理或团队成员查找，现在先问 Copilot。“与其问身边的 team member，不如先用 Copilot 自己搜索一下”，团队反而少了低价值的信息搬运。

3. 产品变得“离不开”不是一个发布日，而是持续迭代的结果

• 段威之感受到 GPT-4o 带来一次明显跃升，但她拒绝给出单一拐点：“它是不停地迭代的。”真正的变化，是某天突然发现它已融入工作，之后很难回到原来的流程。

• M365 Copilot 初上线时，简体中文虽是最早支持的 local language 之一，质量却远逊英文；首批客户反馈并不好。当时更能成立的卖点是企业安全、合规及对 Microsoft Graph、SharePoint、Outlook 数据的调用。

• 此后简体中文先改善，日语和繁体中文也有大幅提升。段威之的判断不是“功能突然炸裂”，而是语言质量和可用性逐步跨过日常采用门槛。

4. Teams Interpreter 已把多语言会议变成同一场对话

• 一次复杂业务复盘中，中国团队全程讲中文，外国合作伙伴管理层在线上听取、穿插提问，几乎没有语言障碍。黄秀兰打开 Teams Interpreter 后，听见同事用自己的声音实时讲英文，会后同事也惊讶：“这不是我的声音吗？怎么在讲英文？”

• 段威之在好丽友的客户交流中连接亚洲 Global Black Belt 技术专家，中国团队讲中文，会议同时有英文、中文和韩文，各自选择输入输出语言即可完成会议，“没有太多的沟通障碍”。

• 两人的体验是，系统在会议开始前可能需要约 5—10 秒辨别音色，随后不仅翻译内容，也保留本人的语音语调。

• 关于商业化，段威之没有给出简单的全量开放答案，只说明报价体系较复杂，目前 Teams Premium 用户可以使用。

5. 广告 AI 已覆盖账户、素材、投放与复盘全链路

• 黄秀兰把微软的广告 AI 拆成四段：广告账户创建管理、Creative Studio 素材制作、Performance Max 智能投放，以及投放后的数据分析与优化建议。“最直观的提升就两个方面，一个是提升效率，一个是提升广告投放的效果。”

• 微软广告流量不仅有 Bing 搜索和 MSN 展示网络，也在逐步打通 Outlook、King、动视暴雪等生态 inventory。客户不必先规划渠道和时间，而是提供素材、目标及考核 KPI，再让 Performance Max 智能安排投放。

• 对“智能投放是否包含素材生成”的追问，黄秀兰给出的边界很清楚：素材可由嵌入广告平台的 Creative Studio 辅助生成，Performance Max 负责投放，剩下由 AI 处理；跑一段时间后，再由 Copilot 分析效果并提出优化方案。

• 因而 AI 并非只替代某个制作环节，而是在生成、分发、测量和迭代之间形成闭环，客户主要需要提供素材和目标。

6. 三星案例把广告增益钉在 2.8 倍与 35%

• 黄秀兰称，三星采用微软 AI Ads 方案后，微软平台广告的点击率提升 2.8 倍，花在账户分析报告上的时间减少 35%；她同时保留了边界：“每个客户可能情况不一样，数据表现也不一定相同。”

• 程曼祺追问点击率是否混入社交媒体等传播，黄秀兰明确否认：该数字针对微软侧投放，主要覆盖 Bing 搜索广告和 MSN 展示广告，而不是三星所有营销活动的合并口径。

7. 6.5 万名员工的部署样本已经显现销售结果

• 段威之引用微软在 AI Tour 公开过的数据：MCAPS 约 6.5 万名客户服务、市场、销售及合作伙伴员工都获得了 M365 Copilot license，并由内部持续推动 adoption。

• 部署后的业务指标是，人均商机创建增长 10%，商机结单速度提升 23%，每位销售带来的营收提升 9%。她认为必须把这些数据合在一起看，不能只用“节省了多少时间”代替业务成果。

• Copilot for Sales 会汇集客户画像、business strategy、CRM、Teams 会议、邮件往来和内部产品资料，为会前 agenda 提示重点；会后自动生成纪要和 action，让销售在相同时间里完成更多、更高质量的规定动作。

• 对仍处于 open 状态的 deal，内部 Agent 还能依据 deal size、产品和商机阶段，推荐可 leverage 的微软项目与资源。段威之说，内部 program 繁杂，销售过去常在“去哪里找 resource”上浪费时间。

8. Copilot 给建议但不替企业做决策

• 程曼祺把机制概括为“旧知识库被调出，新会议和文档再沉淀成新知识库”；段威之随即做了修正：系统先理解数据、处理当前问题，再回到原有数据生成答案或建议，不能简单等同于自动累积知识。

• 她反复强调边界：“它不做决策，但它会给你很好的建议。”最后仍需人根据建议准备内容，再把内容整理到 ready to send 的质量后发给客户或合作伙伴。

• 这也解释了结单速度的改善路径：不是 Agent 自动成交，而是减少客户研究、会议准备、纪要整理和内部资源匹配上的摩擦，把销售时间重新投向客户判断与推进。

9. 企业 AI 的前置条件是数据沉淀、权限与治理

• 黄秀兰认为，客户用得好不好，除培训和 adoption 外，关键分水岭是数据。若模型不能 leverage Microsoft Graph 和个人常用数据，答案容易只是“看上去很光鲜亮丽，其实没什么用”。

• 企业内部数据与互联网上能够找到的客户信息结合后，相关性和准确性才会提高；但前提是分类、标签、权限和 data governance 已经完成。数据不是越多越好，而是必须让模型知道谁可以看到什么。

• 她用一个极端例子说明风险：治理没做好，普通员工通过 Copilot 一问，就可能调出老板薪资。Microsoft 365 Copilot 基于 Microsoft Entra ID 的安全权限设置，目标是让企业在既有权限框架下使用 AI。

• 对过去未使用微软 to B 套件、数据基础较弱的客户，黄秀兰说微软提供端到端改造；AI 需求也会“倒逼客户把很多应用迁移上云”，Modern Work 上云后，Copilot 体验通常更完整。

10. 微软选择“模型中立”，而不是把胜负押在一个模型上

• 黄秀兰从 Google 工作 13 年后，在 AI 周期“用脚投票”加入微软。她看重的是两点同时存在：敢于对 OpenAI 做天价投入，又要求技术尽快变成生产力和商业化，“没有一个项目是不需要考虑商业模式或者闭环的”。

• 面对客户“微软为什么没有自己的大模型”的质疑，段威之的回答是，微软已经超越只聚焦单一模型的阶段，目标是打造“自由开放、共同生长”的 Azure AI Foundry。

• 她称平台已有 1.1 万多个大小模型，既包括 OpenAI 的模型，也包括 Mistral、Meta Llama 3.5、DeepSeek 和 xAI Grok 3；客户可使用一个模型，也可组合多个模型。

• Prompt Flow、Fine-tuning、Evaluation 等工具负责模型筛选、优化和部署。段威之把策略压缩成一句话：“对于模型是模型中立，然后提供的是完备的一些工具链”，选择权最终交给客户。

11. Full Stack 让不同技术门槛的人各有入口

• 段威之称“Copilot is UI for AI”：业务人员在 Word、Excel、PowerPoint 等熟悉界面中点击即可使用；Copilot Studio 则面向不懂编程的人，以低代码、无代码方式构建小程序、流程和智能体。

• 更复杂的 Agent 平台交给 IT 与开发者，通过 Azure AI Foundry、GitHub Copilot 等获得更大灵活度。她将这种分层称为 AI full stack，目的在于避免 AI 因使用门槛停留在概念层。

• 安全被单独放在底座：“security as foundation。”Microsoft Purview 等工具承担数据治理，Responsible AI 标准则覆盖审计、数据解释和内容过滤，目标是让企业“用 AI 且不出问题”。

• 节目引用微软 2025 财年第二季度财报称，AI 业务年化收入已超过 130 亿美元、同比增长 175%。段威之把产品线归为 ABS（AI Business Solutions）、CAIP（Cloud & AI Platform）和独立的 Security 三个 pillar。

12. GPT-5 仍是发布前期待，Agentic Era 才是更确定的方向

• 本期录制于 GPT-5 发布前夕。段威之说自己不会提前使用，因此她谈的是预期而非亲测：多模态、结构化输出和推理能力可能出现跨越式提升，朋友圈的比喻是此前从小鱼小虾到海豚，GPT-5 则是鲸鱼。

• 她认为更值得关注的是 Agentic Era，因为讨论重心已不应停留在 Llama、DeepSeek 或任何单个 Large Language Model，而是多个 Agent、多个模型如何串联处理复杂任务。

• 她把交互演进分为三步：先是 chatbot 问答，再是收到 instruction 后 take action，第三阶段则是 interactive——多个 Agent 协同，在人与机器之间完成更长、更复杂的工作链。

13. 非技术人员已经能用 Agent 把想法部署成产品

• 黄秀兰是文科背景、没有代码经验，但为了理解 AI，尝试让工具生成代码并直接部署。她和丈夫喜欢玩 24 点，于是做出名为 My Play 的小游戏；过程中遇到了一些小问题，最终上架苹果应用商店。

• 这个案例最打动她的不是 App 本身，而是开发方式从代码语法变成自然语言：“一个文科背景、不会写代码的人，也能开发出一个 App。”在她看来，Agent 的关键是能替用户执行任务，而不只是回答问题。

• 程曼祺由此提出，coding 正变成一种创作；片尾进一步概括：“coding 之于 agent 就好比人的手脚”，它让 Agent 获得进入网络数字空间并实际行动的能力。

14. 微软用培训、社区和本地创新扩散 AI 能力

• 微软内部的 AI 训练营由各领域专家开课，Teams 让培训摆脱物理人数限制，Interpreter 又降低了跨语言参与门槛。黄秀兰说，团队成员会在饭桌上主动交流最近参加的课程，并非都靠强制报名。

• “Growth mindset”既要求自我成长，也鼓励帮助别人成长；员工会在半年 top priority 和 review 中记录培训与分享。Viva Engage 的 M365 Copilot community 里，有中国员工展示用自然语言构建贪吃蛇的过程。

• Garage 组织 hands-on workshop 和 hackathon，让不同部门员工尝试 AI 创新并互相 PK。段威之认为，这种持续、活跃的社区比一次性培训更能形成采用氛围。

• 黄秀兰团队的技术服务同事自学搭出 AI 客服 Bingo，以公开广告文档和日常整理资料为 knowledge base，回答高频问题，效率提升且受到欢迎；团队随后向 global 演示，希望将本地产物扩展为全球工具。

15. 采用 KPI 有刷量风险，却仍是建立新肌肉的必要压力

• 段威之会为 Copilot、Copilot for Sales 指定“尖兵”作为 role model，也会监控 MAU、DAU，并 drill down 到 Teams、Outlook、PowerPoint 等 workload，以理解不同岗位在哪些场景使用 AI。

• 她明确反对为了 KPI 每天机械点击：“像大跃进一样，全民每个人都要用。”但她也承认，若要迫使团队“build new muscle”，早期往往需要压力和规定动作，习惯可能要经过 21 天或更长时间才形成。

• 对销售而言，规定动作包括用 Copilot 优化邮件、先生成 PPT 初稿、会前回顾历史记录并准备 proposal。更现实的一层压力是：客户服务部门必须“先自己用好，才能传道授业、解答客户问题”。

16. 日常旅行与教育展示了 AI 从答案走向个性化陪伴

• 黄秀兰最常用的生活场景是旅行：输入带两个孩子去大阪七天及特殊需求，让 AI 反复优化到可打印执行的日程；在岘港参观法国殖民时期建筑时，AI 又能随走随问、用语音讲解历史。

• 辅导作业也从逐题检查变成拍照批改。段威之则更认可“苏格拉底式推理”的 AI 学习工具：不是拍题后直接给答案，而是通过连续提问，引导孩子自己推理，因此比单纯提供捷径更让家长放心。

• 她长期使用多邻国，喜欢其游戏化学习、AI role play 和自适应路径；中断几天或某一单元持续受挫后，难度和路径会重新调整。她已学了一年多西班牙语，也因丈夫是广东人而尝试粤语。

17. 生育没有成为两位管理者的零和选择，但支持系统不可省略

• 段威之在 EMC 时生育，自述没有把事业上升期怀孕视为退步或危机，“一切都是顺其自然”；她同时明确感谢丈夫承担更多家庭工作，辅导孩子时也由“更有耐心”的丈夫发挥长处。

• 黄秀兰在 Google 13 年间连续生下两个相差两岁的女儿，并在同一位老板手下获得两次 promotion、承担越来越大的职责。第一胎时，她刚被建议接更 stressful 的岗位，告知怀孕后老板没有改主意：“why not take it？”

• 黄秀兰将经历归因于外企对 working mom 和 diversity 的支持、好老板及家庭配合，并提醒自己不了解国内其他企业的工作文化。随后谈到年轻人的选择时，段威之说这不是简单的 yes or no，每个人的人生路径和选择都可以不同。

18. 长期职业优势来自可信任的选择与适合自己的发声方式

• 段威之选公司逐渐形成三个标准：先看行业趋势，再看产品平台是否值得长期卖给客户，最后看文化、老板 chemistry 和团队信任。她从数据库、企业灾备走到 AWS 云和微软 AI，始终沿科技销售深耕，因为“下一份机会”常由上一份工作的积累自然浮现。

• 她若给 15 年前的自己建议，会更早简化生活：不喝酒、不泡吧、不打牌、不唱卡拉 OK，也拒绝无谓社交。“物欲越简单，精神越丰盈”；客户真正关心的不是 happy time，而是能否长期提供有价值的服务，信任靠时间累积。

• 黄秀兰是 INTJ、长期 introvert，也不是 self-promoter。作为 global 团队中唯一非英语母语者、且同事大多是外国男性，她曾在会议里沉默；她的老板会暂停健谈者、点名请她表达，并提醒她最懂业务、客户和产品，“你的英文也 good enough”。

• 她没有把“做自己”理解为永远待在舒适区，而是用适合自己的方式突破：以高质量 one-on-one 代替大型 reception，开会前充分准备，take the front seat、be the first to speak。段威之也给自己立下 global 会议必须发声的 flag；AI 又进一步让她从偏好阅读和打字，逐渐转向倾听与自然语言输入，“AI 会慢慢改变你”。