WPP 基于 Google Cloud 构建平台，但 AI 营销如今取决于其数据基础

WPP 正借助 Google Cloud，以共享基础取代碎片化的代理商数据系统，从而推动 AI 营销。矛盾十分明确：尽管多年形成的数据与技术碎片化问题尚未解决，WPP 仍希望在全球组织内实现预测性决策。

其解决方案是 WPP Open——一个连接数据、模型、工作流与代理商专业知识的智能体式营销系统。所谓智能体式，是指软件智能体能够在既定规则内协调多步骤工作，而不只是回应单个提示。

然而，模型并非最棘手的部分。WPP 首先需要统一团队访问数据、部署服务、执行控制措施和复用工程组件的方式。这使平台工程和数据工程成为其 AI 战略的核心。

这一做法也给包括 Publicis Groupe、Omnicom 和 Dentsu 在内的竞争代理集团带来压力。它们都必须证明，其 AI 平台并不只是创意工具与供应商集成的集合。

WPP 的押注在于：一个受治理的内部平台能够将分散的专业知识转化为可重复使用的软件。风险则在于，集中化会引入新的依赖关系，而营销成效仍难以独立验证。

Google Cloud 为 WPP Open 提供统一的工程层

WPP 将共享基础设施视为实现共享智能的前提。

该公司面临的直接问题源于其自身规模。营销数据、应用程序和运营实践分布在数百家代理商及区域组织之中。

这种结构支持了专业化团队，却也让 AI 部署变得复杂。为一家代理商构建的模型，在其他地方可能依赖不同的权限、数据格式、基础设施或审批流程。

最新的工程说明将 WPP 的应对方式描述为一个平台工程和数据工程问题。其目标是为产品团队提供可复用的基础，使其能够安全且一致地构建 AI 服务。

平台工程构建了由获批工具、服务和部署路径组成的内部层。开发者借助这一层，而非独立搭建每一个应用环境。

这很重要，因为一项 AI 营销服务涉及的不只是语言模型。它还可能牵涉客户信息、营销活动历史、受众信号、品牌规则、创意资产、衡量数据以及外部广告平台。

每个组成部分都有不同的访问条件。全球系统必须在帮助团队整合相关信息的同时，保留这些边界。

WPP Open 为这项工作提供了运营界面。它在共享环境中连接战略、创意开发、制作、媒介和分析。

该平台并不让每一家代理商的数据集完全一致。相反，它为团队提供了通用方式，以公开、治理和使用数据，同时保留必要的组织边界。

这一区别很关键。一个容纳不受限制客户数据的集中式数据仓库，会带来不可接受的商业和隐私风险。

WPP 所需要的是受控互操作性。数据应能在获批工作流之间使用，而不应变得对所有人可见或可自由转移。

Google Cloud 在这一运营模式之下提供基础设施、数据、安全和 AI 服务。WPP 则贡献其营销数据、代理商知识、客户关系和工作流设计。

这一安排建立在 2024 年 4 月宣布的初步 Gemini 集成之上。当时，WPP 表示已有超过 35,000 名员工在使用 WPP Open。

该合作聚焦四项早期应用，包括创意制作、内容表现预测、视频旁白和产品呈现。

Gemini 1.5 Pro 当时还提供了 100 万 token 的上下文窗口。WPP 表示，这一能力帮助 Creative Studio 同时处理更多品牌指南、营销活动历史、视觉规则和产品信息。

这些用例展示了模型可能具备的能力。最新的工程重点则聚焦于，WPP 如何让类似能力在整个组织中得到持续、重复的应用。

可复用平台能够将身份控制、日志记录、部署策略、数据连接和监控封装为标准路径。产品团队因此可以减少重建基础组件的时间。

这种设计也有助于加快试验。团队可以测试新的受众模型或智能体，而无需建立一套完全独立的基础设施模式。

不过，速度并非唯一目标。标准化使 WPP 能够在服务进入客户工作流之前实施一致的控制措施。

这包括决定应用程序能够检索哪些数据集、如何记录输出，以及哪些环节仍需人工批准。它也有助于团队确定故障服务的责任归属。

最终结果并非一个通用的营销模型，而是一个受治理的系统：专业化应用可以共享获批的工程基础。

这一变化构成了本文的核心张力。WPP 的 AI 优势，较少取决于能否获得模型，更多取决于其内部平台能否克服代理商结构所造成的碎片化。

碎片化数据如今已成为竞争负担

AI 将组织碎片化从一种不便，转变为对产品质量的直接限制。

与自动化决策软件相比，传统代理商工作更容易容忍系统之间的脱节。人工团队经常能够协调不一致的报告、向同事询问背景，并解读本地命名惯例。

如果没有工程支持，模型无法可靠地弥合这些缺口。定义不清的数据可能导致误导性的比较、不完整的建议，或基于错误客户背景却看似自信的回答。

当智能体采取行动时，问题会进一步放大。报告错误虽然麻烦，但对媒介投放分配的自动化调整可能影响真实支出。

因此，WPP 需要针对受众、营销活动、资产、绩效指标和权限建立通用定义。这些定义必须能够在代理商、地区和广告渠道之间流转时保持有效。

该公司于 2025 年 10 月宣布的扩展合作关系，让这一基础设施承诺变得更加具体。WPP 宣布达成一项为期五年的协议，并承诺为 Google 技术投入 4 亿美元。

WPP 还表示，Google Cloud AI 产品将支持 Open Intelligence——其用于受众建模的数据与智能层。Open Intelligence 隶属于更广泛的 WPP Open 系统。

这项合作使 Google Cloud 成为 WPP 运营模式的重要组成部分，而不只是另一家模型供应商。Google 的服务如今支持面向客户的应用和内部工作流。

这种关系让 WPP 能够在同一供应商体系下获得模型和托管基础设施。它可以减少集成工作，并简化平台部分环节的责任划分。

但这同样带来集中风险。WPP 数据和 AI 运营中更大的一部分，将与 Google 的技术路线图、服务可用性、商业条款和治理能力绑定。

WPP 将 WPP Open 描述为开放式设计。该公司称，该系统可以与客户平台及其他技术合作伙伴集成，包括 Adobe、Amazon Web Services、Microsoft、Meta 和 TikTok。

互操作性将接受实施层面的检验。在产品页面上支持多家供应商，与在无需高昂重开发成本的情况下让数据和工作流在它们之间流动，是两回事。

这种压力不止影响 WPP 的工程团队。代理商领导者必须接受可能限制本地技术选择的通用标准。

客户团队也必须决定哪些信息可以进入共享服务。法律、隐私和安全专家则需要制定能够跨司法辖区适用的政策。

这种被迫的应对是长期性的。WPP 无法通过迁移一个应用程序或连接一个数据源来完成这一转型。

每增加一个新的 AI 智能体，对一致的身份、元数据、评估和事件管理的需求就会提升。随着智能体目录扩大，薄弱的基础会变得更加昂贵。

同样的逻辑也适用于 WPP 的竞争对手。Publicis 围绕 Epsilon 和 CoreAI 构建了其身份与数据战略，而 Omnicom 则将 Omni 推广为其营销操作系统。

这些集团面临相似压力：必须将收购而来的代理商和专有数据集转化为连贯的软件。仅靠模型可用性难以提供太多保护，因为每个大型网络都可以授权使用领先模型。

稀缺的能力在于运营。代理集团需要让其数据可用，同时不破坏客户隔离、隐私义务或本地工作流。

这使竞争焦点不再是令人印象深刻的演示。买家将越来越多地询问平台如何管理数据血缘、审批、可移植性、衡量和故障。

如果共享工程能够让其专业代理商更易于协同，WPP 将从中受益。全球客户可以在研究、创意、制作和媒介团队之间使用同一套受治理的工作流。

然而，通用基础设施不会自动带来一致行为。团队仍需要动力去记录其数据、采用平台标准并淘汰重复系统。

遗留系统又增加了一层复杂性。一些应用包含宝贵的历史数据，却缺乏现代接口或一致的元数据。

替换它们可能中断客户工作。保留它们则可能延续 WPP Open 原本应当减少的碎片化问题。

因此，WPP 的平台团队必须在标准化与渐进式采用之间取得平衡。过度灵活会让孤岛继续存在，而严格的迁移要求可能拖慢交付。

这正是工程层具有竞争意义的原因。它决定 WPP Open 将成为真正可用的操作系统，还是仍只是通向彼此脱节工具的品牌化入口。

真正的机制是受治理的复用，而非模型访问

WPP 的技术优势将来自可复用的控制措施和数据产品，而非对生成式 AI 的独家访问。

模型无需深度组织集成，也能总结简报或生成图像。但预测性营销需要一条要求更高的组件链路。

系统必须定位相关信号、确认使用权、转换输入、运行模型、评估结果，并将其交付至获批工作流中。

数据产品将可信数据集与所有权、文档、访问规则和质量预期打包在一起。它为下游团队提供稳定接口，而非一组缺乏说明的记录集合。

这种结构能够帮助 WPP 划分平台责任。中央团队维护通用基础设施，而领域团队仍对其数据的含义和质量负责。

媒介团队了解营销活动投放数据。品牌战略团队了解研究框架，制作团队则了解资产版本和使用权。

中央工程师不应独自重新定义这些领域。他们的职责是为专家提供标准方式，以发布、监控和治理这些内容。

这种分工能够减少一种常见的企业 AI 失败模式。组织往往集中化技术，却让数据含义问题悬而未决。

该平台在技术上能够运行，但会产生不一致的答案。用户随后又回到电子表格、私有数据库和人工审批流程。

WPP 必须将采用问题视为产品问题，避免出现这种结果。内部团队需要明确的路径来连接数据、启动服务和排查错误。

可复用的部署模式可以降低认知负担。产品团队不应在测试已获批准的用例之前，就必须成为所有安全或基础设施细节方面的专家。

标准化可观测性同样重要。可观测性是指收集理解系统行为所需的日志、指标和追踪数据。

对于 AI 工作流，团队需要监控的不只是正常运行时间。他们还需要知道哪些数据进入了请求、由哪个模型处理，以及哪些输出最终传达给了用户。

他们还需要评估标准。一段流畅的回复仍可能违反品牌规范、遗漏相关证据，或推荐不合适的受众细分。

WPP 的工程方法可以在共享平台中设置评估关卡。这样，团队便可应用特定任务的测试，而无需另起炉灶地创建一整套审核系统。

人工监督仍是该机制的一部分。WPP 表示，其智能体旨在协助员工，而不是取代他们的判断。

这一立场很务实，因为营销决策包含主观和情境化因素。模型无法独立决定某项营销活动的风险是否对每个品牌都可接受。

该平台可以转而展示证据、预测和备选方案。随后，策略师或媒体专家决定接受、修改或拒绝这项建议。

随着时间推移，这些决定可以成为反馈信号。它们能够揭示智能体在哪些方面表现良好，以及哪些地方仍离不开本地专业知识。

系统必须谨慎处理反馈。用户批准并不总能证明某项输出准确或有效。

营销活动结果同样存在混杂变量。定价、分销、竞争对手活动、季节性和经济状况都可能影响表现。

因此，WPP 的模式依赖严谨的衡量。团队需要将生成的建议与后续业务结果区分开来，并记录期间作出的干预性决策。

这一机制也延伸至创意工作。品牌指南、获批资产和过往营销活动可以在人工审核之前塑造模型输出。

WPP 表示，其早期 Gemini 集成利用了更大的上下文容量，以便同时处理更多此类信息。更多上下文可以提升相关性，但并不保证合规。

旧的营销材料可能包含已失效的声明或过时的视觉规范。当元数据和权限管理薄弱时，更大的检索池可能放大错误。

数据质量和治理必须优先于检索规模。平台需要知道，对于每项任务，哪个来源是最新、权威且获准使用的。

这正是可搜索知识库提供有益参照的地方。只有当文档具备归属、上下文和访问控制时，检索才会产生价值。

WPP 的挑战发生在规模大得多的组织层面。不过，原则仍然相同：AI 更需要可靠的上下文，而非无限堆积的文件。

隐私架构必须跨越客户边界发挥作用

除非客户仍能对其数据保持实质性控制，否则 WPP 无法大规模汇聚营销洞察。

广告数据可能揭示客户行为、商业计划、营销活动表现和市场重点。整合这些信号能够产生分析价值，也会带来相当大的风险。

WPP 的客户群还包括彼此竞争的公司。平台必须防止一个账户的信息在未经授权的情况下影响另一个账户。

传统权限只能解决其中一部分问题。用户可能有权访问某个数据集，却无权将其用于模型训练或跨客户分析。

用途很重要。为营销活动衡量而收集的数据，并不会自动成为每一种 AI 应用都可接受的输入。

WPP 将这一挑战与其于 2025 年 4 月收购的数据协作公司 InfoSum 联系起来。其收购 InfoSum旨在加强兼顾隐私的受众洞察和 AI 模型开发。

InfoSum 使用称为 Bunkers 的隔离环境。参与者可以比较或分析获批数据，而无需直接交换底层记录。

WPP 在 2025 年表示，InfoSum Bunkers 已通过 Google Marketplace 提供，并与 WPP Open 集成。该公司将其描述为无需移动原始数据的协作方式。

这种架构可以减少不必要的复制。它还可以使权限更易于在分析运行的位置执行。

然而，保护隐私的基础设施并不能解决所有治理问题。组织仍需决定哪些分析正当，以及哪些输出可以离开受保护环境。

即使是汇总结果，在群体规模过小时也可能暴露敏感信息。重复查询也可能揭示单次查询所隐藏的模式。

因此，平台需要围绕查询设计、最低受众规模、输出审核、留存和审计记录制定政策。这些控制措施必须在各地区一致适用。

全球化运营使这项工作更为复杂。不同司法辖区、客户和数据类别的隐私要求及合同限制各不相同。

统一平台可以通过编码经批准的默认设置来提供帮助。它可以阻止不受支持的传输，并要求对敏感工作流进行额外审核。

集中控制也使审计更容易。WPP 可以记录哪个服务以何种身份访问了哪个来源，以及是为了哪个客户应用。

然而，集中化也会放大设计错误的后果。有缺陷的访问模板可能会在任何人发现之前扩散到许多服务。

平台团队需要分阶段发布并采用最小权限。新组件应仅获得其既定用途所需的数据访问权限。

客户还会期待删除和更正流程。如果数据在源头发生变化，相关索引、缓存特征和模型输入可能都需要更新。

当智能体创建衍生工件时，这会变得更加困难。一项建议或生成的简报可能包含来自多个受保护来源的信息。

WPP 必须保留足够的血缘信息来识别这些依赖关系。数据血缘记录信息的来源，以及它在工作流中如何变化。

没有血缘信息，团队无法回答基本的问责问题。他们无法可靠地解释智能体为何给出某项建议，或必须更正哪个来源。

同一问题也会影响模型评估。包含客户信息的测试集需要其自身的权限、留存规则和隔离控制。

合成测试数据可以减少暴露，但可能遗漏罕见的真实世界情形。生产环境评估仍需要经过严密控制的样本。

因此，WPP 的隐私声明应被理解为架构意图，而不是对每项实施的独立证明。该公司尚未公开整个平详细审计结果。

其披露的客户成果也主要来自 WPP 自身的发布材料。这些数据可以说明用例，但无法证明每次部署中的表现。

这种不确定性并不会否定该战略。它表明，随着 WPP 从试点扩展到常规客户运营，治理必须保持可见。

WPP 的代理商竞争对手也在打造各自的 AI 操作系统

竞争并非 WPP 与某一家模型供应商之间的对抗；而是共享运营基础设施与持续存在的代理商孤岛之间的较量。

每个大型代理商集团都可以使用生成式模型。Google、Microsoft、Adobe、Amazon 以及专业 AI 供应商都在积极争取企业营销团队。

WPP 本身也与其中多家公司合作。其与 Google 的关系居于核心地位，但 WPP Open 也需要兼容客户的技术选择。

该公司在 2026 年 2 月宣布的Adobe 扩展合作说明了这一要求。WPP 表示，Adobe 智能体将支持内容创作，而其自身智能体将优化媒体和激活。

这种多合作伙伴设计可以避免 WPP 沦为单一供应商的轻量级转售商。它使公司能够将自身工作流和专有洞察置于各个模型之上。

但它也增加了集成工作。每个平台都带来不同的身份系统、数据对象、安全政策、监控方法和发布节奏。

WPP 的内部工程层必须吸收其中的大部分差异。否则，产品团队和客户账户将在供应商发生变更时面临不一致的行为。

Publicis 是一个有力的对照，因为它拥有 Epsilon 的身份和数据资产。这一结构为 Publicis 走向个性化营销和闭环衡量提供了不同路径。

Omnicom 围绕受众洞察、规划、激活和衡量开发了 Omni。其拟议与 Interpublic 的整合，也进一步提升了数据和平台整合的重要性。

Dentsu 同样将 AI 服务与其 Merkury 身份平台及客户体验运营连接起来。咨询公司则通过将云实施与营销转型相结合，带来进一步压力。

这些竞争对手并不只是竞相生成更多内容。他们正试图控制这样一个系统：客户数据在其中变成建议，然后转化为行动。

这种控制具有商业价值。嵌入日常规划和衡量工作的代理商平台，可以建立更长期的关系和更高的转换成本。

客户仍会抵制锁定。许多全球品牌已经拥有规模可观的数据平台、内容系统，并与广告网络建立了直接关系。

WPP Open 必须适配这些环境，而不是取代其中的一切。它的价值取决于对 WPP 并不拥有的系统进行编排。

这就形成了主要对手：统一平台模式与全球代理商工作碎片化运营现实之间的对抗。

统一模式承诺更快的复用、共同治理和整合衡量。碎片化则保留了本地灵活性、既有流程和专业供应商选择。

任何一方都不会完全消失。WPP 需要足够的集中化来安全运行 AI，而代理商也需要足够的自主权来服务不同市场和客户。

最有力的证据将来自常规采用。一个仅用于高管演示的平台，不会改变代理商的运营模式。

WPP 于 2026 年 1 月推出 Agent Hub，为内部工具提供了分发渠道。WPP 表示，该中心上线时即向其全球员工和客户开放经过验证的智能体。

其中一个智能体可访问约 30 年的 Brand Asset Valuator 数据。其他智能体则将 WPP 旗下代理商的行为科学和创意方法打包起来。

这种方式将机构知识转化为软件组件。它可以让创建这些专业方法的团队之外的人也能使用这些方法。

然而，将专业知识编码化也会带来维护义务。研究会变化，品牌条件会转变，曾经有用的框架可能变得不再合适。

每个智能体都需要负责人、更新流程、评估标准和退役政策。缺少这些控制措施的大型目录，会成为另一种形式的碎片化。

采用也会改变内部权力格局。共享智能体可以降低对单个代理流程的依赖，同时增加对中央平台团队的依赖。

这种张力对 WPP Open 的影响将不亚于模型质量。技术标准只有在运营激励与之匹配时才能成功。

三个信号将显示该平台是否有效运作

WPP 现在必须证明，其工程基础能够改善决策，而不只是加快营销材料的制作速度。

第一个信号是客户在不同代理机构和地区的可复制采用。WPP 应证明，一个受治理的组件无需每次单独搭建基础设施，就能支持多个客户账户。

这将强化平台论点。如果每次部署仍需大量定制集成，那么碎片化依然隐藏在 WPP Open 界面之下。

有价值的披露信息应包括活跃的客户工作流、复用率、部署时间，以及采用通用平台控制措施的服务占比。仅凭汇总用户数，几乎无法说明运营深度。

第二个信号是将 AI 建议与经验证的业务成果关联起来的证据。WPP 曾报告涉及更快制作、受众精准度和运营效率的试点项目。

这些结果需要明确的基准和评估方法。采购方应了解，对比是否涵盖相似的营销活动、时间段、受众和审批流程。

独立验证将增强 WPP 的主张。跨无关联客户取得的一致结果，比单个出色营销活动更具意义。

薄弱或选择性的证据并不能证明系统失败。它只会表明，预测仍然比内容生产自动化更难。

第三个信号是，随着合作伙伴网络扩大，WPP 如何处理可移植性、隐私和事故问题。其对 Google Cloud 的承诺规模很大，而 Adobe 和其他供应商仍然重要。

客户应关注工作流能否在不丢失溯源信息、评估结果或访问控制的情况下更换模型。他们还应审视 WPP 如何报告安全与数据治理失误。

一次严重事故将检验中央治理究竟是限制损害，还是扩大损害。透明的补救措施会比故障发生前作出的笼统保证更具参考价值。

未来一到三个月也将显示，Google 的新能力多快能够进入 WPP Open。快速集成只有在功能同时配套控制措施和衡量机制时才有意义。

WPP 更大的押注如今已清晰可见。它正将一组代理机构转变为由软件驱动的营销组织，同时试图保留专业判断。

这种转变赋予 Google Cloud 在广告运营中的战略角色。它也让 WPP 必须为模型与客户媒体预算之间的工程决策负责。

对于企业采购方而言，实际问题并非 WPP Open 能否生成营销活动概念。许多工具已经可以做到这一点。

应当问的是，该平台能否识别其来源、尊重客户边界、应对供应商变化，并解释一项建议如何变成行动。这些测试将决定 Google Cloud 是帮助 WPP 减少猜测，还是仅仅更快地将其自动化。