你的品牌需要一个大脑，
而不是一个文件夹。

2024 年春天，Klarna——一家大多数人因为"分期买球鞋"才知道的瑞典支付公司——做了一件不寻常的事。它停用了大部分软件。不是暂停，不是迁移。是替换。一千两百个 SaaS 应用，从费控工具到知识库到内部 wiki 到客服工单系统，在一个季度里被悄悄退休——换成了一个叫 Kiki 的自研内部助手。¹

Kiki 不是一个 LLM 套壳。它底下是一张 Neo4j 知识图谱——一个关于 Klarna 全部运营现实的结构化、活着的模型，连接到每一个客户、产品、商户、政策。当一个员工问 Kiki 一个问题，图谱跨越这些连接进行推理，给出一个理解了一千个 SaaS 永远看不见的上下文的答案。

这是一个奇怪而又被低估的故事。2024 年大多数的 AI 报道是关于模型的。Klarna 的故事是关于架构的。而 Klarna 替换掉的，恰恰是营销行业——尤其是企业品牌部门——过去三十年所居住的那一类软件。一个有个温和名字的品类：数字资产管理（Digital Asset Management, DAM）。

如果你的品牌今天运行在一个 DAM 上——Bynder、Frontify、Widen（已被 Acquia 收购）、Aprimo、Adobe AEM Assets、Brandfolder、MediaValet——这篇文章写的是那个要替代它的东西。不是一个更新的 DAM。是一类根本不同的系统。

四十年的文件柜。

数字资产管理比你想的更老。第一个商业 DAM 诞生于 1992 年，一个叫 Cumulus 的产品——来自 Silicon Graphics 和 CNN 的一家供应商 Canto Software。CNN 当时有大约 70 万条新闻片段需要编目。Cumulus 本质上是一个卡片目录——一个文件数据库，用元数据打标，用搜索找回。²

接下来三十二年，这个想法在演化，但从没真正改变它的前提。缩略版的族谱：

• 1990 年代 · 编目阶段。本地服务器。昂贵硬件。DAM 是一个数字图书馆——一个结构化的地方，用来放文件。
• 2000 年代 · 资产管理阶段。互联网来了。DAM 变成了云原生。数据库长出了权限和版本控制。文件柜搬到了线上。
• 2010 年代 · 营销运营阶段。审批流程、品牌门户、与 CMS 和 PIM 系统的集成。文件柜配上了办公家具。
• 2020 年代 · 品牌智能阶段。AI 层被贴在顶上——自动打标、自然语言搜索、生成式变体。文件柜长出了一个聊天机器人。

四十年里没有变过的，是这个系统深层的概念形状。DAM 核心仍是一个检索工具。你把东西放进去；你搜索它们；你取出它们。品牌被建模为一组资产的集合。这个系统优化的问题是："当前的 logo 在哪？"

而这从来不是——也从来就不是——品牌团队真正需要回答的问题。

文件夹答不了的问题。

在一个全球品牌的营销运营团队里坐上一周，你会听到另一组问题。随机一小段取样，真实，未加修饰：

• "小红书上这条新眼霜的创意文案，对我们新系列临床定位的 claim 规则算不算违规？"
• "这个'美+'的中文商标名，日本发布时能不能用——考虑到日本商标里与资生堂一个系列的冲突？"
• "如果波司登这个合作款想用我们的 ePE 膜联名，吊牌上到底要标 GORE-TEX ePE callout，还是 2L callout？"
• "根据 2025 年 9 月生效的中国 AIGC 标识办法，我们哪些合作伙伴 AI 生成的物料需要显式水印，哪些只需要嵌入式元数据？"
• "这个父亲节 campaign 如果在中国和美国同时跑，哪个版本需要根据 EU AI Act 第 50 条强制标明 AI 生成？"

每一个都是推理问题。没有一个是靠"把 logo 放到文件夹里"就能回答的。它们要求系统知道：一个产品是什么，它包含什么技术，它被允许做哪些 claim，哪个合作伙伴被许可使用哪个资产，哪个司法辖区将发布内容，哪个平台接收它——以及所有这些之间的关系。

这一切都不能被表达为一个文件上的标签。而这一切都可以被表达为一张图。

是事物，不是字符串。

2012 年 5 月，Google 搜索负责人 Amit Singhal 宣布了一个新的搜索引擎底层：知识图谱。它上线时有 5 亿个实体和 35 亿条实体之间的连接。Singhal 用三个英文单词总结了这个哲学，十四年后依然成立：

Things, not strings.
是事物，不是字符串。

洞察是：Google 要建模的世界不是一个网页的图书馆。而是一张事物的网络——人、地方、产品、概念——之间有关系。你不是搜索"奥巴马"这个字符串；你搜索奥巴马这个事物，他是一个人，曾是一位总统，娶了米歇尔，写了一本叫《成为》的书，书由企鹅兰登出版，企鹅兰登属于贝塔斯曼。一个理解这张关系图的搜索引擎能回答关键词匹配永远答不了的问题。³

在 Singhal 宣布后的十年里，知识图谱悄悄成为企业软件最重要的结构性技术之一。LinkedIn 建了它的 Economic Graph，把 33 亿劳动力、公司、技能、岗位建模为一个连通的底层。Palantir 把这个思想产品化为它的 Foundry 平台，让企业把自己的业务现实编码为一个本体（ontology）。Diffbot 构建了一个 1 万亿事实、100 亿实体的公共知识图谱，客户包括 Adobe、Cisco、eBay、微软。⁴

到 2024 年为止，还没有人为一个品牌建过一张。

这件事比听起来更奇怪。品牌团队几十年来一直在写品牌规范——八十页的 PDF，定义了一个品牌宇宙里每一个关系。这个颜色可以与那项技术在这个品类中、在这种监管约束下一起出现。这份文档就是一张图。这份文档从来没有被机器可读过。

品牌图谱可被计算的那一年。

让 2024 年成为拐点年的，是一种之前没人见过的配对：一个结构化的底层（知识图谱）遇上一个真正能用它的推理层（大语言模型）。

2024 年 4 月，一组由 Darren Edge 带领的微软研究院工程师在 arXiv 上悄悄发了一篇论文，题为 "From Local to Global: A Graph RAG Approach to Query-Focused Summarization"。论文描述了一个模式——GraphRAG——其中 LLM 的检索步骤不是走向一个扁平的向量数据库，而是走向一张结构化的知识图谱。对企业 AI 的含义是巨大的。第一次，你可以向一个 LLM 提问，并让它对一个组织的知识结构进行推理，而不是对词。⁵

六个月内，Neo4j——品类定义的图数据库，年营收同年突破 2 亿美元——为企业客户把 GraphRAG 产品化。LlamaIndex 和 LangChain 推出了原生图索引。微软开源了 GraphRAG 参考实现。IBM 发布了一份 Knowledge-Graph-RAG 教程，后来被翻译成十几种语言。⁶

浮现出的技术模式——现在是任何 AI 原生品牌基础设施的标配——可以画成一个栈：

从两个方向读这个栈。从上到下，它是一条管线：一个 Agent 调用 LLM，LLM 从图谱中检索，图谱引用资产，资产坐在基础设施上。从下到上，它是一段地质——一个成熟的企业品牌职能真正需要的层，按关键性排序。

今天世界上几乎所有企业品牌运营都只有 Layer 01——DAM。少数前瞻性的运营加了一点 Layer 04，通常是一个 AI 聊天机器人。几乎没有人有 Layer 02 和 03。中间才是所有价值所在。

三家已经在做的公司。

这篇文章如果没有以下事实支撑就会很理论化——而这会很无聊：2020 年代最有意思的三个品牌运营案例，都公开地构建了正是这个栈的变体。

Klarna。如开篇所述，Klarna 基于 Neo4j 的 Kiki 助手替换了 1,200 个 SaaS 应用。由 Neo4j 发布并被多位独立分析师佐证的案例描述，不仅是一次成本节约，而是一次架构重铸。Klarna 的员工不再在 1,200 个用户界面之间切换上下文；他们开始向一个单一的推理界面提问。⁷

耐克。2024 年 5 月，耐克首席创新官 John Hoke 接受《Dezeen》采访，描述了他所谓的"私家花园"——一个在几十年耐克生物力学研究、设计档案、以及自 1987 年每一款 Air Max 的勾线 DNA 之上训练的专有大语言模型。这个模型在大多数场景下不面向消费者。它是一个品牌内部的推理底层，用来播下新的创意方向、生成运动员专属产品概念、以及在数千名设计师和授权商之间保持耐克视觉语言的一致性。"数据是被围起来的，"Hoke 说，"这是我们的私家花园。"⁸

可口可乐。2023 年初，可口可乐做了一个叫"Create Real Magic"的实验。它把品牌的标志性视觉档案——Spencerian 手写体 logo、圣诞老人、北极熊、经典弧形瓶——通过 GPT-4 和 DALL·E 向公众以结构化 API 的形式开放。仅在第一个月，就有超过 12 万件原创作品被创作出来。最强的作品被投放到时代广场和皮卡迪利广场的数字广告牌上。整套平台在微软 Azure 上、由贝恩咨询主导，在 60 天内上线。⁹

三个案例的共同点容易被忽略，因为输出看起来差别太大。Klarna 做的是一个内部助手。耐克做的是一个内部创意温床。可口可乐做的是一次外部公共 campaign。底层是一样的：一个品牌知识的结构化表达，被一个推理层查询，以软件形式部署。一个大脑。

在文件夹上加 AI 不是同一件事。

公允一点说：DAM 行业也没站着不动。Bynder 2024 年 ARR 突破 1 亿欧元，在 Thomas H. Lee 注资后估值大约 6 亿美元，现在在推广一个"Brand Compliance Agent"，用 CV 和 NLP 标记不合规的合作伙伴提交物料。Frontify 把自己定位为"brand intelligence"的所在地。Acquia 的 AI 打标，公司说是"比人工快 100 倍、便宜 90%"。¹⁰

这些是真的改进。它们不是品牌大脑。

一个 DAM 顶上的 AI 层仍然是对文件进行推理。它能更快找到对的文件。它能检查对的文件是否被使用。它能生成对的文件的衍生品。它不能做的——因为底层数据模型不允许——是对品牌进行推理。为什么？因为 DAM 从来没有建模品牌。它只建模了代表品牌的资产。

这样想：Bynder、Frontify、Aprimo 是 2008 年的 Google——词项搜索加 AI。品牌大脑是 2013 年的 Google——恰好能用自然语言查询的结构化知识。差异在试图构建任何非平凡的东西之前都感觉是增量的。一旦真的构建，它就变成基础性的。

这对 DAM 行业不是坏消息。未来三年最好的 DAM 平台会发现自己被重新定位为 Layer 01——资产存储——放在 Layer 02 的品牌图谱之下。有些会自己构建图谱。大多数会为图谱合作，或被为图谱收购。那些试图留在整个栈里的平台会慢慢发现，自己变成了 2015 年的 PIM 厂商——一个没有 CIO 放在议程头条的必需品类。

为什么这件事在上海比在旧金山快。

这场迁徙有个值得明确说明的地理性。在北美和欧洲，从 DAM 到品牌大脑的迁移会很慢。太多企业合同、太多政治利益相关者、太多积累在既有系统里的数据。变化在那里发生的速度，就是冰川移动的速度。

在中国，情况不同——有三个原因。第一，既有 DAM 足迹很小——没有任何中国 DAM 厂商达到 Bynder 或 Aprimo 的全球规模，Frontify / Bynder / Brandfolder 在中国大陆的企业足迹最小。第二，中国的监管环境（AIGC 标识、数据主权、2025 年迪奥数据出境罚单）让任何可以托管在中国、在中国云上、有中国数据治理的架构，在结构上被优先选择。¹¹第三，合作伙伴生态复杂度（详见我们的上一篇长文）让 DAM 架构对日常现实不够用——这就为下一个架构被率先采用创造了商业压力。

简单说：中国市场是那种"蛙跳"会发生的环境。没有人对 DAM 时代念念不忘，因为很少有企业真的完整进入了 DAM 时代。他们要进入的，是下一个东西。

这篇文章写的就是下一个东西。

下一个 Q3 的安静议程。

我们不做预测生意，所以我们不会告诉你 2030 年的品牌部门长什么样。我们会告诉你：如果一个品牌部门接受本文论点，它在接下来六个月里应该做什么。

委托做一次品牌知识审计。不是审计你的资产——你已经知道 logo 在哪。审计你的规则。有多少成文的规则管理着你的品牌？有多少是隐性的（存在于资深品牌团队成员的脑子里、从未被记录）？有多少互相矛盾？有多少是平台特定、监管特定、合作伙伴特定、品类特定的？审计不是归档练习，是侦察练习。你是在勘测未来一个系统将要推理的地形。

在买 Agent 之前先建图谱。2026 年任何看 AI 的组织的自然本能，都是从栈的顶端入手——买一个 Bynder AI Agent、一个 Adobe Firefly Custom Model、一个 Frontify 聊天机器人。这是错的顺序。这些 Agent 的有用程度，与它们能推理的知识的质量成正比。一个干净的品牌知识图谱加上一个朴素的 LLM，比一个复杂的 LLM 放在一堆乱糟糟的 PDF 库顶上更有价值。

选一个用例，不是一个平台。企业 AI 的失败模式是想"烧开海洋"。成功模式——Klarna、耐克、可口可乐——是挑一个狭窄、有后果、可衡量的用例。合作伙伴物料合规。规模化 campaign 本地化。内部创意播种。选哪一个都行——但端到端做完。交付。测量。然后做下一个。

把基础设施选择当品牌选择。大脑跑在哪里，很重要。架构必须符合数据主权要求、可在客户所在司法辖区部署、并与本地监管节奏兼容。过去只操心创意的 CMO，现在也是一个基础设施决策者。这不舒服，但这是现在的工作。

最后，一个不舒服的元观察：这一切其实并不真的关于 AI。AI 是让它变得可能的东西，但问题一直都在那儿。品牌本来就是一个系统。一直都是。新的只是：我们现在能在软件里把这个系统建出来。

下一个十年的品牌领导力，属于理解这一点的团队——以及那些品牌权益是可组合、可推理、可运营的，能跟上一个不再等任何人审批周期的市场速度的品牌。

你的品牌需要一个大脑。文件夹从来不是。

— 聚乐玩是一间 AI Agent Studio。我们为品牌与营销构建品牌知识图谱、合规智能体与创意副驾。如果第 08 节描述的审计听起来像你的下一个会议，我们应该聊聊。