Uniphore 于 2026 年 8 月 17 日宣布推出 Marketing AI，将数字孪生、custom small language models 和 campaign simulation 放进营销工作流。产品公告的出发点是：当营销由 CDP 和 dashboard 走向预测及自动化，企业需要的不只是保存客户资料，而是预测每位客户下一步可能做什么，并在花费预算前比较不同方案。
Uniphore 描述的核心单位是每位客户一个「living digital twin」。它会根据互动和行为持续更新，再由针对个人行为微调的 SLM 读取。Uniphore 特别强调，模型把行为模式放进较小的 weights，而不是每次都把完整客户历史塞进 live context tokens，供应商因此声称可以降低 enterprise inference 成本。这仍是产品方的架构和成本主张，实际效果取决于数据稀疏度、更新频率和模型保留的信息。
另一个部分是 simulation。Marketing AI 会比较预测 revenue、conversion 和 journey 每个节点的 drop-off，让团队在投放前先模拟不同 campaign、audience、offer 或渠道。实际活动完成后，系统再比较预测和结果，更新 digital twin 和 simulation。这个 flywheel 比传统一次性的 campaign report 更接近决策支持，但也更需要保留 holdout、版本和可追溯的假设。
「预测下一步」不等于「证明下一步由 campaign 造成」。如果用户本身就会转化，模型可能把自然转化误算成 campaign uplift；如果不同客群收到不同 treatment，selection bias 也会让模拟看似准确。采用时应至少检查 calibration、uplift 对照组、分群差异、漂移、成本和人工复核，而不是只看预测画面是否流畅。
Uniphore 也把产品放进 Sovereign AI 方向，表示可用 open-weight model、企业数据 fine-tune，并支持 cloud、on-premises 或 hybrid。公司声称数据不会搬到 shared inference，并以 GDPR、HIPAA 和 data residency 作为部署考量。这些是供应商的产品声明，不应直接当成合规证明；企业仍要逐项核对数据流、子处理商、保留期、删除流程、权限和所在地。
对于 AI marketing workflow，较稳妥的第一步不是把所有预算交给模型，而是让它做可回溯的 decision support：显示使用了哪些事件、哪些假设、预测信心和反事实比较，再由营销人员批准 audience、offer 和上限。对于缺少历史数据的新客群，也要有冷启动、人工 override 和 opt-out 路径，避免模型把数据不足误读成个人偏好。
Marketing AI 的价值最后要由增量结果和运营成本证明。团队可以先选一个渠道和一个明确转化事件，固定 holdout，记录预测、实际结果、人工修改、模型重算和每次推理成本，再与原有 CDP 或 marketing automation 基线比较。数字孪生是一种组织数据和模拟的方式，不是自动生成真相的客户身份。
