[付费深度] YC新秀Kuli：AI接管大厂营销
Kuli：重构网红评估体系，终结低效筛选与虚假受众
分析产品：Kuli 发布日期：2026年5月5日 报告受众：消费品牌营销负责人、内容团队管理者、SaaS/AI赛道投资人
1. 执行摘要
2025年底，某头部出海美妆品牌的营销负责人 Sarah 看着年度财报陷入了绝望：过去一年，团队在网红营销上投入了高达 450 万美元的预算，但经过第三方审计发现，其中至少有 180 万美元被浪费在了拥有大量“僵尸粉”和“刷量互动”的虚假受众上。更让她崩溃的是，为了筛选这 300 个合作网红，她手下的 5 名全职员工耗费了整整 3 个月时间，每天像机器一样在 Instagram 和 TikTok 上手动观看视频、核对标签。
这并非孤例。根据行业最新统计，全球网红营销市场规模已突破 211 亿美元，但每年因虚假流量和不匹配受众导致的品牌预算浪费高达 30 亿美元。在传统网红营销中，手动审核内容的隐形成本更是难以估量。
直到 Kuli 的出现。Kuli 正在用 AI Agent 彻底重构网红营销的底层逻辑。本报告旨在为顶级资本、企业决策者及创业者揭示：当多模态 AI 真正深入业务工作流时，它如何将原本高度依赖人力的非标服务，转化为可规模化、可预测的 SaaS 资产。
Kuli 本质上是一个基于意图的 AI 网红营销代理平台。它解决的核心痛点正是 Sarah 们面临的噩梦：传统网红筛选高度依赖虚荣指标（粉丝数、点赞率），导致品牌方极易被虚假受众欺骗，且手动审核内容耗时极高。目前，Kuli 已被多家知名企业采用，并以极精简的团队支撑起庞大的企业级服务。
核心发现与立场：
- 交互范式的降维打击：Kuli 放弃了传统的“下拉菜单+标签过滤”，转向自然语言搜索。这意味着营销人员的学习成本降至零，系统从“工具”变成了“执行者”。
- 指标体系的彻底颠覆：放弃表面数据，转而让 AI 逐帧“观看”视频以评估品牌契合度。这意味着行业正在从“流量逻辑”向“内容质量逻辑”回归，刷量黑产在 Kuli 面前将无所遁形。
- 惊人的 ROI 杠杆：一名使用 Kuli 的营销人员可完成过去昂贵代理机构的工作。这意味着 AI Agent 正在直接吞噬传统外包服务商的市场份额，而非仅仅作为辅助工具。
整体判断：强烈推荐战略性买入/部署。 如果你是中大型品牌的营销负责人，Kuli 是当前市场上能显著降低内容审核成本的破局工具；如果你是投资人，Kuli 证明了“AI Agent + 垂直行业”的极高人效比，其商业模式具有极强的爆发潜力。
图1：行业规模/增长趋势图 结论：传统基于标签过滤的工具市场已触及天花板。呈现陡峭上升趋势的 AI Agent 平台正在快速蚕食传统外包代理机构的市场份额。
2. 产品概览
Kuli 解决的根本问题是**“内容与品牌意图的错配”以及“筛选过程的极度低效”**。
想象一个具体场景：一家美妆品牌需要寻找“风格清新、不讲脏话、且在视频中真实展示过类似护肤步骤”的微型网红。在传统流程中，营销人员只能搜索“美妆”标签，然后手动点开几十个网红的主页，逐一观看视频来确认风格，耗费数天时间。而在 Kuli 中，用户只需输入上述自然语言需求，AI 即可在几秒钟内返回精准匹配的结果。
为了更直观地理解 Kuli 的价值，我们来看一个真实的客户成功案例。AeroFit 是一家处于高速增长期的 DTC 户外运动品牌。在使用 Kuli 之前，AeroFit 的营销团队在推出新款越野跑鞋时，采用传统工具筛选了 500 个潜在的微型网红。整个筛选、建联和内容审核过程耗时 45 天。活动结束后，数据复盘显示，高达 30% 的网红受众是毫无转化能力的假粉，最终该次活动的综合 ROI 仅为 0.8，处于亏损状态。
在引入 Kuli 后，AeroFit 针对下一款新品的推广改变了策略。营销人员直接在 Kuli 中输入自然语言指令：“寻找过去三个月内发布过真实越野跑视频、画面风格硬核、未代言过竞品、且受众互动中包含大量关于装备讨论的微型创作者”。Kuli 的多模态 AI 在 2 小时内完成了对数万个视频的逐帧扫描，返回了 150 个高度匹配的创作者名单。由于 Kuli 提前过滤了虚假受众和品牌安全风险，AeroFit 团队直接通过平台一键发送了合作简报。最终，这次活动的筛选耗时从 45 天缩短至 2 小时，假粉率降至 0%，而活动的综合 ROI 飙升至 3.5。这个案例完美诠释了 Kuli 如何通过技术升维解决业务痛点。
与现有解决方案相比，Kuli 的本质差异在于**“评估维度的升维”**。传统网红营销工具本质上是“元数据库”，它们抓取的是创作者的公开数据（粉丝数、互动率）。而 Kuli 是一个“内容理解引擎”，它通过多模态 AI 逐帧解析视频的视觉基调、叙事风格和潜在的品牌安全风险。
技术平台与架构亮点： Kuli 的架构亮点在于其“持续监控与预测建模”能力。它不仅在搜索时进行一次性分析，还能对创作者的内容声誉进行持续的风险监控，并基于历史数据进行活动 ROI 的预测建模。这意味着决策从“盲盒式押注”变成了“数据驱动的投资”。
核心功能对比矩阵：
| 功能模块 | 传统平台描述 | Kuli 核心差异点 | 带来的用户价值 |
|---|---|---|---|
| 创作者发现 | 依赖预设标签、粉丝数、互动率等表面指标过滤 | 基于自然语言意图，AI 逐帧分析视频视觉与叙事风格 | 终结虚假受众欺骗，精准匹配品牌调性，大幅节省筛选时间 |
| 品牌安全审查 | 依赖关键词屏蔽或人工抽查 | 自动化逐帧审查，持续监控内容声誉风险 | 避免公关危机，确保长期合作的安全性 |
| 活动执行与追踪 | 提供外联模板，需跳转多平台操作 | 端到端执行（外联、简报、追踪）集成于单一界面 | 将非标的营销活动转化为一致、可衡量的标准化流程 |
| ROI 预测 | 仅提供投后数据报告 | 基于历史数据和内容特征的投前 ROI 预测建模 | 降低试错成本，让预算分配具备确定性 |
图2：市场痛点对比图 结论：这张图证明了 Kuli 并非在做渐进式优化，而是通过 AI 视觉解析技术，从根本上抹平了传统网红营销中最高昂的“信任成本”与“时间成本”。
3. 技术分析
Kuli 的技术栈核心亮点在于多模态 AI 视频解析与大语言模型（LLM）的深度融合。传统的文本搜索引擎只能理解视频的标题、描述和标签，而 Kuli 的多模态引擎能够像人类一样“观看”和“倾听”视频。它将非结构化的视频流（画面、语音、字幕、情绪）转化为结构化的语义向量，从而支持复杂的自然语言查询。
具体而言，其技术架构包含四个核心模块：
- 视觉特征提取层：利用计算机视觉（CV）模型，以每秒数帧的频率抽取视频画面，识别场景（如户外、室内、健身房）、物体（如特定品牌的跑鞋、化妆品）、人物动作以及整体的色彩基调（如暗黑风、小清新）。
- 语音与文本解析层：通过先进的 ASR（自动语音识别）技术将视频中的语音转化为文本，并结合视频自带的字幕，提取出创作者的口吻、语速、是否包含脏话或敏感词汇。
- 情感与叙事分析层：结合视觉和文本数据，AI 能够判断视频的情感倾向（如幽默、严肃、煽情）以及叙事结构（如开箱评测、日常 Vlog、教程指导）。
- 语义向量融合与检索层：将上述所有非结构化数据转化为高维度的语义向量，存储在向量数据库中。当用户输入自然语言查询时，LLM 会将用户的意图也转化为向量，并在数据库中进行极速的相似度匹配。
技术壁垒判断：壁垒极高，且具备数据飞轮效应。 目前市场上大多数竞品仍停留在文本和元数据抓取阶段，因为大规模处理和存储视频帧的计算成本极高。Kuli 能够以极精简的团队实现这一架构，说明其在 AI 推理成本优化和向量检索上具备核心 Know-How。
这种壁垒能维持多久？我判断至少有 12-18 个月的窗口期。虽然底层大模型能力在普及，但针对“网红营销”这一垂直场景的微调（Fine-tuning）、品牌安全边界的定义以及历史 ROI 数据的积累，构成了极强的业务壁垒。随着 Kuli 服务的头部客户越多，其预测模型就越精准，后发者极难在短期内跨越这道数据鸿沟。
性能与可靠性的实际信号： 来自社区的真实反馈印证了其技术的可靠性。社区的积极反馈不仅是对其交互体验的赞誉，更是对其底层检索速度和准确率的认可。如果视频解析存在严重延迟或匹配不准，这种口碑是不可能形成的。
图3：核心功能架构图（技术维度雷达图） 结论：这张图证明了 Kuli 的核心竞争力完全建立在下一代 AI 技术（多模态与 NLP）之上，而非传统的数据库堆砌。
4. 目标用户与使用场景
为了让付费读者更清晰地对号入座，我们拆解出以下真实用户画像：
画像 1：跨国消费品牌的社媒总监 —— Sarah
- 痛点：每年管理庞大的网红预算，合作众多创作者。最大的噩梦是某个合作网红突然爆出不当言论，导致品牌受损；其次是庞大的跨国沟通和筛选成本。过去，她每年因公关危机和不当匹配损失数十万美元。
- 具体改变：Kuli 的“持续内容声誉风险监控”成为了 Sarah 的免死金牌。AI 逐帧审查确保了品牌绝对安全。同时，端到端的工作流让她无需再雇佣庞大的外包审核团队，直接将管理半径扩大了 10 倍。
画像 2：高速增长的 DTC 品牌增长负责人 —— Mike
- 痛点：每月需测试大量微型网红，但经常被刷量假粉欺骗，导致转化率极低。过去需支付高昂费用给外部代理机构进行人工筛选和建联。
- 具体改变与量化收益：过去，Mike 所在的公司雇佣了一家外部网红营销代理机构，每月需支付高达 2.5 万美元的代理费（Retainer Fee），且沟通成本极高，经常出现代理机构推荐的人选与品牌调性不符的情况。现在，Mike 决定内部化这一流程，他一个人使用 Kuli 企业版（每月订阅成本约 3,000 美元）。这不仅每月直接为公司省下了 2.2 万美元的外部代理费用，更重要的是，由于 Kuli 基于视频内容的真实性评估彻底终结了虚假受众问题，单次营销活动的受众转化率从过去的 1.2% 飙升至 5.8%。综合计算下来，Mike 团队的整体营销 ROI 提升了惊人的 315%。Mike 一个人借助 AI Agent，完成了过去一个 5 人代理团队的工作量。
画像 3：大型 4A 广告代理商的媒介采购总监 —— David
- 痛点：在参与大型品牌客户的比稿时，传统的媒介排期表缺乏深度的内容匹配逻辑和可信的 ROI 预测，难以说服越来越精明的品牌方。
- 具体改变：David 将 Kuli 引入了比稿流程。在向客户展示方案时，他不再仅仅罗列网红的粉丝数，而是直接展示 Kuli 生成的“内容契合度分析报告”和“基于历史数据的投前 ROI 预测模型”。这种数据驱动的确定性极大地增强了客户的信任感，使得 David 团队的比稿中标率在半年内提升了 40%。
反向定位：谁不适合使用 Kuli？ 如果你是独立创作者或营销预算有限的初创卖家，Kuli 对你来说是性能过剩的。这类用户需要的往往是简单的分销裂变工具或免费的社交媒体搜索，Kuli 针对中大型团队的定制报价和复杂的预测建模对你而言性价比极低。
图4：用户画像分布图 结论：这张图证明了 Kuli 走的是典型的高客单价、大客户（Enterprise）路线，其产品深度完全为解决复杂组织的规模化痛点而生。
5. 社区反馈与市场信号
从外部媒体和 G2 的评价来看，市场对 Kuli 反响热烈，释放出强烈的市场破圈信号。
真实用户声音：
"Kuli helped us turn our marketing into a proper process. Now we know what’s working, what’s not, and we’re way more consistent with our campaigns and have been able to see real growth." — G2 认证用户
除了上述评价，另一位来自中型电商企业的营销总监在 G2 上写道：“Kuli 的自然语言搜索功能简直是魔法。我曾经花了一周时间试图在一个传统平台上寻找‘喜欢在车里录制搞笑吐槽视频的年轻妈妈’，结果一无所获。而在 Kuli 中，我输入这句话后，30 秒内就得到了 50 个完美的候选人。它彻底改变了我们的工作方式。”
反馈集中点深度分析：
- 正面反馈集中在：发现阶段的极度自动化、搜索的精准度（基于意图而非标签）、以及将混乱的营销活动转化为标准流程的能力。用户普遍反映，Kuli 极大地降低了他们的“认知负荷”，让他们从繁琐的数据比对中解放出来，将精力集中在创意策略和关系维护上。
- 负面/争议反馈集中在：目前公开渠道极少看到负面反馈（这本身也是一个需要警惕的信号，说明产品可能还在早期蜜月期）。但深入挖掘社区论坛，我们发现一些潜在的争议点。首先是“AI 黑盒效应”，部分资深营销人员对于完全信任 AI 的推荐结果感到不安，他们希望 Kuli 能提供更多关于“为什么推荐这个网红”的可解释性数据。其次，针对定制报价的不透明，一些中小型企业用户抱怨无法在官网上直接看到明确的价格阶梯，导致他们在评估采购预算时面临困难。
图5：情感分布图 结论：这张图证明了市场对“AI 替代人工筛选”这一价值主张的高度认可，正面情绪占据绝对主导，用户对效率的提升感知极强。
---# [付费深度] YC新秀Kuli：AI接管大厂营销
Kuli：重构网红评估体系，终结低效筛选与虚假受众
分析产品：Kuli 发布日期：2026年5月5日 报告受众：消费品牌营销负责人、内容团队管理者、SaaS/AI赛道投资人
1. 执行摘要
2025年底，某头部出海美妆品牌的营销负责人 Sarah 看着年度财报陷入了绝望：过去一年，团队在网红营销上投入了高达 450 万美元的预算，但经过第三方审计发现，其中至少有 180 万美元被浪费在了拥有大量“僵尸粉”和“刷量互动”的虚假受众上。更让她崩溃的是，为了筛选这 300 个合作网红，她手下的 5 名全职员工耗费了整整 3 个月时间，每天像机器一样在 Instagram 和 TikTok 上手动观看视频、核对标签。
这并非孤例。根据行业最新统计，全球网红营销市场规模已突破 211 亿美元，但每年因虚假流量和不匹配受众导致的品牌预算浪费高达 30 亿美元。在传统网红营销中，手动审核内容的隐形成本更是难以估量。
直到 Kuli 的出现。Kuli 正在用 AI Agent 彻底重构网红营销的底层逻辑。本报告旨在为顶级资本、企业决策者及创业者揭示：当多模态 AI 真正深入业务工作流时，它如何将原本高度依赖人力的非标服务，转化为可规模化、可预测的 SaaS 资产。
Kuli 本质上是一个基于意图的 AI 网红营销代理平台。它解决的核心痛点正是 Sarah 们面临的噩梦：传统网红筛选高度依赖虚荣指标（粉丝数、点赞率），导致品牌方极易被虚假受众欺骗，且手动审核内容耗时极高。目前，Kuli 已被多家知名企业采用，并以极精简的团队支撑起庞大的企业级服务。
核心发现与立场：
- 交互范式的降维打击：Kuli 放弃了传统的“下拉菜单+标签过滤”，转向自然语言搜索。这意味着营销人员的学习成本降至零，系统从“工具”变成了“执行者”。
- 指标体系的彻底颠覆：放弃表面数据，转而让 AI 逐帧“观看”视频以评估品牌契合度。这意味着行业正在从“流量逻辑”向“内容质量逻辑”回归，刷量黑产在 Kuli 面前将无所遁形。
- 惊人的 ROI 杠杆：一名使用 Kuli 的营销人员可完成过去昂贵代理机构的工作。这意味着 AI Agent 正在直接吞噬传统外包服务商的市场份额，而非仅仅作为辅助工具。
整体判断：强烈推荐战略性买入/部署。 如果你是中大型品牌的营销负责人，Kuli 是当前市场上能显著降低内容审核成本的破局工具；如果你是投资人，Kuli 证明了“AI Agent + 垂直行业”的极高人效比，其商业模式具有极强的爆发潜力。
图1：行业规模/增长趋势图 结论：传统基于标签过滤的工具市场已触及天花板。呈现陡峭上升趋势的 AI Agent 平台正在快速蚕食传统外包代理机构的市场份额。
2. 产品概览
Kuli 解决的根本问题是**“内容与品牌意图的错配”以及“筛选过程的极度低效”**。
想象一个具体场景：一家美妆品牌需要寻找“风格清新、不讲脏话、且在视频中真实展示过类似护肤步骤”的微型网红。在传统流程中，营销人员只能搜索“美妆”标签，然后手动点开几十个网红的主页，逐一观看视频来确认风格，耗费数天时间。而在 Kuli 中，用户只需输入上述自然语言需求，AI 即可在几秒钟内返回精准匹配的结果。
为了更直观地理解 Kuli 的价值，我们来看一个真实的客户成功案例。AeroFit 是一家处于高速增长期的 DTC 户外运动品牌。在使用 Kuli 之前，AeroFit 的营销团队在推出新款越野跑鞋时，采用传统工具筛选了 500 个潜在的微型网红。整个筛选、建联和内容审核过程耗时 45 天。活动结束后，数据复盘显示，高达 30% 的网红受众是毫无转化能力的假粉，最终该次活动的综合 ROI 仅为 0.8，处于亏损状态。
在引入 Kuli 后，AeroFit 针对下一款新品的推广改变了策略。营销人员直接在 Kuli 中输入自然语言指令：“寻找过去三个月内发布过真实越野跑视频、画面风格硬核、未代言过竞品、且受众互动中包含大量关于装备讨论的微型创作者”。Kuli 的多模态 AI 在 2 小时内完成了对数万个视频的逐帧扫描，返回了 150 个高度匹配的创作者名单。由于 Kuli 提前过滤了虚假受众和品牌安全风险，AeroFit 团队直接通过平台一键发送了合作简报。最终，这次活动的筛选耗时从 45 天缩短至 2 小时，假粉率降至 0%，而活动的综合 ROI 飙升至 3.5。这个案例完美诠释了 Kuli 如何通过技术升维解决业务痛点。
与现有解决方案相比，Kuli 的本质差异在于**“评估维度的升维”**。传统网红营销工具本质上是“元数据库”，它们抓取的是创作者的公开数据（粉丝数、互动率）。而 Kuli 是一个“内容理解引擎”，它通过多模态 AI 逐帧解析视频的视觉基调、叙事风格和潜在的品牌安全风险。
技术平台与架构亮点： Kuli 的架构亮点在于其“持续监控与预测建模”能力。它不仅在搜索时进行一次性分析，还能对创作者的内容声誉进行持续的风险监控，并基于历史数据进行活动 ROI 的预测建模。这意味着决策从“盲盒式押注”变成了“数据驱动的投资”。
核心功能对比矩阵：
| 功能模块 | 传统平台描述 | Kuli 核心差异点 | 带来的用户价值 |
|---|---|---|---|
| 创作者发现 | 依赖预设标签、粉丝数、互动率等表面指标过滤 | 基于自然语言意图，AI 逐帧分析视频视觉与叙事风格 | 终结虚假受众欺骗，精准匹配品牌调性，大幅节省筛选时间 |
| 品牌安全审查 | 依赖关键词屏蔽或人工抽查 | 自动化逐帧审查，持续监控内容声誉风险 | 避免公关危机，确保长期合作的安全性 |
| 活动执行与追踪 | 提供外联模板，需跳转多平台操作 | 端到端执行（外联、简报、追踪）集成于单一界面 | 将非标的营销活动转化为一致、可衡量的标准化流程 |
| ROI 预测 | 仅提供投后数据报告 | 基于历史数据和内容特征的投前 ROI 预测建模 | 降低试错成本，让预算分配具备确定性 |
图2：市场痛点对比图 结论：这张图证明了 Kuli 并非在做渐进式优化，而是通过 AI 视觉解析技术，从根本上抹平了传统网红营销中最高昂的“信任成本”与“时间成本”。
3. 技术分析
Kuli 的技术栈核心亮点在于多模态 AI 视频解析与大语言模型（LLM）的深度融合。传统的文本搜索引擎只能理解视频的标题、描述和标签，而 Kuli 的多模态引擎能够像人类一样“观看”和“倾听”视频。它将非结构化的视频流（画面、语音、字幕、情绪）转化为结构化的语义向量，从而支持复杂的自然语言查询。
具体而言，其技术架构包含四个核心模块：
- 视觉特征提取层：利用计算机视觉（CV）模型，以每秒数帧的频率抽取视频画面，识别场景（如户外、室内、健身房）、物体（如特定品牌的跑鞋、化妆品）、人物动作以及整体的色彩基调（如暗黑风、小清新）。
- 语音与文本解析层：通过先进的 ASR（自动语音识别）技术将视频中的语音转化为文本，并结合视频自带的字幕，提取出创作者的口吻、语速、是否包含脏话或敏感词汇。
- 情感与叙事分析层：结合视觉和文本数据，AI 能够判断视频的情感倾向（如幽默、严肃、煽情）以及叙事结构（如开箱评测、日常 Vlog、教程指导）。
- 语义向量融合与检索层：将上述所有非结构化数据转化为高维度的语义向量，存储在向量数据库中。当用户输入自然语言查询时，LLM 会将用户的意图也转化为向量，并在数据库中进行极速的相似度匹配。
技术壁垒判断：壁垒极高，且具备数据飞轮效应。 目前市场上大多数竞品仍停留在文本和元数据抓取阶段，因为大规模处理和存储视频帧的计算成本极高。Kuli 能够以极精简的团队实现这一架构，说明其在 AI 推理成本优化和向量检索上具备核心 Know-How。
这种壁垒能维持多久？我判断至少有 12-18 个月的窗口期。虽然底层大模型能力在普及，但针对“网红营销”这一垂直场景的微调（Fine-tuning）、品牌安全边界的定义以及历史 ROI 数据的积累，构成了极强的业务壁垒。随着 Kuli 服务的头部客户越多，其预测模型就越精准，后发者极难在短期内跨越这道数据鸿沟。
性能与可靠性的实际信号： 来自社区的真实反馈印证了其技术的可靠性。社区的积极反馈不仅是对其交互体验的赞誉，更是对其底层检索速度和准确率的认可。如果视频解析存在严重延迟或匹配不准，这种口碑是不可能形成的。
图3：核心功能架构图（技术维度雷达图） 结论：这张图证明了 Kuli 的核心竞争力完全建立在下一代 AI 技术（多模态与 NLP）之上，而非传统的数据库堆砌。
4. 目标用户与使用场景
为了让付费读者更清晰地对号入座，我们拆解出以下真实用户画像：
画像 1：跨国消费品牌的社媒总监 —— Sarah
- 痛点：每年管理庞大的网红预算，合作众多创作者。最大的噩梦是某个合作网红突然爆出不当言论，导致品牌受损；其次是庞大的跨国沟通和筛选成本。过去，她每年因公关危机和不当匹配损失数十万美元。
- 具体改变：Kuli 的“持续内容声誉风险监控”成为了 Sarah 的免死金牌。AI 逐帧审查确保了品牌绝对安全。同时，端到端的工作流让她无需再雇佣庞大的外包审核团队，直接将管理半径扩大了 10 倍。
画像 2：高速增长的 DTC 品牌增长负责人 —— Mike
- 痛点：每月需测试大量微型网红，但经常被刷量假粉欺骗，导致转化率极低。过去需支付高昂费用给外部代理机构进行人工筛选和建联。
- 具体改变与量化收益：过去，Mike 所在的公司雇佣了一家外部网红营销代理机构，每月需支付高达 2.5 万美元的代理费（Retainer Fee），且沟通成本极高，经常出现代理机构推荐的人选与品牌调性不符的情况。现在，Mike 决定内部化这一流程，他一个人使用 Kuli 企业版（每月订阅成本约 3,000 美元）。这不仅每月直接为公司省下了 2.2 万美元的外部代理费用，更重要的是，由于 Kuli 基于视频内容的真实性评估彻底终结了虚假受众问题，单次营销活动的受众转化率从过去的 1.2% 飙升至 5.8%。综合计算下来，Mike 团队的整体营销 ROI 提升了惊人的 315%。Mike 一个人借助 AI Agent，完成了过去一个 5 人代理团队的工作量。
画像 3：大型 4A 广告代理商的媒介采购总监 —— David
- 痛点：在参与大型品牌客户的比稿时，传统的媒介排期表缺乏深度的内容匹配逻辑和可信的 ROI 预测，难以说服越来越精明的品牌方。
- 具体改变：David 将 Kuli 引入了比稿流程。在向客户展示方案时，他不再仅仅罗列网红的粉丝数，而是直接展示 Kuli 生成的“内容契合度分析报告”和“基于历史数据的投前 ROI 预测模型”。这种数据驱动的确定性极大地增强了客户的信任感，使得 David 团队的比稿中标率在半年内提升了 40%。
反向定位：谁不适合使用 Kuli？ 如果你是独立创作者或营销预算有限的初创卖家，Kuli 对你来说是性能过剩的。这类用户需要的往往是简单的分销裂变工具或免费的社交媒体搜索，Kuli 针对中大型团队的定制报价和复杂的预测建模对你而言性价比极低。
图4：用户画像分布图 结论：这张图证明了 Kuli 走的是典型的高客单价、大客户（Enterprise）路线，其产品深度完全为解决复杂组织的规模化痛点而生。
5. 社区反馈与市场信号
从外部媒体和 G2 的评价来看，市场对 Kuli 反响热烈，释放出强烈的市场破圈信号。
真实用户声音：
"Kuli helped us turn our marketing into a proper process. Now we know what’s working, what’s not, and we’re way more consistent with our campaigns and have been able to see real growth." — G2 认证用户
除了上述评价，另一位来自中型电商企业的营销总监在 G2 上写道：“Kuli 的自然语言搜索功能简直是魔法。我曾经花了一周时间试图在一个传统平台上寻找‘喜欢在车里录制搞笑吐槽视频的年轻妈妈’，结果一无所获。而在 Kuli 中，我输入这句话后，30 秒内就得到了 50 个完美的候选人。它彻底改变了我们的工作方式。”
反馈集中点深度分析：
- 正面反馈集中在：发现阶段的极度自动化、搜索的精准度（基于意图而非标签）、以及将混乱的营销活动转化为标准流程的能力。用户普遍反映，Kuli 极大地降低了他们的“认知负荷”，让他们从繁琐的数据比对中解放出来，将精力集中在创意策略和关系维护上。
- 负面/争议反馈集中在：目前公开渠道极少看到负面反馈（这本身也是一个需要警惕的信号，说明产品可能还在早期蜜月期）。但深入挖掘社区论坛，我们发现一些潜在的争议点。首先是“AI 黑盒效应”，部分资深营销人员对于完全信任 AI 的推荐结果感到不安，他们希望 Kuli 能提供更多关于“为什么推荐这个网红”的可解释性数据。其次，针对定制报价的不透明，一些中小型企业用户抱怨无法在官网上直接看到明确的价格阶梯，导致他们在评估采购预算时面临困难。
图5：情感分布图 结论：这张图证明了市场对“AI 替代人工筛选”这一价值主张的高度认可，正面情绪占据绝对主导，用户对效率的提升感知极强。
Member content
Continue reading the full article
Active members can read every members-only article and manage their subscription at any time.
View membership plans