Tinaas ng AI ang Floor. Ang Depth ang Paraan Para Manalo.
Mali ang narrative na pinapalitan ng AI ang entry-level work. Hindi nagbu-busywork ang isang junior sa activation — nagko-configure sila ng DV360 targeting, nag-QA ng tracking pixels, nagma-manage ng bid strategies. Ang totoong tanong: kapag tinaas ng AI ang floor para sa lahat, saan manggagaling ang advantage? Sa depth.
Nagbu-build ako ng AI-Native Media Operations course sa nakaraang ilang buwan. Seven modules. Dose-dosenang slides. At ang isang slide na paulit-ulit kong isinusulat — yung hanggang ngayon hindi ko pa rin nata-tama — ay tungkol sa kung ano ang mangyayari sa mga taong papasok pa lang sa industry kapag lumipat na ang operating model sa 75-80% AI.
Paulit-ulit akong nagsusulat ng mga version na parang confident. Tapos dine-delete ko, kasi hindi naman talaga ako confident. May direksyon ako, hindi sagot. At sa tingin ko mas useful ang honest version ng conversation na ito kaysa sa polished version.
So ito ang iniisip ko.
Mali ang Narrative
Siguradong narinig mo na: "Pinapalitan ng AI ang entry-level work." Malinis na kwento. Pero mali rin — o at least, hindi naiintindihan kung ano talaga ang ginagawa ng entry-level people.
I-walk through natin ang mga disciplines sa isang modern media agency:
- Strategy: Nagpu-pull ng competitive analysis, nagsi-synthesize ng research briefs, nakakatuklas ng patterns sa data na nami-miss ng seniors kasi nasa meetings sila buong araw
- Planning: Nagbu-build ng media plans, nagru-run ng budget scenarios, gumagawa ng audience segments — madalas mas malapit pa sa actual data kaysa sa senior planner na nagrereview ng work nila
- Activation: Nagko-configure ng DV360 targeting, nag-QA ng tracking pixels, nagma-manage ng bid strategies across platforms — genuinely technical, high-stakes na trabaho kung saan ang misconfigured na audience kayang ubusin ang budget sa loob ng ilang oras
- Ad Ops: Nagta-traffic ng ads, nagde-debug ng tracking discrepancies, nagme-maintain ng measurement integrity sa dose-dosenang platforms
- Research: Nag-e-evaluate ng survey methodology, nakakatuklas ng sample bias, nagko-code ng qualitative responses — ang klase ng careful analytical work na nangangailangan ng genuine na skepticism
- Reporting: Nagbu-build ng dashboards, nag-i-identify ng anomalies, alam kung kailan hindi nagma-match ang data kahit maganda ang charts
Hindi ito "repetitive tasks." Ito ay substantive contributions na nangangailangan ng judgment, platform knowledge, at client context. Ang taong nagko-configure ng DV360 campaign hindi nagbu-busywork — gumagawa sila ng dose-dosenang technical decisions na directly nakakaapekto kung mae-execute ba talaga ang media plan.
Ang Senior Validation Gap na Hindi Pinag-uusapan
Eto ang hindi masyadong napag-uusapan: ang VP niyo hindi na nag-o-open ng DV360 araw-araw for years na. Ang planning director niyo hindi na nag-bu-build ng audience segments by hand. Ang mga taong gumagawa ng strategic decisions madalas nang na-delegate ang platform-level execution nang napakatagal na hindi na nila kayang i-validate ang AI output sa layer na yun kahit gusto nila.
Kapag nag-generate ang AI ng campaign setup, sino ang magva-validate na tama ito? Kapag gumawa ito ng audience segment, sino ang magche-check kung tama ang data sources? Kapag gumawa ito ng measurement framework, sinong nakakaalam kung talagang sine-support ito ng tracking architecture?
Madalas ang sagot — yung mga taong pinakamalapit sa platforms. Yung mga taong sinasabihang "routine" lang ang trabaho nila.
Sa tingin ko ito ang gap na nagpapaganap na delikado ang "AI replaces junior work" narrative. Yung 75-80% na hina-handle ng AI, kailangan pa rin ng validation. Ang validation na yun nangangailangan ng depth — platform expertise, tracking architecture knowledge, data source familiarity. At sa maraming organizations, ang depth na yun nasa mga tao na kaswal nating sinasabing madi-displace.
Ang Parade Problem
Paulit-ulit akong bumabalik sa analogy na ito. Kapag lahat may AI, ang broad capability nagiging parade — impressive mula sa malayo, magkapareho kapag malapit. Lahat ng agency kayang mag-generate ng media plans, audience insights, competitive reports, creative briefs sa scale. Pareho ang tools. Nag-co-converge ang prompts. Nag-no-normalize ang output.
So saan manggagaling ang advantage?
Depth. Mas malalim kaysa AI + competitors sa specific disciplines. Hindi mas malawak — mas malalim.
Counterintuitive ito kung lumaki ka sa industry na nagva-value ng "T-shaped" generalists. Pero sa tingin ko nagbabago na ang shape. Kapag ino-offer ng AI ang horizontal bar ng T for free, ang tanging differentiator ay kung gaano kalayo pababa ang vertical bar.
Depth-First Career Development
Ang lumang model: mag-start broad, mag-specialize later. Mag-ro-rotate ka sa departments, magka-exposure sa planning at buying at reporting, tapos eventually hanapin ang lane mo.
Sa tingin ko mas magandang model ngayon ang reverse: go deep muna, tapos broaden.
Nagbibigay na ang AI ng breadth. Kahit sinong junior kayang gamitin ang AI para mag-draft ng media plan, gumawa ng competitive analysis, o mag-generate ng research summary. Yun ang floor — tinaas na para sa lahat. Ang scarce ay ang taong nakakaalam ng activation o measurement o creative evaluation nang mas magaling kaysa AI. Ang taong tumitingin sa AI output at agad nakikita kung ano ang mali.
Ang evaluation skill na yun — ang kakayahang mag-assess ng AI work gamit ang genuine expertise — nangangailangan ng depth. At ang depth nangangailangan ng focused time sa isang discipline, hindi rotation sa limang departments sa unang dalawang taon mo.
Ano Ba Talaga ang Itsura ng "Going Deeper"
Dito gusto kong maging specific, kasi useless ang generic career advice.
Activation: Maging platform-AI bridge. Kilatisin ang platform capabilities at limitations nang maigi para ma-spot kung kailan hindi gagana sa reality ang AI configurations — ang audience na masyadong narrow para mag-deliver, ang bid strategy na hindi bagay sa objective, ang placement list na may inventory na explicitly in-exclude ng client.
Ad Ops: Mag-shift mula tag implementation papuntang tracking architecture. Huwag lang maglagay ng pixels — mag-design ng measurement infrastructure na inaasahan ng AI. Unawain ang consent frameworks, server-side tagging, data clean rooms. Ang taong kayang mag-architect ng measurement systems hindi nadi-displace ng AI. Nagiging mas importante pa sila.
Planning: Matutong mag-stress-test, hindi lang mag-build. Kahit sino kayang gumawa ng plan ngayon. Ang value ay sa pag-alam kung kailan gumagana ang math pero hindi ang strategy — kapag efficient ang reach curve pero maiinis ang audience sa frequency, kapag optimized sa papel ang channel mix pero in-ignore nito kung paano talaga nagpapakita ang brand sa bawat environment.
Research: I-develop ang skepticism bilang core skill. Kayang mag-synthesize ng AI ng research nang mas mabilis kaysa sinumang tao. Pero kayang rin nitong confident na i-present ang findings mula sa poorly designed survey, paghaluin ang correlation sa causation, at ma-miss ang sample bias. Ang researcher na nakakatuklas ng methodology flaws ay mas valuable kaysa dati.
Creative: I-build ang aesthetic judgment na wala sa AI. Kayang mag-generate ng variants ang AI. Hindi nito masasabi sa iyo bakit gumagana ang partikular na variant na ito para sa partikular na brand na ito sa partikular na context na ito. Ang judgment na yun — informed ng taste, brand knowledge, at cultural awareness — nadevedevelop pero hindi naa-automate.
Reporting: Maging data integrity layer. Magaganda ang dashboards na gawa ng AI. Pero pwedeng maganda at mali ang dashboards. Ang taong nakakaalam kung kailan misleading ang attribution model, kailan nagbago nang tahimik ang data source, kailan tama ang itsura ng numbers pero baligtad ang kwentong sinasabi nito — ang taong yun ay essential.
Ang Eval Layer na Hindi Pinag-uusapan
May concept mula sa AI development na sa tingin ko directly nag-a-apply dito: evals. Sa AI, ang eval ay ang ground truth — ang criteria na nagde-define kung ano ang itsura ng "tama." Kung walang evals, hindi mo masasabi kung maganda o pangit ang AI output. Nagtitiwala ka lang sa machine.
Sa media operations, existing na ang evals. Hindi lang ganun ang tawag.
Ang pre-launch checklist mo ay eval. Dine-define nito kung ano ang itsura ng tamang campaign setup. Ang KPI ladder mo ay eval. Dine-define nito kung anong ibig sabihin ng magandang performance. Ang brand guide mo ay eval. Dine-define nito kung ano ang itsura ng compliant na creative. Ang tracking accuracy standard mo ay eval. Dine-define nito kung anong ibig sabihin ng reliable measurement.
Ang mga taong nagbu-build at nagme-maintain nito — na nag-e-encode ng expert judgment sa operational criteria — gumagawa ng isang bagay na fundamentally hindi kayang gawin ng AI para sa sarili nito. Kayang mag-generate ng AI ng campaign setup. Hindi nito kaya mag-define kung ano ang itsura ng tamang campaign setup para sa client na ito sa market na ito na may constraints na ito. Nangangailangan yun ng depth.
At eto ang tingin kong underappreciated: ang pag-build ng evals ay isa sa pinaka-powerful na learning exercises na available. Kapag pinapag-define mo ang isang tao kung ano ang itsura ng "tama" para sa discipline nila — isulat ang pre-launch checklist, i-specify ang acceptable discrepancy threshold, i-build ang creative compliance rubric — kailangan nilang intindihin ang trabaho nang malalim para ma-encode ang judgment. Hindi yun administrative work. Yun ay accelerated depth development.
Kaya kapag pinag-uusapan ko ang depth-first career development, ang eval creation ay concrete expression nito. Ang taong kayang mag-evaluate ng AI output at mag-define ng criteria kung paano ito dapat i-evaluate ay may skillset na compounding over time. Tumataylas ang criteria. Bumubuti ang AI. At lumalaki ang expertise gap sa pagitan ng taong yun at ng isang taong nag-gamit lang ng AI.
Para sa Mga Papasok Pa Lang sa Industry
Gusto kong maging honest dito, kasi sa tingin ko deserve ng mga taong papasok sa industry ang honesty kaysa reassurance.
Oo, nagbabago ang entry-level roles. Ang entry point hindi na "gawin ang trabahong kaya ng AI, pero gamit ang human hands." Kundi "i-develop ang depth para ma-evaluate kung tama ba ang ginawa ng AI."
Parang mas mataas na bar, at sa ilang paraan ganoon nga. Pero sa tingin ko ang evaluation skill — tumingin sa AI output at malaman kung alin ang tama at mali at kayang i-articulate bakit — mas mabilis na-develop kaysa inaakala ng mga tao. Hindi ka nag-start sa zero. Nag-start ka na may AI bilang learning accelerator.
Ang catch ay kailangan mo pa rin ng hands-on reps kasabay ng evaluation. Kailangan mong mag-build ng campaigns mismo para malaman mo kung ano ang itsura ng pangit. Kailangan mong manually mag-pull ng data para maintindihan kung ano ang tinatago ng dashboard. Pina-accelerate ng AI ang learning, pero hindi pa nito fully nirereplace ang paggawa. Hindi pa.
Pumili ng discipline. Go deep. Aralin ang frameworks. Ang mga tao na mag-thrive ay yung nagde-develop ng genuine expertise sa specific area — hindi yung nagiging generalist prompt engineers.
Ang Apprenticeship Problem
Kailangan kong aminin — ito ang part na hindi ko pa nasosolucionan.
Gumagana ang traditional apprenticeship model sa agencies kasi natututo ang junior people sa paggawa ng trabaho. Ang planning assistant nag-build ng plans at natuto ng planning. Ang activation coordinator nag-set up ng campaigns at natuto ng activation. Ang mga repetition ang education.
Ni-compress ng AI ang mga workflow na yun. At sa pag-compress ng workflows, na-compress din ang learning mechanism. Kung ang AI ang nag-build ng media plan at ang junior ang nag-review, natututo ba sila ng planning sa parehong paraan? Hindi ako sigurado.
May direksyon ako pero walang complete answer. Depth-first development. Evaluation kasabay ng execution. Gamitin ang AI bilang teaching tool, hindi lang production tool — pagawain ang juniors gamit ang AI tapos i-critique nila kung ano ang na-produce, para matuto sila ng skill at judgment nang sabay.
Pero hindi ako siguradong sapat yun. Ang apprenticeship problem baka ang pinakamahirap na organizational challenge ng AI transition — mas mahirap pa sa technology, mas mahirap sa business model. Kung may mag-figure out nito fully, nasolusyunan nila ang isang bagay na mas malaki kaysa operating model ng kahit anong solong agency.
Nasaan Tayo Ngayon
Hindi ko ito tatapusin ng maayos na takeaway, kasi ang honest version walang ganun.
Ito ang tingin kong totoo: hindi ka pinalitan ng AI. Mas nuanced ang narrative kaysa iniisip. Pero ang paraan ng pag-develop mo, ang skills na pina-prioritize mo, at kung paano mo pino-position ang expertise mo — kailangan mag-evolve yun. Free na ang breadth. Ang depth ang differentiator.
Kung early ka pa sa career mo: pumili ng discipline, go deep, at i-develop ang judgment para mag-evaluate ng AI work. Ang combination na yun — depth plus evaluation — ang nagpapaging irreplaceable sa iyo.
Kung nag-le-lead ka ng teams: ang mga taong pinakamalapit sa platforms at data mo baka mas importante sa AI strategy mo kaysa sa iniisip mo. Siguraduhin na ang mga taong nagde-design ng operating model ng organization mo ay naiintindihan yun.
At kung nagbu-build ka ng course tungkol sa lahat ng ito at nagre-rewrite pa rin ng slide na yun — well, at least ngayon may blog post ka nang matuturo. Kahit wala rin itong lahat ng sagot.
Yun lang mula sa akin. Gusto ko talagang marinig kung paano iniisip ng iba ito — lalo na yung mga nasa early years ng media careers nila. Agree ka ba? Disagree? Anong na-miss ko?
Cheers, Chandler
