Kayang gawin ng AI ang humigit-kumulang 75–80% ng trabaho sa karamihan ng media tasks na naobserbahan ko — pinakamataas ang bahagi sa production, assembly, at pattern-finding, at mas mababa sa negotiation, relationships, at final judgment. Iyon ang 75–80% na prinsipyo, at ang unang masasabi tungkol dito ay isa itong heuristic, hindi isang benchmark.
Gusto kong maging maingat sa numero, dahil ang mga bilog na figure ay umaakit ng huwad na precision. Ang 75–80% ay hindi isang sinukat na statistic mula sa isang kontroladong pag-aaral. Ito ang hugis na paulit-ulit kong nakikita pagkatapos patakbuhin ang mga workflow na ito mismo at pagmasdan ang mga team na nagpapatakbo ng mga ito: kinukuha ng AI ang malaki, repeatable, generative na gitna ng isang task, at nag-iiwan ng isang mas maliit, mas mataas ang stakes na gilid na nananatiling tao. Ang eksaktong bahagi ay gumagalaw ayon sa task, team, at kung gaano kalinis ang context. Ang hugis ay nanatili para sa akin; ang decimal, hindi.
Isinulat ko ang framing sa definition ng AI-native media operations dahil napapasok sa gulo ang mga team sa magkabilang dulo. Ilalahad ko kung saan bumabagsak ang linya, at kung paano ito hahanapin sa sarili mong trabaho.
Ano ang sinasabi ng 75–80% na prinsipyo
Sinasabi ng prinsipyo na para sa isang karaniwang media task, ang isang maayos na dinisenyong workflow na may AI na gumagawa ng unang pass ay makakasaklaw sa halos lahat ng trabaho, at ang tao ang sumasaklaw sa natitira. Hindi nito sinasabi na ginagawa ng AI ang 80% ng bawat task, at hindi sinasabi na ang 20% ng tao ay maliit ang kahalagahan. Ang kahalagahan at volume ay magkaibang axis.
Isipin ito bilang isang dibisyon ng paggawa kaysa isang score. Ang model ang pinakamahusay sa paggawa ng maraming plausible na materyal nang mabilis: opsyon, variants, summary, first draft, pattern call. Ang tao ang pinakamahusay sa pagpasya kung ano ang mahalaga, pagpili sa mga plausible, at pagdala ng mga kahihinatnan. Ang porsyento ay paalala lang na umiiral ang hangganan — at na ito ay nakaupo nang mas malayo sa model kaysa inaasahan ng karamihan ng maingat na team, at mas malayo sa tao kaysa inaamin ng karamihan ng masigasig na vendor.
Saan mataas ang bahagi ng AI
Ang mga task kung saan pinakamarami ang natatakpan ng AI ay may tatlong katangian: mataas na volume, mababang kahihinatnan bawat unit, at isang malinaw na standard na maiche-check.
- Creative at copy variants. Headlines, descriptions, hooks, social copy — gumagawa ang isang AI-native team ng dosena laban sa isang napagpasyahang brief, tapos pinuprune ng tao.
- Research synthesis. Ang paggawa ng isang tumpok ng pampublikong source tungo sa isang structured na summary ay mekanikal na ngayon, na nagpapalaya sa analyst upang magtanong ng mas magagandang tanong.
- Reporting assembly. Ang paghila, pag-join, pag-format, at pagkukuwento ng linggong numbers ay halos automate-able kapag malinis ang data.
- Budget at pacing na math. Ang pag-reforecast, pag-check ng gastos laban sa plan, at pag-flag ng anomalies ay mga task sa pattern-finding na mahusay na gawin ng model.
- Localization at adaptation. Ang pagsasalin at pag-adapt ng isang campaign sa mga market, na may native reviewer sa dulo, ay isang task sa volume na mahusay mag-scale.
Sa mga lugar na ito, ang 75–80% ay isang konserbatibong estimate. Panoorin ang isang mahusay na operator na nagtatrabaho sa isang mahusay na workflow at ang bahagi ng model ay mas mataas pa.
Saan mababa ang bahagi ng AI
Ang mga task kung saan pinakakaunti ang natatakpan ng AI ay may kabaligtarang katangian: mababang volume, mataas na kahihinatnan bawat unit, at walang malinaw na standard.
- Negotiation. Ang media buying, rate cards, partnerships, at commitments ay relational at adversarial. Makakapaghanda sa iyo ang model; hindi nito kayang maupo sa kabilang dulo ng mesa.
- Relationship at trust. Ang mga client ay bumibili ng confidence. Ang confidence ay itinatayo sa mga usapan at inihatid ng isang tao na ang pangalan ay nasa trabaho.
- Final judgment. Ang pagpili ng nag-iisang plan na umaangkop sa tunay na constraint ng client, o ang sandali upang ihinto ang isang test, ay isang judgment na hindi kayang panagutan ng model.
- Brand at taste na pagpasya. Ang pag-alam na ang copy ay on-brand kaysa tama lang ay natutunan na human judgment, at dito nakikinabang ang huling 20%.
- Pagpangalan sa tanong. Sasagutin ng model ang halos kahit ano. Ang pagpasya kung aling tanong ang sulit itanong — at aling metric ang mahalaga — ay pa rin ang pinakamahalagang gawain ng isang senior operator.
Sa mga lugar na ito, makakatulong ang model, pero ang 75–80% ay isang labis na pagmamalabis. Dito, ang bahagi ng tao ang halos buong trabaho.
Isang magaspang na mapa ng hati
| Task | Bahagi ng AI | Ano ang nananatiling tao |
|---|---|---|
| Creative at copy variants | Mataas | Brief, brand judgment, final pick |
| Research synthesis | Mataas | Pag-frame ng tanong, pag-validate ng sources |
| Reporting assembly | Mataas | Pag-interpret ng numbers, ang rekomendasyon |
| Budget at pacing na math | Mataas | Pagpasya kung kikilos sa signal |
| Localization at adaptation | Mataas | Cultural nuance, native review |
| Media planning drafts | Katamtaman | Pagpili ng constraint, pagmamay-ari ng plan |
| Negotiation | Mababa | Ang buong usapan |
| Client relationships | Mababa | Trust, context, accountability |
| Final go/no-go judgment | Mababa | Ang desisyon at mga kahihinatnan nito |
Basahin ang table bilang isang hugis, hindi isang scoreboard. Ang mga hilera na mataas ang bahagi ang lugar kung saan mo unang itinatayo ang workflow, dahil doon nakatira ang throughput. Ang mga hilera na mababa ang bahagi ang lugar kung saan pinoprotektahan mo ang capacity, dahil doon nakatira ang halaga.
Bakit mas mahalaga ang hugis kaysa sa numero
Ang pinakakaraniwang maling paggamit ng prinsipyo ay ang i-quote ang numero na para bang sinukat ito, at pagkatapos ay magplano sa paligid nito.
May isang team na nakarinig ng "80%" at ipagpalagay na makakababa ito ng apat sa limang tao. May isa pang team na nakarinig ng parehong numero at ipagpalagay na dapat nitong panatilihing tao ang lahat upang manatiling ligtas. Pareho nilang itinuturing ang isang heuristic bilang isang katotohanan. Ang trabaho ng numero ay panatilihin kang tapat kung aling 20% ang dapat mong panatilihin — at pigilan kang mag-delegate nang labis ng judgment o tumanggi na muling gawin ang assembly.
Kung may isang bagay kang matatandaan, ito na: ang volume ay nakatira sa kalahati ng machine, at ang accountability ay nakatira sa iyo. Hindi mapagpapalit ang dalawang kalahati, na siyang dahilan kung bakit kapaki-pakinabang ang isang porsyentong paglalarawan at mapanganib ang isang porsyentong target.
Paano i-audit ang sarili mong mga task
Huwag magsimula sa prinsipyo. Magsimula sa aktwal mong trabaho, at hayaan ang prinsipyong mahulog mula sa audit.
- Ilista ang mga task, hindi ang mga job title. Ang "gumawa ng linggong report" ay nabubulok sa pull, clean, join, format, narrate, at interpret. Mataas ang bahagi ng unang lima; mababa ang huling isa.
- Para sa bawat task, magtanong ng tatlo. Gaano karaming volume? Gaano karaming kahihinatnan bawat unit? May malinaw bang standard na maiche-check? Mataas na volume at mababang kahihinatnan at malinaw na standard ay nangangahulugang mataas na bahagi ng AI.
- Markahan nang tahasan ang standard. Ang isang task na walang review standard ay nananatiling tao hanggang magde-defina ka ng isa. Ang volume na walang standard ay risk, hindi throughput.
- Protektahan ang mababang-bahaging gilid. Pangalanan kung sino ang nagmamay-ari ng judgment, ng relationship, at ng huling tawag. Kung hindi malinaw iyon, hindi pa tapos ang workflow.
Ang audit ay karaniwang gumagawa ng isang sorpresa: ginugugol ng isang team ang karamihan ng pagkabalisa nito sa isang hakbang na madaling i-automate, at halos wala sa judgment step kung saan dapat itong namumuhunan. Ginagawang rollout order ng Gabay sa Execution ang audit na ito para sa iba pang lifecycle.
Ang mga failure mode sa magkabilang dulo
Sobrang pagde-delegate. Ipinapadala ng team ang AI output na walang review, tapos sinisisi ang tool kapag may maling claim o pangalan ng competitor na naging live. Ginawa ng model ang sinabi sa kanya; inalis ng workflow ang tao sa maling punto. Ito ang 20% na ninanakaw ng 80%.
Kulang na pagde-delegate. Ginagamit ng team ang AI bilang spell-checker at pinapanatiling manwal ang bawat stage, tapos nagtataka kung bakit walang nag-compound. Ito ang 80% na itinuturing na parang 20%. Ang dalawang pagkakamali ay nagmumula sa parehong pagkakamali: hindi alam kung aling kalahati ang kinaroroonan mo.
Ano ang susukatin
Subaybayan nang hiwalay ang bahagi ng model at ang bahagi ng tao. Sinasabi ng cycle time kung tunay na mas mabilis ang workflow; sinasabi ng quality at error rate kung ginagawa ng review ang trabaho nito. Kung bumababa ang cycle time pero tumataas ang errors, inilipat mo ang trabaho sa machine nang hindi inilipat ang standard — ang pinakamabilis na paraan upang mawala ang tiwala ng client at ang pinakamabagal upang mabawi ito.
FAQ
Ang 75–80% ba ay isang sinukat na figure?
Hindi. Isa itong gumaganang heuristic mula sa pagmamasid sa mga workflow na ito, hindi isang benchmark mula sa isang pag-aaral. Ituring ang hugis bilang kapaki-pakinabang na bahagi: mataas na bahagi sa production at assembly, mababa sa judgment at relationships.
Kayang gawin ng AI ang 100% ng isang media task?
Hindi sa isang kailangang lagdaan ng pangalan ng tao ang resulta. Makakagawa ang AI ng materyal at ng unang pass, at sa makitid at mababang-kahihinatnan na tasks ay makakatakbo ito mula simula hanggang dulo. Anumang may tunay na kahihinatnan ay kailangan ng isang human owner.
Ang mataas na bahagi ng AI ba ay nangangahulugang mas kaunting tao?
Madalas nangangahulugan ito ng mas kaunting tao para sa assembly at pareho o mas marami para sa judgment, relationships, at review. Nagko-concentrate ang mga function kaysa nawawala, kaya ang sagot sa headcount ay nakasalalay sa kung aling kalahati ang pinanig mo.
Paano ko malalaman kung tama ang hati?
Dalawang signal. Bumababa ang cycle time nang hindi tumataas ang errors, at ang mababang-bahaging gilid — judgment, relationships, final call — ay may pangalan na may-ari. Kung kulang ang alinman, patuloy na i-tune ang hangganan.
Ang maikling bersyon
Gumagawa ang AI ng humigit-kumulang 75–80% ng trabaho sa karamihan ng media tasks, pinakamataas ang bahagi sa production, assembly, at pattern-finding at pinakamababa sa negotiation, relationships, at final judgment. Isa itong heuristic para hanapin ang 20% na dapat mong panatilihing tao, hindi isang target sa headcount. I-audit ang sarili mong mga task sa volume, kahihinatnan, at review standard; i-automate ang mataas na bahagi, protektahan ang mababang-bahaging gilid, at sukatin ang cycle time at quality nang magkasama. Ang Gabay sa Execution ang buong mapa ng trabahong iyon, at ang for-team-leads na track ay ginagawang rollout order ang audit.
Nag-aaral pa rin ako ng larangang ito sa publiko, at gumagalaw ang numero ko habang bumubuti ang mga tool. Pero nanatili ang hugis: ang volume ay maaaring i-delegate, ang accountability hindi.
Kung nagpapatakbo ang iyong team ng audit na ito, nais kong marinig kung ano ang nagulat sa iyo — kadalasan hindi ito ang inaasahang task ng mga tao.
Maraming salamat, Chandler
Ang artikulong ito ay available sa Filipino, pero ang course materials (video, template, at companion guides) ay nasa English at Japanese. Available ang site na ito sa 13 wika.