Những Gì AI Vẫn Làm Sai Trong Media Operations Khi Thiếu Judgment Của Người Có Kinh Nghiệm
AI giờ có thể tạo ra media plans, performance summaries, measurement frameworks, và campaign setups với tốc độ ấn tượng. Vấn đề không phải output tệ một cách rõ ràng. Vấn đề là nó thường đủ tốt để qua được một lượt review sơ sơ, trong khi bỏ lỡ business context thực sự quan trọng.
Trong vài tháng qua, khi mình đang xây khóa học về AI-native media operations, mình cứ quay đi quay lại với cùng một suy nghĩ khó chịu.
AI đang trở nên đủ giỏi để nguy hiểm theo một cách rất cụ thể.
Không phải nguy hiểm vì nó sai một cách rõ ràng. Nguy hiểm vì nó thường đúng một cách hợp lý.
Đó là một failure mode rất khác.
Nếu một AI model cho bạn câu trả lời vô lý, đa số mọi người sẽ phát hiện. Bạn cười, có khi screenshot, có khi post lên LinkedIn, rồi bỏ qua.
Nhưng nếu AI đưa cho bạn một campaign plan đúng 80%, một measurement framework nghe có vẻ hoàn chỉnh, một reporting narrative trông bóng bẩy, hoặc một channel recommendation nhìn chiến lược nhất quán, thì failure tinh vi hơn nhiều.
Vẫn phải có ai đó hỏi:
- Cái này có bám vào business thực tế không?
- Cái này có phù hợp với client context không?
- Cái này có phản ánh cách platform hoạt động ngoài đời thực không?
- Cái này có tạo ra những trade-offs đúng, chứ không chỉ câu trả lời trông sạch sẽ nhất?
Đó là chỗ mà senior judgment vẫn quan trọng. Rất quan trọng.
Vấn Đề Không Phải "AI Kém Về Media"
Nói rõ nhé, mình không nghĩ AI kém về media operations nữa.
Thực ra, mình nghĩ lập luận đó ngày càng yếu đi mỗi tháng.
AI đã hữu ích cho:
- media plans bản nháp đầu
- audience hypotheses
- reporting summaries
- creative testing frameworks
- competitive scans
- campaign QA checklists
- measurement documentation
Nếu ai đó vẫn nói, "AI chỉ là đồ chơi thôi," mình nghĩ họ đang đánh giá thấp những gì đang xảy ra.
Mối lo của mình gần như ngược lại.
AI đã mạnh đủ để nhiều teams sẽ tin tưởng nó trước khi họ xây được judgment layer cần thiết để giám sát nó tốt.
Và theo kinh nghiệm của mình, media operations đầy những judgment calls không hiện lên gọn gàng trong documentation nào cả.
Năm Thứ AI Vẫn Làm Sai
Đây là những patterns mình cứ thấy đi thấy lại.
1. Nó tối ưu cho metric nhìn thấy được, không phải business objective thực sự
AI rất giỏi follow target mà nó được giao.
Nghe hiển nhiên. Nhưng trong media, stated target và real target thường không giống nhau.
Có khi KPI nói leads, nhưng business thực sự cần qualified pipeline. Có khi brief nói reach, nhưng client thực ra cần sự tự tin chính trị nội bộ. Có khi dashboard nói efficiency, nhưng brand đang âm thầm bảo vệ premium positioning.
AI thường tối ưu cái legible.
Senior judgment là thứ đặt câu hỏi liệu legible target có phải target đúng ngay từ đầu không.
2. Nó coi platform guidance là hiện thực
Platform best practices rất hữu ích. Mình đã dành phần lớn sự nghiệp làm việc với chúng.
Nhưng ai đã thực sự chạy campaigns nhiều năm đều biết khoảng cách giữa platform guidance và thực tế vận hành lộn xộn.
Cái hoạt động trong help center không phải lúc nào cũng hoạt động cho client này, budget này, category này, market này, data maturity này, hay deadline này.
AI thường đưa ra câu trả lời đúng sách. Người vận hành có kinh nghiệm biết khi nào câu trả lời đúng sách vỡ khi chạm vào thực tế.
3. Nó bỏ lỡ stakeholder politics
Đây là kẻ giết người thầm lặng.
Một media plan có thể đúng về mặt toán học mà vẫn thất bại vì nó không khớp với kỳ vọng của stakeholder.
Có khi client cần đầu tư brand rõ ràng vào một channel vì leadership tin vào đó. Có khi regional team cần sự linh hoạt địa phương. Có khi tổ chức sales không tin black-box attribution. Có khi procurement quan tâm đến vendor consolidation hơn là sự tinh tế.
Điều này không có nghĩa mình nên đầu hàng strategy cho politics. Mình không nói vậy.
Mình nói media operations sống bên trong tổ chức, không phải bên trong diagram sạch sẽ.
Người có kinh nghiệm thường biết những tripwires vô hình ở đâu.
4. Nó san phẳng các ngoại lệ
AI thích hệ thống sạch sẽ.
Media operations thực tế không sạch sẽ.
Ngoại lệ ở khắp nơi:
- client có quy trình phê duyệt bất thường
- market có giới hạn platform
- measurement stack có điểm mù đã biết
- ràng buộc pháp lý
- vấn đề taxonomy kế thừa
- creative dependencies làm chậm mọi thứ
Máy có xu hướng đưa cho bạn một operating model nhất quán. Con người phải nhận ra cái ngoại lệ xấu xí duy nhất làm vỡ toàn bộ.
5. Nó nhầm completeness với readiness
Cái này mình thấy đặc biệt liên quan vì mình thấy cùng pattern trong coding.
AI cực kỳ giỏi tạo ra những thứ trông như đã xong.
Deck có sections. Report có bullet points. Framework có categories. Recommendation có logic.
Vậy mà, khi bạn thử dùng nó trong môi trường thực, có gì đó sai.
Sequencing sai. Risk bị nói giảm. Bước validation bị thiếu. Recommendation giả định capabilities mà team không có.
Bước cuối cùng từ "complete" đến "ready" vẫn rất con người.
Senior Judgment Không Có Nghĩa Chỉ Là Seniority
Mình cần thêm một nuance quan trọng ở đây.
Khi mình nói "senior judgment," mình không có nghĩa là người có title cao nhất trong phòng tự động có câu trả lời tốt nhất.
Thực ra, một trong những thực tế khó chịu của media agencies là VP of strategy có thể đã không đụng platform sâu trong nhiều năm. Planning director có thể không biết quirks mới nhất trong implementation. Người gần sự thật nhất có thể là một operator junior hơn vẫn làm việc trong hệ thống mỗi ngày.
Nên mình không nghĩ câu trả lời là:
"Để AI làm việc, rồi nhờ một senior executive bless nó."
Mình nghĩ câu trả lời gần hơn với:
AI tạo bản nháp đầu. Những người thực hành sâu validate operational truth. Người có kinh nghiệm thêm business judgment, trade-off judgment, và organizational judgment.
Đó là một operating model rất khác so với cả hệ thống phân cấp agency cũ lẫn phiên bản lười biếng của "AI thay thế công việc junior."
Eval Layer Mới Là Công Việc Thực Sự
Mình đã viết gần đây về chiều sâu trở thành yếu tố khác biệt khi AI nâng sàn lên.
Mình nghĩ biểu hiện vận hành của điều đó là evals.
Không chỉ theo nghĩa machine learning. Theo nghĩa team thực tế.
Gì định nghĩa một campaign setup tốt? Gì định nghĩa một report đáng tin? Ngưỡng sai lệch nào chấp nhận được? Gì được coi là launch-ready? Gì nên trigger một lần review thứ hai?
Những định nghĩa đó không phải overhead hành chính. Chúng là judgment layer.
Và teams nào xây layer này tốt sẽ nhận được nhiều giá trị hơn từ AI so với teams dừng lại ở prompt libraries và generic automation.
Điều Này Để Teams Ở Đâu
Mình không nghĩ takeaway là "hãy sợ AI."
Takeaway đòi hỏi hơn thế.
Dùng AI mạnh tay. Để nó làm 75-80%. Nhưng phải cực kỳ rõ ràng về chỗ nào human judgment vào:
- thiết lập mục tiêu
- validation
- ngoại lệ
- trade-offs
- quản lý stakeholder
- tiêu chuẩn chất lượng
Đó không phải anti-AI. Đó là một AI operating model nghiêm túc trông như thế nào.
Đây cũng là lý do mình xây Module 1 của khóa học theo cách mình đã làm. Mình muốn module miễn phí cho thấy toàn bộ campaign lifecycle, đúng, nhưng cũng là điểm lớn hơn bên dưới: AI có thể chạm vào mọi phase. Điều đó không loại bỏ nhu cầu về experienced judgment. Nó thay đổi chỗ mà judgment đó quan trọng nhất.
Vậy thôi từ mình.
Mình thực sự muốn nghe mọi người đang xử lý chuyện này trong thực tế như thế nào. Nếu bạn đang chạy media teams rồi, bạn thấy AI tạo ra wrong answers thuyết phục nhất ở đâu? Và nếu bạn đang ở giai đoạn sớm hơn trong sự nghiệp, bạn cảm thấy judgment bar đang rõ hơn hay mờ hơn?
Cheers, Chandler
