Một Đội Marketing AI-Native Thực Sự Cần Những Vai Trò Gì Trong 2026

Mình cứ nghe đi nghe lại cùng một cuộc trò chuyện dưới nhiều hình thức khác nhau.

Ai đó hỏi: "Giờ có AI rồi thì đội mình cần bao nhiêu người?"

Con số thay đổi liên tục. Lúc thì bốn. Lúc thì mười. Lúc thì "chắc mình cắt giảm một nửa đội được."

Mình hiểu tại sao mọi người bám vào số đầu người. Nó cụ thể. Nó vừa vặn trong một dòng ngân sách. Nó là câu hỏi mà CFO hay đặt ra.

Nhưng theo kinh nghiệm của mình, đó là điểm khởi đầu sai.

Câu hỏi tốt hơn là: đội cần những chức năng gì?

Vì hóa ra các chức năng đó giống nhau dù bạn là một pod agency bốn người, một đội in-house bốn mươi người, hay gì đó ở giữa. Sơ đồ tổ chức thì linh hoạt được. Các chức năng thì không.

Mình đã suy nghĩ về chuyện này rất nhiều trong năm qua, và muốn chia sẻ nơi mình đã đi đến. Mình có thể sai ở một số chi tiết cụ thể. Nhưng cái pattern bên dưới thì cảm giác đúng.

Trước Hết: Tại Sao Không Bắt Đầu Từ Số Đầu Người?

Vì câu trả lời thay đổi theo bối cảnh, và bối cảnh thì khác nhau rất lớn.

Một agency mid-market xây từ đầu hoàn toàn khác với một đội enterprise đang cố gắng đưa AI vào workflow hiện tại. Một đội in-house tám người có những ràng buộc khác với một pod agency phục vụ một khách hàng lớn duy nhất.

Nếu bạn bắt đầu bằng "cần bao nhiêu người?" bạn sẽ có một con số nghe rất chính xác nhưng chỉ phù hợp với một kịch bản.

Nếu bạn bắt đầu bằng "cần những chức năng gì?" bạn sẽ có thứ gì đó áp dụng được nhiều nơi.

Ba Chức Năng Vận Hành (Cộng Một Người Dẫn Dắt Chiến Lược)

Sau khi xây các hệ thống AI cho đội marketing và đi qua cách mô hình vận hành thực sự thay đổi, mình cứ quay lại ba chức năng cần phải tồn tại, bất kể quy mô đội.

1. Kiểm Định Output

Ai đó phải kiểm tra những gì AI tạo ra.

Không chỉ "cái này nhìn ổn không?" mà cụ thể:

cái này có khớp với những gì platform thực sự hiển thị không?
cái này có tuân theo brand guide và quy tắc campaign không?
data có chính xác không, hay AI đã làm trơn đi điều gì đó quan trọng?
cái này có qua được vòng review của stakeholder khó tính nhất không?

Mình bắt đầu gọi đây là chức năng AI Auditor. Người (hoặc những người) kiểm định AI output trên các platform, creative, và data.

Điều thú vị về chức năng này là nó không nhất thiết cần một người senior. Cái nó cần là một người có chiều sâu platform hiện tại — người đã ở trong tools gần đây đủ để nhận ra khi AI tự tin tạo ra thứ gì đó sai. Mình đã viết về điều này trong AI Nâng Sàn Lên Cho Tất Cả — những người gần nhất với platform thường là những người kiểm định tốt nhất, bất kể chức danh.

Một senior strategist ba năm không vào ad platform có lẽ không làm tốt việc này. Một operator mid-level sống trong platform mỗi ngày có thể xuất sắc ở đây.

Điều đó ảnh hưởng đến cách bạn tuyển dụng và phát triển con người.

2. Hạ Tầng Data và Đo Lường

Hệ thống AI chỉ tốt bằng data đổ vào nó. Ai đó cần sở hữu:

implementation và độ chính xác của tracking
định nghĩa conversion events
vệ sinh data warehouse
kết nối data xuyên platform
nguồn sự thật cho đo lường — cái gì là tracking chính xác, ngưỡng sai lệch chấp nhận được, logic attribution đúng

Mình nghĩ về đây như chức năng Signal Architect. Theo kinh nghiệm mình, đây là chức năng khó tuyển nhất ở bất kỳ cấp nào. Những người làm tốt việc này rất hiếm, và phát triển chiều sâu này nội bộ có thể là lựa chọn thực tế duy nhất của bạn.

Khi AI tạo ra một measurement plan hoặc báo hiệu một anomaly hiệu suất, hạ tầng của Signal Architect quyết định liệu phân tích đó có dựa trên data đáng tin hay không. Không có chức năng này, bạn đang xây trên cát.

3. Kiến Thức Có Cấu Trúc và Bộ Nhớ

Đây là chức năng mình đã viết gần đây nhất, và mình nghĩ đây là chức năng bị đánh giá thấp nhất.

Ai đó cần duy trì knowledge base có cấu trúc để mọi thứ khác hoạt động:

bối cảnh khách hàng hoặc thương hiệu (dài hạn: positioning, voice, competitive landscape, seasonal patterns)
kiến thức vận hành (ngắn hạn: pacing tuần này, experiments đang chạy, kết quả gần đây, issues mở)
tiêu chuẩn đánh giá (thế nào là "tốt", cái gì bị reject và tại sao, benchmark nào quan trọng)

Mình gọi đây là chức năng Memory Curator. Người đảm bảo hệ thống AI có bối cảnh hiện tại, chính xác cho mỗi phần công việc.

Long-term memory cập nhật theo quý. Short-term memory cập nhật mỗi cycle. Cả hai loại đều cần được cấu trúc và duy trì có chủ đích. Không có điều này, bạn sẽ gặp vấn đề mình cứ thấy: AI tạo ra output bóng bẩy nhưng hoàn toàn bỏ lỡ business context.

Tin tốt là chức năng này được hưởng lợi từ kinh nghiệm nhưng kỹ năng cốt lõi có thể dạy được. Đây là một trong những điểm vào dễ tiếp cận nhất cho ai đó đang phát triển vào vai trò chiến lược.

Cộng: Một Người Dẫn Dắt Chiến Lược hoặc Account Lead

Ba chức năng này cần ai đó điều hướng tổng thể — đặt ưu tiên, quản lý stakeholders, đưa ra những quyết định trade-off định hình đội làm gì và tại sao. Gọi là Account Lead, Marketing Director, Head of Growth, gì phù hợp với tổ chức của bạn.

Điểm mấu chốt là ba chức năng trên — kiểm định, hạ tầng, bộ nhớ — là lớp vận hành. Người dẫn dắt chiến lược là lớp định hướng. Bạn cần cả hai.

Sáng Thứ Hai Trông Như Thế Nào

Để mình làm cho cụ thể hơn.

Một thương hiệu skincare mid-market đang chuẩn bị ra mắt chiến dịch Q2. AI đã tạo ra media plan, creative brief, và measurement framework ban đầu qua đêm.

Đây là những gì xảy ra trước khi bất cứ thứ gì go live:

AI Auditor mở media plan và kiểm tra đối chiếu với các platform. AI đề xuất chia 60/40 giữa Meta và TikTok — nhưng Auditor biết TikTok Shop integration của thương hiệu bị hỏng tháng trước và chưa được sửa. AI không biết điều đó. Auditor flag trước khi bất kỳ ngân sách nào được commit.

Signal Architect xem measurement framework. AI đề xuất tracking dựa trên pixel setup quý trước. Nhưng Architect biết đội đã chuyển sang server-side tracking hai tuần trước, và các pixel events cũ giờ đang duplicate conversions. Con số attribution sẽ trông đẹp nhưng hoàn toàn sai. Architect sửa event definitions trước khi dashboard được xây.

Memory Curator review creative brief. AI tạo ra thứ gì đó bóng bẩy — tông chuyên nghiệp, CTA mạnh, copy sạch. Nhưng structured memory của Curator cho thấy CEO của khách hàng này đã reject bất cứ thứ gì có framing "sale" quý trước, và đội compliance yêu cầu ngôn ngữ cụ thể về ingredient claims. Curator thêm những ràng buộc đó trước khi brief đến tay đội creative.

Account Lead nhìn cả ba output, giờ đã được kiểm định và sửa, và đưa ra quyết định chiến lược: đẩy ngày ra mắt lùi một tuần vì đối thủ vừa công bố sản phẩm tương tự và thương hiệu cần góc differentiation trước.

Không catch nào ở đây là hào nhoáng cả. Tất cả đều sẽ bị bỏ lỡ bởi một đội chỉ tin vào AI output. Mình đã viết về pattern này trong Tại Sao Hầu Hết Công Cụ AI Marketing Cảm Thấy Nhanh Nhưng Làm Yếu Phán Đoán Của Đội — tốc độ là thật, nhưng không có lớp kiểm định, tốc độ chỉ tăng tốc bạn đến một quyết định tệ hơn.

Hình Dạng Thay Đổi Theo Bối Cảnh

Đây là nơi mình nghĩ cuộc trò chuyện trở nên hữu ích hơn một con số đầu người cố định.

Một pod agency nhỏ hoặc đội startup (3-5 người): Một người giữ hai hoặc thậm chí cả ba chức năng. Người dẫn dắt chiến lược cũng chăm sóc memory. Channel specialist cũng audit AI output. Điều này hoạt động khi đội đủ nhỏ để context được chia sẻ tự nhiên.

Một đội agency mid-market (6-12 người): Mỗi chức năng có một người chuyên trách. Đây là nơi mô hình vận hành bắt đầu tích lũy — structured knowledge của Memory Curator làm mọi chức năng khác hiệu quả hơn theo thời gian. Từ những gì mình thấy, mid-market thực sự là vùng disruption thú vị nhất hiện tại, vì khoảng cách giữa những gì khách hàng này đang nhận được và những gì một đội AI-augmented có thể deliver là lớn nhất ở đây.

Một đội enterprise hoặc in-house (15-40+ người): Mỗi chức năng có thể có cả một đội phía sau. Chức năng AI Auditor trở thành một lớp chất lượng xuyên nhiều channels. Chức năng Signal Architect trở thành năng lực data engineering. Chức năng Memory Curator trở thành thực hành institutional knowledge.

Điểm mấu chốt: các chức năng là không thể thương lượng. Nhãn sơ đồ tổ chức và số người mỗi chức năng thì hoàn toàn linh hoạt.

Đây là lý do mình nghĩ "cần bao nhiêu người?" là câu hỏi sai. Câu hỏi tốt hơn là: "ba chức năng này có tồn tại trong đội của chúng ta không, và ai sở hữu chúng?"

Người Mới Vào Nghề Ở Đâu — Và Tại Sao Điều Này Quan Trọng

Mình muốn nói thẳng điều này, vì mình nghĩ nó quan trọng.

Rất nhiều cuộc trò chuyện về AI và đội nhóm nghe như thế này: đội nhỏ hơn, leverage nhiều hơn, tuyển ít hơn. Và nếu bạn đang ở giai đoạn đầu sự nghiệp, điều đó có thể nghe như: ít cơ hội hơn cho mình.

Mình không nghĩ đúng vậy. Nhưng mình cũng không nghĩ con đường cũ còn hiệu quả nữa, và mình muốn thành thật về điều đó.

Mô hình học nghề cũ hoạt động qua lặp lại. Người mới học bằng cách làm thủ công — chạy reports, setup campaigns, kéo data, format decks — đủ nhiều lần để họ nội hóa phán đoán đằng sau công việc.

Nếu AI giờ xử lý phần lớn sản xuất ban đầu, số lần lặp lại co lại. Câu hỏi trở thành: nếu AI xử lý tất cả công việc junior, làm sao ai đó trở thành senior?

Mình nghĩ đây là một trong những bài toán chưa giải khó nhất trong ngành hiện tại.

Đây là nơi mình đã đi đến, và mình giữ điều này nhẹ nhàng:

Mô Hình Phát Triển 2+2

Khi mình nghĩ về xây dựng đội, mình không giả định tất cả vị trí cần được lấp bởi senior hires bên ngoài.

Cái mình nghĩ hiệu quả hơn là kiểu: 2 người có kinh nghiệm + 2 người trong chương trình phát triển chiều sâu có chủ đích.

Những người có kinh nghiệm mang lại phán đoán và bối cảnh. Các vị trí phát triển mang lại chiều sâu platform hiện tại, năng lượng, và — quan trọng — một lý do để đầu tư phát triển talent thay vì chỉ khai thác.

Chiều Sâu Trước, Không Phải Xoay Vòng Trước

Mô hình sự nghiệp cũ là: đi rộng trước, chuyên sâu sau. Xoay qua các channels, học một chút mọi thứ.

Mình nghĩ mô hình AI-native đảo ngược điều này. Đi sâu trước, rồi mở rộng.

Sáu tháng tập trung sâu vào một lĩnh vực xây chuyên môn bền vững hơn sáu tháng xoay qua bốn mảng. Chiều sâu là cái cho phép bạn kiểm định AI output. Chiều rộng đến sau qua xoay vòng.

Tạo Eval Như Một Cách Học

Một trong những cơ chế học tập mạnh mẽ nhất mình thấy hiện nay là yêu cầu mọi người định nghĩa thế nào là "đúng."

Không chỉ thực hiện task. Định nghĩa tiêu chí đánh giá:

campaign setup tốt trông như thế nào?
điều gì nên kích hoạt review lần hai?
ngưỡng sai lệch chấp nhận được là bao nhiêu?
cái gì không bao giờ được qua mà không có người kiểm tra?

Bài tập đó buộc loại hiểu biết sâu mà trước đây đến từ việc làm thủ công. Người viết pre-launch checklist phải hiểu đủ sâu về lĩnh vực đó để encode phán đoán của chuyên gia vào hệ thống.

Ví dụ: "conversion tracking phải fire trong phạm vi 2% so với con số platform báo cáo trước khi bất kỳ campaign nào go live." Viết quy tắc đó nghe đơn giản. Biết tại sao 2% là ngưỡng đúng, không phải 5% hay 0.5%, đòi hỏi chiều sâu thực sự.

Nó không giống mô hình học nghề cũ. Nhưng mình nghĩ nó có thể hoạt động.

Các Lộ Trình Sự Nghiệp

Mỗi trong ba chức năng mình mô tả cũng là một lộ trình phát triển, không phải nhãn dán cụt:

AI Auditor → phát triển thành account leadership, vì người hiểu sâu điều gì làm output tốt hay xấu là người có thể điều hướng mối quan hệ khách hàng
Signal Architect → phát triển thành measurement leadership, vì kiến thức data infrastructure là một trong những skill sets giá trị và hiếm nhất
Memory Curator → phát triển thành senior strategy, vì người cấu trúc kiến thức cuối cùng trở thành người định hình cách tổ chức tư duy

Nếu bạn đang ở giai đoạn đầu sự nghiệp và đọc đến đây, câu hỏi không phải "sẽ có vai trò cho mình không?" Câu hỏi là "mình đang xây chiều sâu ở chức năng nào?" Đó là bước sự nghiệp tích lũy theo thời gian.

AI Layer Xử Lý Gì

Nếu đội con người được tổ chức quanh các chức năng này, AI layer xử lý phần lớn công việc sản xuất — bản nháp đầu tiên, tổng hợp research, scaffolds báo cáo, documentation, repurpose nội dung.

Nhưng mình sẽ không nhầm lẫn hoạt động AI nhiều với một mô hình vận hành hoàn chỉnh.

Ai đó vẫn phải định nghĩa cái gì được tin tưởng, cái gì cần review, và chất lượng nghĩa là gì. Đó là nơi mình nghĩ nhiều cuộc trò chuyện "AI-first" vẫn hơi nông. Chúng dừng ở generation. Leverage thực sự nằm ở orchestration và evaluation.

Cách Đặt Vấn Đề Empowerment

Thêm một điều nữa, vì mình nghĩ nó quan trọng cho cách đội thực sự áp dụng.

Sự khác biệt giữa đội kháng cự AI và đội đón nhận AI thường nằm ở cách đặt vấn đề.

Nếu thông điệp là "AI thay thế công việc của bạn" hoặc "chúng ta đang tự động hóa để tăng hiệu suất," phản ứng sẽ là kháng cự, lo lắng, disengagement thầm lặng.

Nếu thông điệp là "AI xử lý công việc lặp đi lặp lại để bạn tập trung vào phần đòi hỏi phán đoán," phản ứng thường là tò mò và ownership.

Mình đã chứng kiến điều này xảy ra. So sánh với programmatic rất hữu ích ở đây. Khi insertion orders thủ công biến mất, những người thích ứng trở thành programmatic strategists — vai trò kỹ năng cao hơn, lương cao hơn. Quá trình chuyển đổi không thoải mái. Kết quả là phát triển.

Mình nghĩ chúng ta đang ở một điểm uốn tương tự. Hình dạng công việc thay đổi. Giá trị của những người làm công việc đó tăng lên, không giảm — nếu đội được thiết kế để họ phát triển.

Mình Đang Ở Đâu

Mình vẫn nghĩ mix cụ thể sẽ thay đổi theo từng doanh nghiệp. Một số đội cần creative editor như chức năng cốt lõi. Một số cần channel specialist. Một số cần hai Signal Architects và không cần Memory Curator chuyên trách.

Nhưng cái pattern bên dưới mà mình cứ quay lại:

định nghĩa chức năng, không phải số đầu người
ba chức năng vận hành (kiểm định, hạ tầng, bộ nhớ) là không thể thương lượng
bao gồm vị trí phát triển, không chỉ senior hires
đầu tư vào học nghề theo chiều sâu
để AI layer xử lý sản xuất để human layer tập trung vào phán đoán

Đó là hướng mình đang đi — cả trong cách mình nghĩ về đội nhóm và cách mình đã xây mô hình vận hành của riêng mình trong năm qua.

Mình nói vậy thôi.

Nếu bạn đang redesign đội ngay bây giờ, mình thật sự muốn nghe chức năng nào dễ thiết lập nhất và chức năng nào cứ bị vỡ. Và nếu bạn đang ở giai đoạn đầu sự nghiệp, bạn đang xây chiều sâu ở chức năng nào?

Thân, Chandler