點解 AI Memory 比揀 Model 更加重要 — Marketing Teams 篇
大部分 teams 仲係問應該用邊個 model。以我嘅經驗嚟講，呢個已經唔係最重要嘅問題。如果你嘅 AI system 唔記得個 client 或者 brand、category、同埋乜嘢先叫做好，就算全世界最叻嘅 model 每次對話都係由零開始。
最近我同 marketing teams 傾 AI，不斷聽到同一個問題：
「我哋應該用邊個 model？」
Claude？GPT？Gemini？定係用自己 data fine-tune 嘅 open-source model？
我理解點解大家會問。聽落好似係個 strategic question。好似係最重要嗰個部分。
但我覺得已經唔係。至少唔再係。
以我到目前為止嘅經驗，最大嘅分別通常唔係個 model。係個 memory。
如果你嘅 AI system 每次 chat 完就乜都唔記得，咁每個新 task 都要做返同一套貴夾煩嘅儀式：
- 重新 explain 個 client 或者 business
- 重新 explain 個 audience
- 重新 explain 個 tone
- 重新 explain 之前試過啲乜
- 重新 explain 乜嘢先叫「好」
去到呢個地步，你根本冇一個 system。你有一個好犀利嘅失憶症患者。
我講呢句有感情嘅，因為我自己都 build 過幾個出嚟 :P
Model 好叻。System 仲係善忘。
呢個係過去一年我越嚟越清楚嘅嘢。
Model layer 不斷進步，速度快到離譜。Reasoning 好咗。Multimodal 好咗。Coding 好咗。Tool use 好咗。Latency 降低。Cost shift。每幾個禮拜就有新 benchmark、新 announcement、又一個令你覺得自己落後嘅理由。
但如果我撇開晒呢啲，淨係睇乜嘢真正改變到 marketing team 嘅 outcomes，個問題通常簡單好多：
個 AI 記唔記得夠多 context 去做一個好決定，唔需要每次都由零開始 brief？
呢啲 context 通常唔係好 glamorous。唔係抽象嘅「proprietary data」。通常係啲咁嘅嘢：
- client 或者 leadership team 已經 approve 咗邊啲 messaging
- 上季度邊啲 offers 表現差
- 邊啲 segments 太 narrow scale 唔到
- 邊啲 claims legal 永遠唔會 allow
- 邊個 stakeholder 需要覺得自己有參與
- client、CMO 或者 CFO 真正信邊啲 reporting views
- 呢個 organization 入面邊啲 success 定義先係重要
冇咗呢啲 memory，個 model 仍然可以 produce 好 polished 嘅嘢。有時候真係好 polished。
但 polished 同 useful 係兩回事。
我講嘅「Memory」係指乜
我唔係淨係講 chat history。
我講嘅係一個 structured 嘅 retained context layer，可以隨時間 compound。
我覺得至少有三種 memory 對 marketing teams 重要。
1. Client memory
對 agencies 嚟講，呢個係圍繞個 client 嘅 living context。對 in-house teams 嚟講，係圍繞個 brand、business unit、或者影響緊個工作嘅 leadership priorities 嘅 living context。
- brand voice
- category realities
- approved positioning
- 之前嘅 campaigns
- stakeholder preferences
- known constraints
同一個 memory architecture，唔同嘅 payoff。
如果你喺 agency，呢啲 memory compound 成更好嘅 strategic output 同埋一個越嚟越高嘅 switching cost。如果你喺 in-house，佢變成 organizational memory 同 institutional resilience。當你最叻嘅 strategist 或者 analyst 走咗，啲知識跟唔跟佢走？
呢啲嘢一個新嘅 strategist 通常要透過 meetings、feedback、mistakes 同 repetition 慢慢學。重點唔係你叫佢 client memory 定 organizational memory。重點係如果你唔 deliberately structure 佢，啲 context 就困喺人入面，而唔係喺 system 入面。
2. Operational memory
呢個係「我哋點做嘢」嗰 layer。
- checklists
- channel-specific rules
- QA criteria
- campaign naming systems
- reporting logic
- escalation paths
如果 teams 唔 capture 呢啲，佢哋就不斷重新發現啲一樣嘅 operating truths。通常喺 deadline 壓力之下。通常每次 formatting 都唔同。
3. Evaluation memory
呢個我覺得最有趣。
唔係淨係記 facts。係記 judgment。
Team reject 咗乜嘢，點解？ Client、CMO 或者 leadership team 話乜嘢「唔啱」？ Winning work 入面出現咗啲乜 patterns？ 乜嘢先叫 useful brief、strong plan、trustworthy report、launch-ready setup？
呢個就係令 AI 由 output generation 變成真正 leverage 嘅 layer。（呢個都係我 AI-Native Media Operations course 入面嘅 core ideas 之一 — 個 operating model 只有當 judgment 被 structure 入 system 先 work 到，唔可以靠運氣。）
點解 Memory 比 Models Compound 得更好
Models 透過 vendor roadmaps 改善。
Memory 透過你自己嘅工作改善。
呢個係完全唔同嘅 compounding curve。
如果 Anthropic 或者 OpenAI ship 一個更好嘅 model，你會受惠。梗係。我唔係 dismiss 呢件事。更好嘅 reasoning 絕對重要。
但你嘅競爭對手一樣受惠。
我覺得呢個係大部分人 underweight 嘅部分。
Model improvement 通常係 broadly distributed 嘅。Memory layer 唔係。我喺 AI Raises the Floor 入面寫過一個相關嘅 idea — 當所有人都有同一個 AI，depth 就變成 differentiator。Memory 就係呢種 depth 嘅一種形式。
你嘅 shared client 或 organizational context、你嘅 evaluation criteria、你累積嘅 lessons、你嘅 operating standards、你組織內部對「好」嘅定義。呢啲嘢係喺 organization 入面 build 嘅。用得越多越 sharp。比「我哋用最新嘅 model」難 copy 得多。
換句話講：
- model 係租返嚟嘅 advantage
- memory 係累積嘅 advantage
我可能講得稍為誇張咗，但我覺得冇誇幾多。
我不斷返嚟嗰個 Marketing Example
想像你叫 AI produce 一個 campaign recommendation，俾 client 或者俾你自己嘅 brand team。
一個叻嘅 model 絕對可以 generate 一個合理嘅答案。好多時甚至好得出乎意料。
但如果佢唔知：
- CEO 憎 brand language 聽落太 playful
- Sales team 唔信 MQL volume，除非 opportunity quality 可以見到
- 上兩次 YouTube experiments 表現差係因為 landing page mismatch 先係真正問題
- Regional markets 需要唔同嘅 proof points
- Finance 已經 cap 咗呢季嘅 paid social growth
咁個答案可能仲係睇落好 strategic。
甚至可能比真相聽落更加 strategic。
但以我嘅經驗，呢個正正就係 teams 用 AI 出事嘅地方。佢哋搞混咗 fluency 同 situated intelligence。
個 model 聽落好似明白個 business。佢實際上明白嘅係一個好答案嘅 shape。
呢兩樣嘢係唔同嘅。
當然，風險係 Bad Memory
呢度我要公道啲講。
Memory 唔係自動就好。Bad memory scale bad assumptions。Stale memory 鞏固過時嘅 thinking。Unstructured memory 變成 junk drawer。如果你將所有嘢 dump 入「context」，個 system 只會越嚟越嘈，唔係越嚟越叻。
所以我唔係話要 infinite memory。
我係話要 curated memory。
Useful memory。
嗰種幫到 team 答到以下問題嘅：
- AI 預設應該知道啲乜？
- 乜嘢應該係 task-specific？
- 乜嘢應該喺 reuse 之前 validate？
- 乜嘢應該 retire 因為已經唔反映現實？
換句話講，memory 需要 stewardship。好似 content 咁。好似 strategy 咁。
我覺得 Teams 應該先 Build 乜
如果我幫一個 marketing team 認真處理呢件事，我會由一個好唔 glamorous 嘅 exercise 開始。
唔係 prompt libraries。 唔係 model bake-off。 唔係「我哋嘅 AI strategy deck」。
我會由 define 呢啲嘢開始：
- 邊啲 context 最常被 reuse？
- 因為 system 唔記得而不斷重複嘅 errors 係乜？
- 乜嘢 criteria define acceptable output？
- 邊啲 client 或 brand knowledge 永遠唔應該再打多次？
呢啲會即刻話你知 memory layer 應該 store 乜嘢。
而一旦有咗呢個 memory，model decisions 就變得更有價值，因為佢哋係建基於一個好得多嘅 foundation。
呢個係我越嚟越對 shared memory architectures 有興趣多過 model debates 嘅原因之一。Models 重要。但冇 memory 嘅 systems 製造好多假 productivity。
所有嘢睇落好快。但乜都冇真正累積到。
我而家嘅諗法
我仲係 care models 嘅。我不斷 test。用多過一個。我鍾意啲 comparisons。佢哋真係有用。
但如果你問我一個 marketing team 嘅 durable advantage 而家係嚟自邊度，我唔會由 model 開始。
我會由呢個問題開始：
當個靚靚嘅 demo 完咗之後，你嘅 AI system 記得啲乜？
如果答案係「冇乜嘢」，咁我覺得呢個先係真正嘅 bottleneck。
呢個就係我一直 build STRATUM 背後嘅部分 thinking。唔係「又一個 chatbot」，而係一個 context compound 而唔係消失嘅 system。我可能之後會另外寫呢方面，因為的確有個 product angle，但我覺得個 operating model 大過任何一個 product。
就係咁。
我好想聽到其他 teams 點諗呢件事。你哋花多啲時間揀 models 定係 build memory？你有冇搵到方法令 shared context 保持有用而唔變成 clutter？
祝好，Chandler
