2026年AI原生營銷團隊到底需要啲咩角色

我不斷聽到同一個對話，只不過用唔同嘅形式出現。

有人問：「而家有咗AI，我哋團隊需要幾多人？」

個數字次次唔同。有時係四個。有時係十個。有時係「我哋應該可以將呢個團隊裁一半。」

我理解點解大家會錨定喺人頭數。呢個好具體。佢放得入預算。呢個係CFO會問嘅問題。

但以我嘅經驗嚟講，呢個起步點係錯嘅。

更好嘅問題係：團隊需要邊啲職能？

因為呢啲職能，無論你係四個人嘅agency pod、四十個人嘅in-house團隊、定係介乎兩者之間，其實都係一樣嘅。組織架構可以好靈活。但職能冇得退讓。

過去一年我一直喺度諗呢件事，我想分享下我而家嘅睇法。有啲具體細節我可能搞錯咗。但背後嗰個pattern，我覺得係啱嘅。

首先：點解唔應該由人頭數開始？

因為答案會因context而變，而context差異可以好大。

一間由零開始build嘅mid-market agency，同一個喺現有workflow入面改造AI嘅enterprise團隊，完全唔同。八個人嘅in-house團隊同服務單一大客嘅agency pod，面對嘅制約亦唔同。

如果你由「需要幾多人？」開始，你會得到一個好精確但只適用於某個場景嘅數字。

如果你由「需要啲咩職能？」開始，你會得到一啲可以搬到唔同場景嘅嘢。

三個營運職能（加一個策略領導）

喺幫營銷團隊build AI系統，同埋實際研究營運模式點變嘅過程中，我不斷返到三個無論團隊大細都必須存在嘅職能。

1. 產出驗證

一定要有人check AI出嘅嘢。

唔止係「呢個睇落啱唔啱？」咁簡單，而係具體地：

呢個同平台實際顯示嘅一唔一致？
呢個有冇跟我哋嘅品牌指引同campaign規則？
數據準唔準確，定係AI偷偷smoothen咗啲重要嘢？
呢個過唔過到我哋最嚴格嘅stakeholder嘅review？

我開始叫呢個做AI審核員職能。負責喺平台、創意同數據層面驗證AI產出嘅人。

呢個職能有趣嘅地方係，佢唔一定需要一個senior嘅人。佢需要嘅係對平台有即時depth嘅人——一個近期一直喺工具入面做嘢，所以能夠認出AI幾時自信噉produce咗錯嘢嘅人。我喺AI提高咗底線入面寫過呢個——最貼近平台嘅人，往往係最好嘅驗證者，唔理佢個title係咩。

一個已經三年冇入過廣告平台嘅senior策略師，大概做唔好呢件事。一個日日喺平台入面做嘢嘅mid-level operator，可能做得非常出色。

呢個對你點樣請人同培養人好重要。

2. 數據同量度基建

AI系統嘅好壞取決於流入嘅數據。一定要有人own：

追蹤實施同準確性
轉換事件定義
數據倉庫嘅衛生
跨平台數據連接
量度嘅ground truth——咩先算準確追蹤、可接受嘅誤差範圍、正確嘅歸因邏輯

我將呢個理解為信號架構師職能。以我嘅經驗，呢個係任何seniority level都最難請嘅職能。能夠做好呢件事嘅人好稀有，喺內部培養呢種depth可能係你唯一現實嘅選項。

當AI generate咗一份measurement plan或者flag咗一個表現異常，信號架構師嘅基建決定咗嗰個分析係咪建基於可信嘅數據。冇咗呢個職能，你係喺沙上面build嘢。

3. 結構化知識同記憶

呢個係我最近寫得最多嘅職能，我覺得佢係最被低估嘅。

一定要有人維護令所有嘢運作嘅結構化知識庫：

客戶或品牌context（長期：定位、聲音、競爭格局、季節性pattern）
營運知識（短期：呢個禮拜嘅pacing、進行中嘅實驗、最近嘅結果、未解決嘅問題）
評估標準（「好」係咩樣、咩被reject咗同點解、邊啲benchmark重要）

我叫呢個做記憶策展人職能。確保AI系統對每一件工作都有即時、準確嘅context嘅人。

長期記憶每季更新。短期記憶每個cycle更新。兩種都需要有結構噉、刻意噉維護。冇咗呢個，你就會遇到我不斷見到嘅問題：AI出嘅嘢好polish，但完全miss咗業務context。

好消息係呢個職能受益於經驗，但核心技能係可以教嘅。呢個係想發展到策略角色嘅人最容易入手嘅起點之一。

加上：策略或客戶領導

呢三個職能需要有人掌舵整體方向——設定優先序、管理stakeholder、做影響團隊做咩同點解嘅trade-off。叫佢做客戶領導、營銷總監、增長負責人，隨你嘅組織而定。

重點係以上三個職能——驗證、基建、記憶——係營運層。策略領導係方向設定層。你兩個都需要。

星期一朝早呢個會係咩樣

等我講得具體啲。

一個mid-market護膚品牌準備推出Q2 campaign。AI過咗一晚generate咗初步嘅media plan、creative brief同measurement framework。

喺任何嘢上線之前，會發生以下嘅事：

AI審核員打開media plan，同平台對照check。AI建議喺Meta同TikTok之間做60/40 split——但審核員知道個品牌嘅TikTok Shop integration上個月壞咗，而且仲未修好。AI唔知呢件事。審核員喺任何budget被commit之前就flag咗。

信號架構師睇measurement framework。AI基於上季嘅pixel設置提出追蹤方案。但架構師知道團隊兩個禮拜前已經migrate到server-side tracking，舊嘅pixel events而家喺度duplicate conversions。歸因數字會睇落好靚，但完全係錯嘅。架構師喺dashboard build好之前就修正咗事件定義。

記憶策展人review creative brief。AI出咗好polish嘅嘢——professional嘅tone、strong嘅CTA、乾淨嘅copy。但策展人嘅結構化記憶顯示，呢個客戶嘅CEO上季reject咗所有帶「sale」framing嘅嘢，而且合規團隊對成分聲明有specific嘅用語要求。策展人喺brief到達creative團隊之前加入咗呢啲限制。

客戶領導睇晒三個output，而家已經驗證同修正咗，然後做出策略決定：將launch日期推遲一個禮拜，因為競爭對手啱啱公佈咗類似嘅產品，品牌需要先搵到差異化角度。

呢啲catch冇一個係glamorous嘅。但全部都會俾一個淨係信AI output嘅團隊miss咗。我喺點解大部分AI營銷工具感覺快但削弱團隊判斷入面寫過呢個pattern——速度係真嘅，但冇咗驗證層，速度只係加速你駛向更差嘅決定。

形態喺唔同context點變

呢度我覺得個對話開始比固定人頭數更有用。

細agency pod或startup團隊（3-5人）： 一個人同時hold兩個甚至三個職能。策略領導同時做記憶策展。Channel specialist同時審核AI output。喺團隊細到context自然共享嘅時候，呢個行得通。

Mid-market agency團隊（6-12人）： 每個職能有一個專人。呢個係營運模式開始compound嘅地方——記憶策展人嘅結構化知識令其他所有職能隨時間越嚟越有效。就我所見，mid-market而家其實係最有趣嘅disruption zone，因為呢啲客戶而家得到嘅服務同AI-augmented團隊能夠deliver嘅之間，差距最大。

Enterprise或in-house團隊（15-40+人）： 每個職能可能有成個team。AI審核員職能變成跨多個channel嘅quality layer。信號架構師職能變成data engineering能力。記憶策展人職能變成institutional knowledge嘅practice。

重點： 職能係冇得傾嘅。組織架構嘅label同每個職能嘅人數完全可以彈性處理。

呢個就係點解我覺得「需要幾多人？」係錯嘅問題。更好嘅問題係：「呢三個職能喺我哋團隊入面存唔存在，邊個own佢哋？」

Junior嘅人喺邊度——同埋點解呢個重要

我想直接講呢個問題，因為我覺得好重要。

好多關於AI同團隊嘅討論聽落係咁嘅：更細嘅團隊、更大嘅leverage、更少嘅hiring。如果你career比較早期，呢個聽落好似：我嘅機會更少。

我唔覺得係咁。但我亦唔覺得舊嘅路仲行得通，我想坦白講。

舊嘅學徒模式靠重複運作。Junior嘅人通過手動做task嚟學——跑report、setup campaign、pull數據、format decks——做到夠多次，佢哋就internalize咗工作背後嘅判斷。

如果AI而家handle咗好多first-pass嘅production，重複就會縮減。問題變成：如果AI handle晒所有junior嘅工作，點樣有人可以become senior？

我覺得呢個係行業而家最難嘅未解決問題之一。

以下係我而家嘅睇法，我hold得好loose：

2+2發展模式

當我諗點build一個團隊，我唔會假設所有角色都需要senior嘅外部hire嚟填。

我覺得更好嘅係類似：2個有經驗嘅人 + 2個喺刻意嘅depth-first發展計劃入面嘅人。

有經驗嘅hire帶嚟判斷同context。發展位帶嚟即時嘅平台depth、能量，同——至關重要——一個投資喺培養人才而唔係淨係extract佢嘅理由。

深度優先，唔係輪崗優先

舊嘅career模式係：先go broad，之後先specialise。輪崗唔同channel，每樣學少少。

我覺得AI-native模式將呢個反轉。先go deep，之後先broaden。

六個月深度專注喺一個discipline，build出嘅expertise比六個月輪崗四個area更加持久。深度先係令你能夠validate AI output嘅嘢。廣度之後通過輪崗再嚟。

評估創建作為學習

我而家見到最powerful嘅學習機制之一，係叫人定義「正確」係咩樣。

唔止係execute個task。定義評估標準：

一個好嘅campaign setup係咩樣？
咩應該觸發second review？
幾多誤差先可以接受？
咩嘢一定唔可以冇human check就pass？

呢個練習迫出嗰種以前靠手動做嘢先有嘅深度理解。寫pre-launch checklist嘅人要對個discipline深入到可以將expert判斷encode入一個系統。

例如：「conversion tracking必須喺campaign上線前同平台報告嘅數字偏差2%以內先可以上。」寫呢條rule聽落簡單。知道點解2%係啱嘅threshold，而唔係5%或0.5%，就需要真正嘅depth。

呢個同舊嘅學徒制唔同。但我覺得佢行得通。

Career Tracks

我描述嘅三個職能，每一個都係一條發展track，唔係dead-end label：

AI審核員 → 發展成客戶領導，因為深入理解咩令output好或差嘅人，就係能夠steer客戶關係嘅人
信號架構師 → 發展成量度領導，因為data infrastructure知識係最有價值同最稀有嘅技能之一
記憶策展人 → 發展成senior策略，因為結構化知識嘅人最終會變成塑造組織思維方式嘅人

如果你career比較早期同埋喺度睇緊呢篇，問題唔係「會唔會有一個角色俾我？」問題係「我喺build邊個職能嘅depth？」呢個先係會compound嘅career move。

AI層handle啲咩

如果human團隊圍繞呢啲職能組織，AI層就handle好多production工作——初稿、research synthesis、報告架構、文件、內容再利用。

但我唔會將AI高活動量同一個完整嘅營運模式搞混。

仲係要有人define咩嘢可以trust、咩嘢需要review、同埋質量係咩意思。呢個就係我覺得好多「AI-first」嘅對話仲感覺有啲淺嘅地方。佢哋停喺generation。真正嘅leverage係喺orchestration同evaluation。

賦權嘅框架

仲有一件事，因為我覺得呢個對團隊實際點採用AI好重要。

一個抗拒AI嘅團隊同一個擁抱AI嘅團隊之間嘅分別，往往喺於framing。

如果個message係「AI喺取代你份工」或者「我哋為咗效率而自動化」，反應就係抗拒、焦慮、靜靜雞disengage。

如果個message係「AI handle重複嘅工作，等你可以focus喺需要判斷嘅部分」，反應通常係好奇心同ownership。

我見過呢個play out。Programmatic嘅parallel好有用。當manual insertion orders消失嘅時候，適應咗嘅人變成programmatic strategists——技能更高、薪酬更高嘅角色。個轉變係uncomfortable嘅。但結果係growth。

我覺得我哋而家喺一個類似嘅inflection point。工作嘅形態變咗。做呢份工嘅人嘅價值係升唔係跌——如果個團隊設計成讓佢哋發展嘅話。

我而家嘅位置

我仲係覺得具體嘅mix會因業務而異。有啲團隊需要creative editor作為核心職能。有啲需要channel specialist。有啲需要兩個信號架構師而唔需要專職嘅記憶策展人。

但我不斷返到嘅底層pattern：

定義職能，唔係人頭
三個營運職能（驗證、基建、記憶）冇得傾
包含發展位，唔止係senior hire
投資喺depth-first嘅學徒制
讓AI層handle production，等human層可以focus喺判斷

呢個就係我一直行緊嘅方向——無論係我點諗團隊，定係過去一年我點build自己嘅營運模式。

就咁多。

如果你而家喺度redesign一個團隊，我真心想聽邊個職能最容易建立，邊個不斷出問題。如果你career比較早期，你喺build邊個職能嘅depth？

祝好，Chandler