AI media planning 意思係 model 對住同一份 brief 同 budget 草擬幾個結構化方案，planner 喺幾個講得通嘅 plan 度揀同 refine，而唔係手工拼裝一份 slide。呢個變化睇落係速度增益，其實係一種交付物形狀嘅改變——而且只有當 measurement 同個 plan 一齊設計嗰陣，佢先回本。
我喺 planning 同 buying 度花咗 18 年。個 planning slide 曾經係證明你做過工作嘅產物：一頁頁 slide、flowchart、budget 表、一套論證。當中好多係拼裝，而拼裝正正係 AI 攞走嘅嘢。剩低嘅係從來就係份工本身嘅部分——決定邊個 constraint 先係真係重要、並據此押上一條建議。下面講兩半——plan 同 measurement——點樣一齊變。
Planning 交付物改變形狀
喺舊 model，planner 產出一份 plan。時間係 constraint，所以交付物係一個打磨到睇落無可避免嘅最佳猜測。好少會有第二個選項，因為第二個選項要再花一個禮拜。
喺 AI 原生 model，model 對住同一份 brief 同 budget 產出幾個結構化方案——唔同嘅 channel 組合、投放節奏、audience 切分、creative 輪換——每一個內部自洽、每一個都計咗成本。Planner 嘅第一項工作由「砌一份 plan」轉向「比較一組講得通嘅 plan」。份 slide 變成一份決策記錄，而唔係一個建造 project。
噉係 senior 人才時間嘅更好用法，但佢暴露咗一個弱點。當你只有一份 plan，你為佢辯護。當你有五份，你需要一個揀選嘅標準，而大部分團隊冇寫低佢。冇佢，五個選項只係將爭論推後。
由砌 plan 到喺 plan 之間揀
而家重要嘅技能係鑑別力：快速睇出邊個選項貼合真實 constraint、邊個只係好睇。
實務上，model 嘅選項只同你俾佢嗰份 brief 一樣好，而思考住喺份 brief 度。如果份 brief 話「喺 budget 內最大化 reach」，你會得到五份最大化 reach 嘅 plan，冇從分辨。如果佢話「喺一個只有兩個禮拜銷售窗口嘅市場度，將 frequency 壓喺 fatigue 閾值以下，同時將 CPM 保持喺目標之下」，你會得到差異值得討論嘅選項。個 plan 嘅質素喺 model 跑之前就定咗。
Planner 嘅判斷跟住落喺三個地方：揀嗰個選項、講出咩會令佢錯、以及set一條會喺 campaign 進行中觸發改變嘅 tripwire。嗰個係比幫 flowchart 排版更有價值嘅工作，亦都更難造假。
團隊規劃不足嘅 measurement 嗰一半
呢個係我見得最多嘅失敗，而佢係靜靜嘅。團隊駁好 AI planning，產出更多選項、跑更多 variant——但保留佢一直有嘅嗰套 measurement design。結果係更多活動、冇更多學習，因為冇嘢喺個設計度係設定嚟將啲選項互相比較嘅。
Media planning 同 measurement 通常被當成兩個喺末尾相遇嘅 project。喺一個 AI 原生 workflow，佢哋係一個設計。如果個 plan 生成 variant，measurement 就要預先決定邊啲 variant 會被比較、喺咩訊號上、喺咩窗口內、以及咩算結果而非雜訊。否則你生成嘅係更多使錢嘅方式，而唔係更多關於邊一種有效嘅證據。
同個 plan 一齊設計 measurement
四個決定，喺所有嘢運行之前做出，將量變成證據。
- 邊啲 variant 會被比較。 你喺你跑嘅所有嘢入面學唔到嘢。揀嗰啲會改變未來決定嘅少數比較，其餘當單臂執行。
- 咩訊號算數。 預先決定主要指標同 guardrail 指標，令讀結果唔係事後嘅談判。
- 咩窗口、咩 baseline。 預先定義週期同比較點，否則每個結果都變得可爭辯。
- 邊個讀、幾時讀。 點名個人同節奏。冇讀者嘅 measurement design 係一份冇人開嘅 report。
呢啲都唔係新統計學。佢係喺你運行之前先決定個 test 嘅紀律，而 AI 令呢條紀律更有必要、唔係更少，因為佢成倍增加咗你測得到嘅嘢。
傳統 planning vs AI 原生 planning
| 維度 | 傳統 planning | AI 原生 planning |
|---|---|---|
| 交付物 | 一份打磨好嘅 plan | 幾個計咗成本嘅選項 |
| Planner 嘅工作 | 砌同辯護 | 揀、refine、set tripwire |
| 時間成本 | 每份 plan 幾週 | 每個選項幾分鐘 |
| Constraint | Planner 工時 | 決策標準同乾淨 brief |
| Measurement | Plan 之後設計 | 同個 plan 一齊設計 |
| 學習 | 每個 campaign、事後 | 每個 variant、設計入去 |
| 失敗模式 | 慢同單一 | 有量但冇比較標準 |
將最後一行當成要防範嘅嘢。AI 原生嘅失敗唔係慢；而係產出一大堆、學到少少，因為冇人決定呢份 plan 本該教你咩。
兩個選項本身係一個設計決定
有一個版本會靜靜咁失敗：model 產出選項，planner 無視佢哋、繼續為原 plan 辯護，多出嚟嘅量變成表演。選項嘅數量本身係一個設計選擇。對住一份鋒利嘅 brief，兩個構造良好嘅備選通常足以逼出一個真決定；五個往往產出一場更長嘅會同同樣嘅結論。揀嗰個令選擇誠實嘅數量，俾 model 喺被揀定嘅選項之內產出 variant，而唔係喺佢隔籬產出更多選項。
Planner 仍然擁有咩
如果 model 起草選項，planner 做咩？同以前一樣嘅嘢，只係集中咗。
- 揀 constraint。 決定邊個客戶現實真正起緊作用——銷售窗口、margin、creative 供給——係 model 無法代你做嘅人類決定。
- 喺講得通嘅選項之間鑑別。 知道五份好睇嘅 plan 入面邊一份貼合真實情況，而家係核心技能。
- 定義成功。 喺 campaign 運行之前講出 metric 同 tripwire，係令量變得可學習嘅嘢。
- 擁有條建議。 有人為個 plan 簽名並為佢負責。噉唔可以下放。
我喺一篇更早嘅文章media planner 會點樣失去工作做過一個版本嘅論證，嗰陣自動化仲係一個 research 工具同一張試算表。啲工具變化巨大；模式冇變。失去工作嘅 planner，價值曾經係拼裝。保住份工嘅，價值曾經係判斷，而 AI 而家令呢個區分對所有人都可見。
由邊度開始
揀一場 campaign，將 plan 同 measurement 一齊重建，而唔係順序咁做。將份 brief 寫到講得出真實 constraint。俾 model 產出三個計咗成本嘅選項。揀一個，寫低咩會令佢錯，並定義你會跑嗰個比較。然後跑佢，按你預先設好嘅節奏讀結果。
做一次，你就會比成年嘅 slide 經驗更了解你自己嘅 planning 標準。面向 team lead 嘅 lane將佢喺生命週期度排序，Strategy 指南將佢擺喺更寬嘅 lane 度。
FAQ
AI 會寫成份 media plan 咩？
佢快速、一致咁起草結構化選項，嗰個係拼裝嘅大部分。佢唔決定邊個 constraint 重要、唔喺選項之間揀、亦都唔擁有條建議。個 plan 仍然係人嘅交付物；起草唔係。
點解 measurement 喺 AI 原生 plan 入面更重要？
因為 AI 成倍增加咗你跑得到嘅選項同 variant。冇預先決定嘅 measurement design，多出嚟嘅量產出嘅係活動而非證據——更多花費，冇更多關於邊種方法有效嘅學習。
Planner 仲會存在咩？
呢個角色集中而非消失。Planning 同 media 其餘部分一樣，分成拼裝（大體可自動化）同判斷（唔可以）。價值曾經係拼裝嘅 planner 暴露咗；價值係揀同定義成功嘅 planner 變得更核心。
呢個唔係換咗個名嘅 testing 咩？
佢更接近將個 campaign 設計成可讀，而唔係跑一個實驗室測試。重點唔係令每場 campaign 都變成 experiment，而係預先決定邊少數比較會改變未來決定，並據此砌個 plan 令嗰啲比較成為可能。
短版
AI 將 planning 由「砌一份 plan」變成「喺多份之間揀」，而錢在於同 measurement 嘅配對。如果個 plan 被生成、measurement 冇被重建，你得到更多選項、冇更多證據。喺運行之前設計比較、訊號、窗口同讀者；將判斷留返俾人；量就變成學習而唔係雜訊。
我自己都做過唔少睇落確定、卻咩都教唔到嘅 plan，而我不停重新學習嘅紀律係：喺 campaign 運行之前決定佢本該證明咩。
如果你嘅團隊噉將 planning 同 measurement 配對，我好想聽下邊個決定最難令人預先做出。
Cheers, Chandler
本文提供繁體中文（香港）版本。課程材料（影片、模板和配套指南）以英文、日文、簡體中文和韓文提供。本網站提供 13 種語言版本。