AI 改變 media research，與其話係令佢快啲，不如話係令佢持續；佢將 persona 由一份一次性嘅文件變成一個系統會更新嘅工作 model；佢將持久嘅數據優勢由公開 research——而家對所有人都平——轉移到你專有嘅 first-party data 同累積嘅 memory。
我喺 planning 同 buying 度花咗 18 年，嗰段時間入面 research 大多係一個 project。你委託佢、攞到一份 slide、用一季，然後佢喺某個 folder 度過期。做得好嘅人係快速嘅讀者同出色嘅綜合者。AI 改變咗呢項技能值幾多錢，亦都改變咗優勢坐喺邊。等我依次講三塊——research、persona、數據——因為每一塊嘅轉變都唔同。
Research 唔再係 project
舊節奏係週期性嘅：一季嘅 category 研究，有人問起時嘅一次 competitor scan，年度 plan 之前嘅一次 audience refresh。每一次都係一個事件，而事件之間，團隊靠記憶同直覺運轉。
AI 原生嘅團隊將 research 當成一項常駐能力。公開訊號——category 變化、competitor creative、search demand、social 對話——被持續收集同綜合，按計劃而唔係按請求。產出唔係一份 slide，而係一條團隊會去讀嘅流，就好似你讀一個 dashboard 而唔係去要一份 report。
實際效果係：團隊喺一個 category 上從來唔由白紙起步，因為個 category 一直俾人綜合緊。做到呢點需要同呢個主題其餘部分一樣樸素嘅功夫：訊號源要駁好、摘要要有標準、要有人擁有解讀。Model 做閱讀，唔做決定。
Analyst 嘅工作變成咩
當綜合係持續、機械嘅，analyst 嘅價值就由「搵到答案」轉向「揀一條更好嘅問題」。
呢個唔係一個細轉變，對任何將身份寄託喺「知道去邊度搵」嘅人嚟講都唔好受。舊 model 入面，樽頸係 retrieval——搵到嗰個數字、嗰份研究、嗰個 benchmark。新 model 入面 retrieval 幾乎免費，於是稀缺技能變成咗「框定問題」：知道業務實際需要答邊條問題、以及邊個答案會改變一個決定。
我見過團隊將呢個轉變做得好同做得差。做得好嘅，會俾 analyst 喺 planning 對話入面一個位，因為好問題住喺嗰度。做得差嘅，將 retrieval 自動化咗，俾 analyst 以同樣嘅工作做得更快，然後納悶點解佢哋最好奇嗰個人感到悶。如果 retrieval 曾經係份工，份工已經冇咗；如果判斷曾經係份工，份工只係變得更有趣。
Persona 變成一個工作 model
Persona 文件係 marketing 入面最靜靜地冇用嘅一種產物。佢俾人起草一次、配一張 stock photo、然後從不更新，因為更新佢好貴、又冇人擁有佢。
AI 原生嘅團隊將 persona 當成一個工作 model。Audience 定義同數據住埋一齊，系統隨行為變化而精煉佢：邊啲 segment 轉化、咩 message 落得到地、邊啲假設爆咗。Persona 唔係一個交付物，而係一個坐喺 planning 同 creative 背後嘅、查得到嘅 model。
策略後果係：persona 唔再係一個藝術 project，而開始係一個決策工具。與其問「呢個 campaign 啱唔啱我哋個 persona？」——一場通常以認同結束嘅對話——你可以問 model：喺幾個 audience 定義入面，邊一個最能解釋上季嘅結果，並得到一個基於實際跑過咩之上嘅答案。噉係俾份 brief 嘅一種唔同質素嘅輸入。
數據優勢轉移到專有層
呢度係真正對策略重要嘅部分，而且容易漏掉，因為公開 research 而家咁驚人。
如果 AI 可以為任何人綜合公開網絡，噉公開 research 就唔再係優勢——佢係商品。Category benchmark、competitor creative、industry 研究：任何有好 workflow 嘅人都綜合得到。優勢冇得住喺嗰度，因為佢唔再稀缺。
持久嘅優勢轉移到競爭者訂閱唔到嘅嘢上：你嘅 first-party data、你過去嘅 campaign 結果、你嘅客戶關係，以及你個 workflow 累積嘅關於「咩有效」嘅 memory。一個記得去年 test 同今年結果嘅 model，比一個冇歷史嘅更聰明 model 更有價值。呢個同我喺點解 AI memory 比揀 model 更重要所做嘅論證係同一個，應用到 research 上：複利喺 context 度，唔喺 model 度。
舊 research vs AI 原生 research
| 維度 | 傳統 research | AI 原生 research |
|---|---|---|
| 節奏 | 週期性 project | 常駐能力 |
| 產出 | 一份 slide | 一條流加一個 model |
| 成本驅動 | Analyst 工時 | 數據訪問同 governance |
| Analyst 嘅工作 | 搵同綜合 | 框定問題同解讀 |
| Persona | 靜態文件 | Planning 背後嘅活 model |
| 優勢 | 更好嘅綜合 | 專有數據同 memory |
| 失敗模式 | 過期同冇人用 | 數據唔乾淨、歸屬唔清 |
將最後一行當成警告。AI 原生版本喺一個同傳統唔同嘅地方失敗——唔係敗喺過期，而係敗喺將一個快、自信嘅系統餵俾冇人清洗或 govern 過嘅數據。
Governance 係前提，唔係文書
喺你決定 model 可以睇咩、咩可以離開你嘅系統、以及出錯時邊個擁有答案之前，你砌唔起個 memory layer。
呢個就係點解 governance 落喺 strategy lane、而唔係 compliance 附錄度。你將 first-party data 駁到一個 research 或 planning workflow 嗰一刻，就已經做咗一組關於邊界同 consent 嘅決定——而如果你將佢哋推遲，你之後會喺律師嘅監督下重建呢一層，成本貴幾倍。將 governance 當前罅嘅團隊，慢兩個禮拜，快兩年。
Execution 指南喺呢件事嘅營運側講得更深，但策略要點好簡單：專有層係優勢所在，而專有層恰恰係你唔可以求其對待嘅嘢。
In-house 團隊實際應該做咩
如果你擁有自己嘅數據同 roadmap，次序異常清楚。
- 駁好訊號源，針對一個 category 或者一個 audience——唔係全部。一件事上嘅持續 research，比十件事上嘅零星 research 更有價值。
- 定義摘要標準，令條流可信：邊啲來源算數、好嘅綜合係咩樣、邊個驗證佢。
- 將 persona 立成 model，擺喺一個 workflow 背後——planning 或 creative——並俾佢由真實結果中更新。
- 喺駁 first-party data 之前定低你嘅數據邊界，並寫低 model 出錯時邊個擁有答案。
- 保護 analyst 喺決策入面嘅位，因為框定問題而家就係份工。
面向 in-house 團隊嘅 lane將佢同 operating model 其餘部分排序，Strategy 指南將佢擺喺成條 lane 嘅背景度。喺擴展到下一個階段之前，先做完一個階段。
FAQ
AI 會取代 media researcher 咩？
佢取代份工嘅 retrieval 嗰一半，而嗰一半係工時嘅大部分。佢唔取代框定問題或解讀答案。轉向判斷嗰一半嘅 researcher 變得更有價值；嗰啲俾錢做 retrieval 嘅人做得更快咗，然後需要一個新嘅角色定義。
Persona 仲有用咩？
有用，但作為工作 model 而非文件。一個由真實 campaign 結果更新嘅 persona 係一個決策工具。一個起草一次、從不回訪嘅 persona 只係裝飾，AI 救唔到佢——佢只係令裝飾變得更平。
公開 research 而家一文不值咩？
唔係，佢係有用嘅輸入，而且比以往更快。佢只係唔再係優勢，因為所有人都攞得到同樣嘅綜合。優勢轉移到咗你專有嘅數據同 memory，嗰個係競爭者無法靠訂閱同樣工具嚟複製嘅部分。
數據 governance 擺喺邊？
作為前提，喺你駁 first-party data 之前。決定 model 可以睇咩、咩可以離開你嘅系統、邊個擁有答案，而家係 research 設計嘅一部分，唔係 compliance 嘅事後補丁。跳過佢，你之後會喺監督下重建呢一層。
短版
AI 令 research 變得持續，將 persona 變成活 model，並將持久優勢轉移到你專有嘅數據同 memory。Analyst 嘅工作由 retrieval 轉向框定，governance 唔再係文書，而成為令專有層得以存在嘅嘢。Model 做閱讀，你做判斷。
我仲喺公開咁學呢個領域，關於優勢會落喺邊，我錯過唔止一次。但呢部分一直成立：當綜合係免費嘅，稀缺嘅嘢係一條好問題同你自己嘅歷史。
如果你嘅團隊做過呢個轉變，我好想聽下 researcher 呢個角色之後點咗——真正嘅故事通常喺嗰度。
Cheers, Chandler
本文提供繁體中文（香港）版本。課程材料（影片、template同配套指南）以英語同日語提供。本網站提供13種語言版本。