喺我觀察過嘅大部分 media task 入面，AI 大約做得到 75–80% 嘅工作——喺 production、拼裝同搵規律上佔比最高，喺 negotiation、關係同最終判斷上低好多。呢個就係 75–80% 原則，而關於佢首先要講嘅係：佢係一個 heuristic，唔係 benchmark。
我想小心對待呢個數字，因為整數會招嚟虛假嘅精確。75–80% 唔係嚟自受控研究嘅測量統計。佢係我自己跑過呢啲 workflow、亦都睇住團隊跑過之後，反覆見到嘅形狀：AI 攞走一個 task 入面量大、重複、可生成嘅中段，留低一段更細、更高風險嘅邊緣，嗰段留返俾人。確切佔比隨 task、隨團隊、隨 context 有幾乾淨而移動。形狀對我始終成立；小數位冇。
我將呢個框架寫咗入AI 原生媒體營運嘅定義，因為團隊喺兩個極端上都會出事。等我講清呢條線落喺邊，以及點樣喺你自己工作入面搵到佢。
75–80% 原則講咗咩
呢條原則講嘅係：對一個典型嘅 media task，一個設計良好嘅 workflow、由 AI 做第一 pass，覆蓋得到大部分工作，人覆蓋其餘。佢唔係話 AI 做每個 task 嘅 80%，亦都唔係話人嗰 20% 唔重要。重要性同量係兩個唔同嘅軸。
將佢想成分工，而唔係一個分數。Model 最擅長快速產出大量講得通嘅材料：選項、variant、摘要、初稿、規律判斷。人最擅長嘅，係決定咩重要、喺講得通嘅選項度揀、並承擔後果。呢個百分比只係一個提醒：邊界存在——而且佢比大部分謹慎嘅團隊以為嘅更偏 model，比大部分熱情嘅 vendor 承認嘅更偏人。
AI 佔比高嘅地方
AI 覆蓋得最多嘅 task 共享三個屬性：量大、單件後果低、有一個清楚嘅標準可以對照。
- Creative 同 copy variant。 Headline、description、hook、social copy——一個 AI 原生團隊對住一份已決定嘅 brief 產出幾十個，然後由人嚟修剪。
- Research 綜合。 將一堆公開來源變成結構化摘要而家係機械嘅，噉就解放咗 analyst 去問更好嘅問題。
- Reporting 拼裝。 拉取、關聯、排版、敘述每週數字，一旦數據乾淨就基本上可以自動化。
- Budget 同 pacing 計算。 重新預測、對照 plan 檢查花費、標記 anomaly，都係 model 做得好嘅搵規律 task。
- Localization 同 adaptation。 將一場 campaign 跨市場翻譯同改編、最後有一位母語 reviewer，係一個規模化得好嘅量 task。
喺呢啲領域，75–80% 係保守估計。睇一位好 operator 配一個好 workflow，model 佔比睇落更高。
AI 佔比低嘅地方
AI 覆蓋得最少嘅 task 共享相反嘅屬性：量細、單件後果高、冇乾淨嘅標準。
- Negotiation。 Media buying、rate card、合作同承諾係關係性、對抗性嘅。Model 幫到你準備；佢坐唔到喺張枱對面。
- 關係同信任。 客戶買嘅係信心。信心喺對話度建立，由名字署喺份工上嘅人交付。
- 最終判斷。 揀出貼合客戶真實 constraint 嗰一個 plan，或者判斷叫停一個 test 嘅時機，係冇任何 model 可以被問責嘅判斷。
- Brand 同 taste 判斷。 判斷一段 copy 係啱個 brand、而唔只係正確，係後天學到嘅人類判斷，亦都係最後 20% 掙到自己位置嘅地方。
- 命名問題。 Model 幾乎答得到任何嘢。決定邊條問題值得問——以及邊個 metric 重要——仍然係 senior operator 最有價值嘅動作。
喺呢啲領域，model 或者幫得到手，但 75–80% 會係離譜嘅高估。呢度人嘅佔比先係工作嘅大部分。
呢個分工嘅粗略地圖
| Task | AI 佔比 | 留返俾人咩 |
|---|---|---|
| Creative 同 copy variant | 高 | Brief、brand 判斷、最終揀選 |
| Research 綜合 | 高 | 框定問題、驗證來源 |
| Reporting 拼裝 | 高 | 解讀數字、建議 |
| Budget 同 pacing 計算 | 高 | 決定係咪據此行動 |
| Localization 同 adaptation | 高 | 文化細節、母語 review |
| Media planning 草稿 | 中 | 揀 constraint、擁有個 plan |
| Negotiation | 低 | 成場對話 |
| 客戶關係 | 低 | 信任、context、accountability |
| 最終放行判斷 | 低 | 個決定同佢啲後果 |
將呢張表當成形狀，唔係記分牌。高佔比嘅行係你先重建 workflow 嘅地方，因為吞吐住喺嗰度。低佔比嘅行係你保護產能嘅地方，因為價值住喺嗰度。
點解形狀比數字更重要
最常被誤用呢條原則嘅方式，係將個數字當成俾人 measure 過咁引用，然後據此規劃。
一個團隊聽到「80%」，就以為可以砍走五分之四嘅人。另一個團隊聽到同一個數字，就以為一定要將人全部留低先安全。兩者都將 heuristic 當成事實。呢個數字嘅任務係令你對「必須保住邊 20%」保持誠實——亦都係阻止你既過度下放判斷、又唔肯重做拼裝。
如果你只記一件事，就記呢個：量住喺機器嗰一半，責任住喺你嗰一半。兩半唔可以互換，正因如此，用一個百分比嚟描述有用，用一個百分比當目標就危險。
點樣 audit 你自己嘅 task
唔好由原則開始。由你實際嘅工作開始，俾原則由個 audit 度掉落嚟。
- 列 task，唔係列職位。 「產出週報」可分解為拉取、清洗、關聯、排版、敘述、解讀。前五個係高佔比；最後一個係低佔比。
- 對每個 task，問三條問題。 量有幾大？單件後果有幾重？有冇一個清楚嘅標準可以對照？高量加低後果加清楚標準，意味住高 AI 佔比。
- 明確標出個標準。 冇 review standard 嘅 task 留返俾人，直到你定義出一個。冇標準嘅量係風險，唔係吞吐。
- 保護低佔比嗰條邊緣。 點名邊個擁有判斷、關係同最終決定。如果呢點唔清楚，個 workflow 就未完成。
呢個 audit 通常會產出一個意外：團隊將大部分焦慮花喺一個容易自動化嘅步驟上，幾乎冇花喺佢本該投入嗰個判斷步驟上。Execution 指南將呢個 audit 變成生命週期其餘部分嘅 rollout 次序。
兩端嘅失敗模式
過度下放。 團隊交付 AI 產出而唔 review，當一個錯嘅 claim 或者一個 competitor 嘅名上線嗰陣賴個工具。Model 做咗佢被要求做嘅嘢；係個 workflow 喺錯嘅節點撤走咗人。呢個係嗰 20% 俾嗰 80% 偷走。
下放不足。 團隊將 AI 當 spell-checker，令每個階段都保持手工，然後納悶點解咩都唔複利。呢個係嗰 80% 俾當成 20% 咁對待。兩個錯誤嚟自同一個錯誤：唔知你自己喺邊一半。
Measure 咩
分別追蹤 model 佔比同人嘅佔比。Cycle time 話你知個 workflow 係咪真係快啲；質素同錯誤率話你知個 review 係咪盡緊職。如果 cycle time 跌咗而錯誤升咗，你將工作搬咗俾機器但冇搬動個標準——嗰個係失去客戶信任最快嘅方式，亦都係贏返佢最慢嘅方式。
FAQ
75–80% 係一個量度出嚟嘅數字咩？
唔係。佢係由觀察呢啲 workflow 得出嘅一個工作 heuristic，唔係嚟自研究嘅 benchmark。將形狀當成有用嘅部分：喺 production 同拼裝上高佔比，喺判斷同關係上低佔比。
AI 做得到一個 media task 嘅 100% 咩？
唔可以係嗰種要人為結果簽名嘅 task。AI 產得到材料同第一 pass，喺窄、低後果嘅 task 上佢跑得到端到端。任何有真實後果嘅嘢都需要一位人類 owner。
高 AI 佔比係咪代表少啲人？
佢通常代表拼裝環節少啲人、判斷／關係／review 環節持平或更多。職能會集中而非消失，所以人頭答案取決於你原本更偏邊一半。
我點知呢個分工係啱嘅？
兩個訊號。Cycle time 跌咗而冇錯誤上升，同埋低佔比嗰條邊緣——判斷、關係、最終決定——有一位點名嘅人擁有。少咗任何一個，就繼續調呢條邊界。
短版
喺大部分 media task 入面，AI 大約做 75–80% 嘅工作，喺 production、拼裝同搵規律上佔比最高，喺 negotiation、關係同最終判斷上最低。佢係用嚟搵出你必須留返俾人嗰 20% 嘅 heuristic，唔係人頭目標。按量、後果同一個 review standard 嚟 audit 你自己嘅 task；自動化高佔比嗰一半，保護低佔比嗰條邊緣，並將 cycle time 同質素一齊 measure。Execution 指南係嗰份工作嘅完整地圖，而面向 team lead 嘅 lane將呢個 audit 變成 rollout 次序。
我仲喺公開咁學呢個領域，我自己嘅數字亦都隨住啲工具改進而漂移。但形狀一直成立：量可以下放，責任唔可以。
如果你嘅團隊跑過呢個 audit，我好想聽下咩令你意外——通常唔係啲人以為嗰個 task。
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。