對一間 agency 嚟講，AI 嘅問題唔係要唔要採用啲工具——而係當每個競爭者都有咗呢啲工具之後，你賣咩。當過去要一個禮拜嘅執行，對所有人嚟講都變成一個下午，支撐舊模式嘅 billable hour 就唔再講得通，而行家一定要決定自己到底值咩錢。呢份指南係 agency-model lane：嗰啲商業決定，同埋每條問題更深入嗰篇嘅指引。
Pillar 篇為啱啱接觸呢個詞嘅人承載 AI 原生媒體營運嘅共用定義。呢條 lane 假設你讀過佢，直奔一位老細或者 leader 會問嘅問題：賣咩、點樣配人、點樣定價、以及當能力被商品化之後優勢住喺邊。
貫穿其中嘅線索係：AI 改變嘅係 agency 可以為咩收費，而唔係佢應該顯得付出咗幾多努力。將呢件事當成技術升級嘅行家，會保留舊嘅服務清單，睇住利潤流走。將佢當成一個組合決定——保留、改變、停止賣咩——嘅行家，可以喺手仲有籌碼嘅時候重新設計呢門生意。
賣咩，停止賣咩
嗰個奠基性嘅決定係一個組合決定。Agency design 決策框架將一間 agency 嘅服務分成三桶：保留、改變、停止賣。客戶自己嘅 AI 而家喺內部做得到嘅任何嘢，屬於第三桶；judgment、accountability 或者 data ownership 真係起決定作用嘅任何嘢，屬於第一桶。
| 桶 | 檢驗 | 典型答案 |
|---|---|---|
| 保留 | 人嘅判斷、accountability 或專有數據決定結果 | Strategy、最終 creative 判斷、data moat |
| 改變 | 有價值但被重塑——更大量、更快、唔同定價 | Production、reporting、localization |
| 停止賣 | 客戶自己嘅工具而家以可接受嘅質素做得到 | 拼裝工作、格式改尺寸、基本 reporting |
一間 agency 應該停止賣咩認真對待第三桶，因為嗰度正正係否認最貴嘅地方。為一項客戶而家自己都做得到嘅服務辯護，係一條慢慢失去關係嘅路。誠實嘅做法係點出已被商品化嘅部分，將對話抬到未被商品化嘅部分。
呢件事之所以係組合決定而唔係技術決定，係因為啲服務係連埋一齊嘅。停止拼裝工作，會釋放出人同注意力去配備判斷類工作，亦都會改變間行家喺買家眼中嘅樣。一個講唔出自己第三桶嘅領導團隊，通常仲係圍繞緊「生產工作」嚟組織——而嗰個恰恰係 AI 已經變平嘅工作。
AI 原生 agency 點樣比較
AI 原生對比傳統 agency係一個結構性比較，唔係熱情嘅比賽。傳統行家按執行工時收費，並圍繞執行嚟組織；AI 原生行家圍繞 review 同決定嚟組織，由 AI 產出第一 pass。唔同嘅成本基礎，唔同嘅形狀，客戶買嘅係唔同嘅嘢。
AI 原生 agency 平啲咩？係每個潛在客戶都會問嘅問題，而答案冇「係」咁顯然。Production 成本低啲，但有價值嘅工作——judgment、accountability、數據關係——並唔會變平。有啲工作變平咗；有啲工作被重新定位。報一個一刀切嘅折扣，係喺暗示你嘅工作一直以來都係拼裝。
實際回應係指明邊條線下沉、邊條線守得住。一個潛在客戶攞一個更低嘅總數去對比傳統行家嘅 retainer，其實係喺比較兩個唔同嘅範圍，而將個差別解釋清楚——而唔係去匹配嗰個數字——嘅行家，先係守得住自己利潤嗰個。
咩留喺內部、咩俾 agency係同一個決定喺客戶嗰側嘅鏡像。隨住執行成本下降，更多執行移返內部，而倖存落嚟嘅分工，係圍繞客戶無法輕易自建嘅嘢：senior judgment、跨客戶嘅規律識別、以及你間行家持有嘅 memory。嗰個係一個比「靠生產能力競爭」更企得穩嘅位置。
砌同配備間行家
一間 AI 原生 agency 需要幾多人係人頭問題，誠實嘅答案取決於配比而非 benchmark。更少 producer、更多 senior reviewer，以及至少一個擁有數據同 workflow layer 嘅人——因為嗰層而家係承重嘅。砍走 producer 但唔加嗰個 operating role，係 agency 交付得更快、更差嘅方式。
配比就係策略，所以佢因行家所賣嘅嘢而異。一間保留 strategy 同 judgment 嘅行家，需要 senior 嘅人、而人數唔多；一間靠量競爭嘅行家，仍然需要一個佢可以為之辯護嘅 review 職能。佢唔該做嘅係保留舊金字塔並喺上面疊 AI，因為嗰個金字塔嘅中層就係 production，而 production 恰恰係被移走嘅嘢。
點樣開一間 AI 原生 agency係由零開始嘅版本，而由零開始做原生，確實比改造一間傳統行家容易，因為冇咩遺留成本結構要守。次序很重要：揀好定位、砌好客戶 memory layer、再圍繞佢加交付能力。大部分新行家將呢個次序倒轉，先去買工具。
Pricing 同護城河
點樣為 AI agency 服務定價係最能決定效率收益流向行家、定係流向客戶採購團隊嗰條問題。結構性選項——retainer、按結果收費、productize 訂閱——都唔新，但 AI 改變咗邊一個啱使。喺一個工時崩塌嘅世界度按小時定價，係一個收縮嘅決定。
砌一個客戶 memory data moat係令嗰種定價企得穩嘅嘢。當每間 agency 都有同樣嘅 model，優勢就係累積起嚟嘅 context：跑過咩、洗咗幾多、帶返咩、個品牌學到咩。Model 係租返嚟嘅；嗰份 memory 係擁有嘅。佢係競爭者無法靠訂閱同一批 software 嚟複製嘅唯一資產，亦都係AI memory 比揀 model 更重要嘅原因。
佢帶有一個值得直說嘅條件：嗰份 memory 係客戶嘅數據，係受託持有嘅，唔係行家攞嚟重用嘅。一座喺冇明確 consent 同邊界嘅情況下砌起嘅護城河，係一個偽裝成資產嘅責任，亦都係將數據優勢最快變成信任問題嘅方式。
贏返啲工作
用 AI 做 agency new business將同一套營運紀律應用到個 pitch 上面。Research、客製化資歷、第一 pass 思考都可以更快產出，但贏返嚟仍然係嚟自展示一份潛在客戶內部冇嘅 judgment。AI 令一間行家顯得高產；只有 judgment 令佢顯得值得請。
嗰個係一個有用嘅 new business 篩選器。如果一份 pitch asset 本可由任何擁有同樣 model 嘅競爭者產出，噉佢係入場門檻，唔係差異化。值得投入嘅部分，係啲展示到間行家留意到咩、決定咗咩嘅部分——正正係 pricing 嗰節要求客戶為之付費嘅同一份 judgment。
呢條 lane 落喺邊
Agency-model lane 係商業嗰條，而佢通常始於一個決定：停止賣咩。佢自然嘅歸宿係agency landing，佢勾勒出嗰個決定——該自動化咩、該留返俾人咩、為咩收費、以及點樣圍繞個答案重組。
如果呢個係你嘅樽頸，AI 原生媒體營運課程將 operating model 同 agency blueprint 擺喺一處。Pillar 篇承載定義；Strategy 指南喺 delivery 之上定方向，而Execution 指南覆蓋個 model 所依賴嗰啲 workflow 決定。
FAQ
AI 原生模式係咪代表收平啲？
並非一律。曾經係拼裝嘅工作可以、亦都應該唔同定價。屬於 judgment、accountability 同 data ownership 嘅工作唔應該打折，因為冇任何理由令佢變平。一刀切嘅折扣通常意味住，間 agency 仲未決定自己實際喺度賣嘅係邊一半工作。
一間傳統 agency 轉型得到，定係推倒重來更好？
兩者都得。由零開始結構上更容易，因為冇 billable-hour 模式要守。轉型要喺領導層先接受「呢個係一次組合決定——停止賣咩」、然後先係一個技術 project 嗰陣先成立，而呢個正係決策框架背後嘅論證。
一間細 agency 應該由邊度開始？
由客戶 memory layer、以及一項你可以端到端交付成 AI 原生嘅服務開始。唔好先去買一套 stack。90 日 rollout喺呢度都適用：一項服務，可 measure，然後擴展。
短版
對 agency 嚟講，AI 將一個能力問題變成組合問題。決定保留、改變、停止賣咩；人同定價由嗰個答案長出嚟；而持久嘅優勢，坐落喺你擁有嘅客戶 memory 度，而唔係喺所有人都租用嘅 model 度。啲工具會不停咁變。個位置唔會。
我仲喺公開咁將佢想清楚。我職業生涯大部分都喺媒體嘅 agency 同客戶兩側度過，最近幾年將嗰份工作用 AI 重建，我唔認為有人已經有最終答案。如果你間行家喺呢條路上嘅某處，我好想聽下邊個決定卡住咗你。
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。