Execution 係 AI 原生媒體營運成敗所在。策略係你做一次就定落嚟嘅排序決定；execution 就係每週嘅紀律——決定 AI 產出咩、人 review 咩、咩被 measure、以及咩絕對唔會離開你嘅系統。呢份指南係執行 lane——一張工作問題嘅地圖，每條問題都指向更深入嗰篇。
如果你仲未讀AI 原生媒體營運係咩意思，先由嗰度攞定義。Strategy lane 定方向；呢條 lane 係一位 team lead 星期一實際要做嘅嘢。佢由一份對 AI 能力範圍嘅誠實賬目開始，穿過 production 同 reporting，入到 data governance 同一個 90 日 rollout。
最近幾年我一直將 media operations 用 AI 重新砌一次，模式係一致嘅：成功嘅團隊唔係工具更好，而係交接更清楚。下面每一節本質上都係一個交接決定——model 產出咩、人檢查咩、以及兩者之間嘅邊界喺邊。如果你即將開始，由頭讀到尾；或者直接跳到卡住你嗰條問題。
AI 究竟承擔得到幾多工作
喺任何 rollout 之前，將範圍問題誠實咁定落嚟。75–80% 原則係我用嘅 heuristic：喺大部分 media task 入面，AI 大約做得到四分之三嘅工作，權重大量偏喺 production、拼裝同搵規律，少量偏喺 negotiation、關係同最終判斷。佢係一條形狀，唔係一個 benchmark。
佢重要，係因為兩個極端都會失敗。以為 AI 咩都做得到，你就會交付未 review 過嘅工作；以為佢只可以喺邊角幫到手，你就永遠唔會重建 workflow。講出邊 20–25% 留返俾人，係第一個執行決定，下游嘅一切都要繼承佢。
一個嚟自我自己嘅具體例子：產出兩百個 headline variant 而家係小事，但揀出個 campaign 要打嘅唯一嗰個 message 就唔係。75–80% 嘅框架令兩邊都保持誠實。佢話你知將部機器指向邊，亦都同樣有用地話你知，邊度該刻意將一個人留喺環入面，而唔係出於習慣。
Activation 同 production
當 AI 推動 production 時嘅 activation描述最前線嗰個轉變：團隊唔再逐件製作，而係開始監督一串 asset。技能由 production 轉向 review——知道一個好嘅 variant 係咩樣，同埋點樣快速否決其餘嘅。
陷阱在於 review 變成咗新嘅樽頸。如果一個人以舊速度檢查每份產出，AI 產出嘅量只會喺佢哋身後排隊。修復係一份夠具體、可以下放嘅 standard：一條寫落嚟嘅規則，規定咩自動通過、咩需要再睇一眼、咩叫停條線。嗰份 standard 係執行工作，而佢正正係團隊會跳過嘅部分。
付費媒體嘅 AI creative production將呢個推得更遠，講嘅係點樣成量生成 variant 而唔失個 brand。量唔係勝利；同量一齊規模化嘅 review standard 先係。冇標準，多啲創意只係喺個 feed 度多啲風險。
AI campaign localization係同一條紀律跨語言嘅應用。翻譯係容易嗰部分；按意思本地化——idiom、offer、文化契合——先係機器平價跑一遍會靜靜損害品牌嘅地方。執行動作係將 brand rules 留喺系統度，而唔係留喺一個流利嘅人腦度。
Reporting 同 measurement
Reporting 係 intelligence，唔係拼裝係我自己工作入面感受最深嘅變化。當啲數字被自動拉取、關聯、敘述，analyst 嘅價值由做 chart 轉向讀 chart。每週會議變成解讀，而唔係排版。
點樣 measure AI marketing impact處理 finance 會問嗰條問題：AI 到底幫唔幫到手？噉就要將個工具嘅效果同個 campaign 嘅效果分開，亦即係要俾 cycle time、review load、variant throughput 裝返啲儀錶——而唔只係你本來就喺度追蹤嗰啲 media metric。
用 AI measure incrementality係因果嗰一層。AI 喺設計同解讀 experiment——holdout、geo test、隨之而來嘅分析——上面真係有用，但佢唔取代因果設計。一個搵到規律嘅 model，同一個證明到規律嘅 test，唔係同一回事。
Planning 同 tooling
用 AI 做 media planning覆蓋 planning 嘅執行面：對住同一份 brief 同 budget 草擬幾個結構化方案，俾 planner 去揀同 refine、而唔係拼裝。佢位於 strategy lane 嘅「planning design」問題之下，亦都係大部分團隊見到第一筆真實時間節省嘅地方。
點樣評估 AI marketing 工具係針對「俾 demo 帶住走」嘅採購嘅解藥。按 memory 同 context、同你現有體系嘅整合、governance、以及離開有幾乾淨嚟打分。一個承載唔到 context 嘅工具唔會複利，無論個 demo 幾好睇。
面向 agency 嘅 AI marketing stack將同一條問題帶到多客戶場景，嗰度個 stack 要承載彼此獨立嘅客戶 memory 而唔互相洩漏。對 agency 嚟講，個 stack 係一個 data architecture 決定，遠不止係 software 採購。
數據、governance 同安全
點樣為 AI govern marketing 數據係上面一切嘅前提。決定 model 可以睇咩、咩可以離開你嘅系統、以及產出錯時邊個擁有答案。等砌完 memory layer 先做呢件事，就意味住要喺壓力下重建佢。
Governance 之所以屬於執行 lane、而唔係 compliance 附錄，係因為佢約束住每一次交接。Model 用唔到你未授權佢保存嘅客戶歷史；report 連唔到一條政策排除咗嘅數據源。將 governance 當文書工作嘅團隊，往往喺砌緊中途先發現嗰啲限制，嗰陣取捨已經好貴。先將邊界定落嚟，砌反而更簡單，而唔係更慢。
Marketing AI 政策同 governance將嗰啲邊界變成團隊真係跟得到嘅書面規則同 review gate。付費媒體入面嘅 AI 同 brand safety將佢應用到最前線，嗰度一個生成嘅 asset 撞到一個真實嘅 placement，review 一定要喺出版之前發生，唔係之後。
Retail media 同 clean room 入面嘅 AI係協作嗰例：喺 privacy-safe 嘅環境度用 first-party data，嗰度有趣嘅 constraint 唔係個 model，而係個 partner 俾你睇咩。喺呢度，governance 同能力係同一場對話。
Rollout 落地
90 日 AI 原生媒體營運 rollout係我會跟嘅計劃，亦都係呢條 lane 嘅錨。一條 workflow、端到端跑一次、有可 measure 嘅前後對比，勝過成年嘅 pilot。佢被刻意做窄，因為 rollout 嘅目的係證據，唔係覆蓋面。
要俾佢定時限，係因為 AI project 總有擴張成 infrastructure 嘅傾向。一個 90 日嘅框架會逼你喺結束時攞出一條跑得到嘅 workflow、同埋真實數字，而唔係一個仲喺度 configure 嘅 platform。如果第一條 workflow 攞唔出 cycle time 或者 review load 上嘅可 measure 變化，噉係整條 workflow 嘅訊號——唔係再加一個工具。
點樣喺 marketing 組織入面 pilot AI覆蓋嗰次首個 pilot 嘅政治同機制：揀 sponsor、界定 workflow、同防止個 pilot 變成一個永久嘅科學 project。邊啲 marketing task 應該自動化俾出選擇背後嘅 audit——將工作分成拼裝、搵規律、判斷，自動化前兩類。
Marketing 入面嘅 AI centre of excellence係當涉及唔止一個團隊時嘅結構問題。一個 centre of excellence 可以比每個團隊各自重新發明更快咁傳播標準；佢亦都可以變成一個個個都要等嘅樽頸。執行上嘅判斷，係你嗰個正喺度變成邊一種。
呢條 lane 落喺邊
Execution 係面積最大嘅 lane，所以佢係你該帶住計劃、而唔係一份 reading list 入去嗰條。佢自然嘅歸宿係team-lead landing，佢勾勒出嗰套 90 日 rollout——先 pilot 咩、點樣俾團隊做 brief、measure 咩，以及每一步嘅 template。
如果呢個係你嘅樽頸，AI 原生媒體營運課程將 operating model、rollout 次序同 template 擺喺一處。Pillar 篇承載共用定義；Strategy 指南喺工作之上定方向，而Agency-model 指南覆蓋 team lead 通常會繼承嗰啲商業問題。
FAQ
團隊應該先自動化咩？
嗰種高量、低判斷、又容易檢查嘅 task——reporting 同 research 綜合係常見嘅首勝。先自動化最高風險嘅 creative 工作，係一個常見而貴嘅錯誤，因為 review standard 仲未到位。
我點知個 rollout 有效？
喺開始之前就揀好 measure。Cycle time、review load、variant throughput 話你知個 workflow 係咪真係變咗；淨係 media metric 唔得，因為個 campaign 可能因為其他原因而動。呢個正係點樣 measure AI marketing impact背後嘅紀律。
我哋需要一個 centre of excellence 咩？
第一日唔需要。先將一條 workflow 端到端跑成 AI 原生，然後用你學到嘅嘢去決定標準係咪需要一位中央 owner。喺第一個跑得到嘅 pilot 之前就砌 governance 架構，通常只會產出一個架構，而冇一個跑得到嘅 pilot。
短版
Execution 係每週嘅紀律——決定 AI 產出咩、人 review 咩、咩被 measure、以及咩留喺你嘅數據邊界之內。由誠實嘅範圍開始，整好 production 同 reporting，喺規模化之前 govern 啲數據，並圍繞一條 workflow 喺 90 日內 rollout。Strategy 定方向；execution 先係會複利嗰部分。
我仲喺公開咁學佢，我對 75–80% 嘅數字亦都隨住啲工具變而移動。如果你嘅團隊喺呢條路上嘅某處，我好想聽下呢啲入面邊一步係你卡住嘅。
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。