AI 原生媒體營運，係廣告同 marketing 團隊喺 AI 承擔大部分執行時，點樣運轉整個 campaign 生命週期——research、planning、activation、reporting、measurement——嘅方式。佢講嘅係廣告同品牌 campaign，唔係 newsroom、PR 或者出版營運。
呢個就係完整定義，我擺喺最前面，因為圍繞呢個詞嘅大部分困惑唔係喺技術，而係喺範圍。啲人一聽到「AI 原生媒體營運」，腦入面浮現嘅係內容工廠、social 團隊或者 press office。呢個詞屬於一個更窄、更似 operations 嘅世界：品牌同 performance campaign，由 brief 走到 measurement，由 AI 做大部分「做」、由人做「判斷」。
我喺呢行做咗 18 年廣告——planning、buying、measurement media——最近幾年就係將同一份工作用 AI 重新砌一次。以我經驗睇，掙扎緊嘅團隊好少係唔夠工具，而係唔夠一套 operating model。所以等我先講清楚 AI 原生其實係咩、佢同「我哋有用 AI」差喺邊，以及生命週期每個階段點變。
AI 原生其實係咩
AI 原生意思係：AI 默認承擔大部分執行，而個 workflow 係設計到承接得到呢一點。
AI 輔助就係相反嘅安排。喺 AI 輔助嘅團隊，人做嘢，偶爾伸手拎個 model——草擬 subject line、總結份 report、諗幾個 angle。AI 係舊流程入面一個好啲嘅工具，人仲係條生產線。
喺 AI 原生嘅團隊，工作會先流經個 model。Research 被機械式咁收集同綜合；draft 被產出、variant 被生成、report 被拼裝、anomaly 被標記——然後由人 review、edit、決定。人變成咗 editor 同負責任嘅 owner，唔係拼裝工人。
呢個切換唔係在於你俾錢用邊個 model、或者你啲 prompt 幾咁醒。而係在於「默認」坐落喺邊。如果團隊一日仍然由一張白紙開始、由有人將數字 copy 入 slide 度完結，咁加咗 AI 都冇令你變原生，只係令舊流程快咗少少。
AI 原生 vs AI 輔助 vs prompt library
將啲人撈埋一齊嘅三樣嘢分開會好有幫助，因為當中只有一樣係 operating model。
| 維度 | AI 輔助 | Prompt library 做法 | AI 原生 |
|---|---|---|---|
| AI 嘅位置 | 人隨手拎嚟用嘅工具 | 一套共用嘅 prompt | Workflow 入面嘅默認執行者 |
| 人做咩 | 做嘢，用 AI 做其中一部分 | 寫同重用 prompt | 定方向、review、決定、為結果負責 |
| 訣竅喺邊 | 個人習慣度 | 文件或者 folder 度 | 系統同佢啲數據度 |
| 咩喺度改善 | 個人技能 | 單條 prompt 嘅質素 | Workflow 嘅吞吐同可靠度 |
| 咩可以規模化 | 人頭同工時 | 好有限 | 量、variant、語言、report |
| 典型失敗模式 | 慢同唔穩定 | 脆弱——context 一變就失效 | 要真嘅 governance 同乾淨嘅數據 |
Prompt library 係有用嘅產物，但唔係生意。一變咗客戶、campaign 或者數據源，上個季度 tune 好嘅 prompt 通常就會失效，因為佢由頭到尾都冇承載到 context——brief、brand rules、歷史表現。Prompt 係指令。Operating model 就係嗰副機器：佢提供啱嘅 context、執行指令、檢查產出、同記住發生咗咩事。一個寫得一頁紙就得，另一個先係你要去砌嘅嘢。
一句誠實嘅提醒：AI 輔助唔係一個失敗狀態。對一個 channels 單一、又唔想重建 workflow 嘅細團隊嚟講，一套行得好嘅 AI 輔助做法係完全穩定嘅答案。原生係當量同可重複性令呢次重建開始回本，你先升級到嘅嘢——唔係一個道德義務。
點解「原生」係啱嘅詞
「原生」借自 software。一個 native app 係為佢個 platform 而建；一個 wrapper 就係疊喺上面嘅嘢。呢個區分好重要，因為今日 marketing 入面大部分 AI 都係一個 wrapper。
你俾一個仲靠 slide 運轉嘅 planning 團隊外掛一個 chatbot；你喺一個仲靠 email 做 brief 嘅 creative 流程度加一個寫作工具；你喺一個仲靠人手拼裝嘅 reporting stack 上面生成一段 report 摘要。個 wrapper 幫到少少，亦都成日壞，因為底下個 workflow 從來都冇被設計到承接佢。
我叫呢個做「巡遊問題」。你可以喺遊行隊最前面擺一架快啲嘅花車，但如果後面所有嘢仲係用舊速度行，個巡遊都唔會早啲到。架快花車只係整咗個空隙出嚟。將 AI 疊喺唔變嘅 workflow 上面，產生嘅正正就係嗰個空隙：快嘅第一步，之後係一樣嘅瓶頸。
要原生，意思係重新設計成條路線，唔只係嗰架花車。個 workflow 本身就 default 由機器做第一 pass。就係呢一個改變，令其餘嘅收益企得穩。
工作單位係 campaign 生命週期
當團隊問起由邊度開始用 AI，佢哋通常列一堆 task：寫好啲嘅廣告、自動化週報、快啲做 research。Task 唔係 AI 真正改變嘅單位。真正重要嘅單位係 campaign 生命週期，因為嗰個先係 media 團隊收錢去交付嘅嘢。
生命週期係一個循環：research、planning、activation、reporting、measurement——然後返去 research，而且比之前更豐富。每個階段都產出下一階段要消費嘅嘢。每個階段而家都係 AI 做第一 pass 嘅候選。如果你整好一個階段但唔理佢啲鄰居，收益就會由側面漏走。一份快咗嘅 brief，如果仲要等兩個禮拜先有 plan，其實冇快到任何嘢。
實務上個循環唔整齊。Measurement 會喺 campaign 進行中 send 訊號返 planning，一個 test 結果都可以重新打開份 brief。將呢五個階段當成一個會 iterate 嘅系統，唔係五個交收嘅部門。
生命週期地圖
以下係喺 AI 做默認執行者、而非偶爾幫手時，每個階段點變。
- Research 由人手搜尋變成一個常駐能力：audience 數據、competitor 動作、category 訊號被持續綜合，於是 analyst 將時間花喺問更好嘅問題。
- Planning 變得可生成、可測試：model 對住同一份 brief 同 budget 草擬幾個結構化方案，planner 揀同 refine，而唔係拼裝 slide。
- Activation 由 production 轉向 supervision：variant、copy、adaptation、localization 被成量產出，然後對住 brand rules review。
- Reporting 變成 intelligence，唔係拼裝：當啲數字被自動拉取、關聯、敘述，analyst 嘅價值由做 chart 轉向讀 chart。
- Measurement 得到一個 memory：因為系統保留咗跑過咩、洗咗幾多、帶返咩，每個 campaign 都由累積嘅證據出發——呢個係會複利嘅部分，亦都最難被複製。
AI 原生唔係一個 automation，而係成條路線被重新設計成每一步都預期有一部機器。
我不斷見到嘅模式
解釋呢個差異最清楚嘅方式，係我不斷撞到嘅嗰個失敗。
一個團隊砌咗樣真係令人印象深刻嘅嘢——例如一個 AI copy generator，幾分鐘內產出兩百個 headline variant。個個都好開心。然後個 campaign 表現都係唔好。樽頸從來都唔係 headline。而係冇人決定個 campaign 到底打緊邊一個 message。個 generator 忠實咁產出咗「未決 brief」嘅兩百個版本。
出問題嘅唔係工具，係個 workflow。等團隊洗咗一個禮拜整好份 brief——同令份 brief 變得 machine-readable——同一個工具就真正有用了，因為呢個時候有個方向可以對住佢生成。呢個就係「原生」嘅全部教訓：對一個唔清晰嘅 plan，最快嘅執行都仍然係一個唔清晰嘅 plan，只係交付得快啲。
人仲要負責咩
如果 AI 做咗大部分「做」，咁剩返咩？一組更細、更 senior 嘅工作，分兩類。
- 關於咩重要嘅判斷。 Model 可以生成十個講得通嘅 plan；揀出貼合客戶真實 constraint 嗰個，係人嘅決定。
- Taste 同 brand 判斷。 判斷一段 copy 唔止啱、而且啱個 brand，仍然係後天學到嘅人類判斷。
- 命名問題。 一個 senior operator 最有價值嘅動作，係決定咩值得 measure；model 幾乎答得到任何問題，但唔會話你知邊條問題重要。
- Accountability。 有人要為份工簽名。獎同罰唔會委派俾 model。
- 關係同信任。 客戶買嘅係信心，佢喺對話度建立，唔係生成出嚟。
- Data governance 同 brand safety。 Model 可以睇咩、可以出版咩，以及客户數據嘅邊界同 consent，都係人嘅決定，佢啲後果落喺人身上，唔係工具身上。
我喺AI 原生 marketing 團隊真正需要咩角色寫得長啲，短版本係：呢啲職能唔會消失，而係會集中。
75–80% 原則
一個我用過、有用嘅 heuristic——佢係 heuristic，唔係 benchmark——係：喺我觀察過嘅 media task 入面，AI 大約做得到 75–80% 嘅工作。呢個比例喺 production 同拼裝、同搵規律度最高：creative variant、report、research 綜合。喺 negotiation、關係工作、最終判斷度就低好多，嗰度人嘅佔比先係工作嘅大部分。
我唔會過度解讀呢個具體數字。重點喺形狀，唔喺小數位。團隊出事，通常係將佢兩端是但一端當成絕對：以為 AI 咩都做得到，於是交付未 review 過嘅工作；或者以為佢只可以喺邊角幫到手，於是永遠唔圍繞佢重建 workflow。呢個原則嘅存在，係令你對「一定要保住邊 20%」保持誠實——亦都係令你唔會將一個整數當成測量結果咁引用。
一套 operating model，唔係一條 toolchain
呢個係我最在意嘅區分，亦都係呢個 course 圍繞一套 operating model、而唔係一張工具清單嚟砌嘅原因。
Toolchain 係一堆 product 嘅集合。Operating model 定義嘅係工作本身：context 喺邊度、邊個 review 咩、「做完」係咩意思、結果點樣回流、同團隊為咩負責。Toolchain 你一個禮拜就買齊。Operating model 要一季去設計、一年去複利，而佢係競爭者唯一無法靠訂閱同一批 software 嚟複製嘅嘢。
回報體現喺吞吐同 cycle time 上——多啲 variant 被測試、report 即日就落得到地——而唔係體現喺某一行人頭數字上。
Memory 係「聰明工具」同「會變好嘅系統」之間嘅差別。冇留存落嚟嘅 context，每個 campaign 都由零重啟，就係點解 AI memory 比揀 model 更重要嘅原因。Operating model 個頁由頭到尾講清楚個定義——佢係咩、唔係咩、以及點樣對應上面嘅生命週期。
我見到嘅兩種失敗模式
只委派咗勞動，連判斷都一齊委派埋。 一個團隊將產出自動化咗，但冇保留任何 review，然後當一個唔啱 brand 嘅產出上線時賴個工具——一個錯嘅 claim、或者一個 competitor 嘅名，喺任何人讀到之前就已經喺四十個市場跑咗。Model 做咗佢被要求做嘅嘢。係個 workflow 喺錯嘅節點撤走咗人。
喺理解流程之前就自動化。 一個團隊為一條冇人講得清楚嘅 workflow 駁咗條 pipeline。AI 加速咗一個你未搞懂嘅流程，咁多數只係意味住你更快咁發現嗰份混亂。我觀察過嘅一個團隊將週產出翻咗一倍、將 report 嘅 turnaround 減半，然後發現個 report 將同一批 conversion 計咗兩次。喺俾條路線擺上更快嘅花車之前，先搞懂條路線。
如果你想喺其中任何一條深入，一個喺兩次 campaign 之間咩都唔記得嘅 AI係要拉嘅線頭，而佢由一次 workflow audit 開始，唔係一張工具清單。
點樣判斷你係咪 AI 原生
一個簡短嘅測試，來自經驗：
- 新 brief 寫到既 machine-readable、又 human-readable，因為第一 pass 會被生成——而唔係之後先打入某個工具度。
- Brand rules 同客戶 context 存在一個系統度，唔係存在兩個 senior 員工嘅腦度，所以新入職嘅人第一個禮拜就產出到啱 brand 嘅工作。
- 週報喺一夜之間生成，會議時間花喺解讀上，唔係排版上。
- 你同時追蹤吞吐同質素——你講得出你嘅 review standard，因為冇標準嘅量只係風險。
- 當你換 model 或者 vendor 時，workflow 依然生存，因為佢從來冇依賴某一個工具。
如果呢啲大多為真，你比大部分團隊更接近。如果一個都唔係，咁你嘅問題唔喺工具。
跟住去邊
呢篇係個 pillar：定義同地圖。由呢度，呢個主題分三條 lane——strategy、execution、agency model——你可以由最貼合你團隊卡點嗰條入。每條都更深入，而唔重複呢個定義。
- Strategy——AI 點樣改變 research、planning、positioning，以及位於 execution 之上嗰啲選擇。
- Execution——activation、reporting、governance、measurement，以及令佢落地嗰套 90 日 rollout。
- Agency model——pricing、headcount、product mix，以及一間 agency 應該停止賣咩。
如果你想睇成件事砌埋一齊嘅樣，AI 原生媒體營運課程會由 workflow 走到 delivery，將 template 同 rollout 次序擺喺一處。由貼合你樽頸嗰條 lane 開始；另外兩條會一直喺度。
FAQ
呢個包含 PR、newsroom 或者出版營運咩？
唔包含。AI 原生媒體營運更窄：佢覆蓋廣告同品牌 campaign——research、planning、activation、reporting、measurement。Newsroom、PR 同出版營運係相鄰學科，有自己嘅 workflow 同自己嘅 measure，所以唔喺呢篇範圍。如果你喺嗰個領域，營運紀律係可轉移嘅，但下面呢張地圖唔係。
AI 原生同 AI 輔助有咩分別？
喺 AI 輔助嘅團隊，人產出工作，偶爾用 AI 加速其中一部分。喺 AI 原生嘅團隊，AI 默認產出第一 pass，人定方向、review、為結果負責。同樣嘅工具；唔同嘅重心。
AI 原生媒體營運係咪代表一個更細嘅團隊？
成日都係，但嗰個係副作用，唔係目標。職能唔會消失——佢哋集中到 review、judgment 同 accountability 上。先砍人頭、後做重建嘅團隊，通常交付得更差、更快。
我需要 engineer 嚟運轉佢咩？
唔一定，但你需要有人設計得到個 workflow、同認真對待數據。大部分團隊由 operating model 同手頭已有嘅工具開始，只喺某個真嘅 integration 開始回本嘅地方先引入工程幫助。
一個團隊應該由邊度開始？
揀生命週期入面一個階段——通常係 reporting 或者 research——將佢端到端跑成 AI 原生，先至去碰其他階段。一個階段做紮實，比五個階段做一半更教你到嘢。
短版
AI 原生媒體營運意思係 AI 喺 research、planning、activation、reporting、measurement 入面承擔大部分執行，而人定方向、為結果負責。佢係一套 operating model，唔係一張工具清單。收益來自重新設計成條路線，價值集中喺仍然屬於人嘅最後 20–25%。
我仲喺公開咁學呢個領域，我嘅睇法亦都隨住啲工具變而移動。但形狀係穩嘅：原生勝過外掛，而 workflow 先係值得重建嘅嘢。
今日講到呢度先。如果你嘅團隊喺呢段旅程嘅某處，我好想聽下佢卡喺邊——你同意呢個 75–80% 嘅講法咩，定係你個數字唔同？
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。