AI抬高了底线，深度才是制胜之道
"AI取代初级岗位"这个说法，误解了初级人员实际在做什么。一个做激活的初级员工并不是在做简单重复的工作——他们在配置DV360定向、QA追踪像素、管理竞价策略。真正的问题是：当AI为所有人抬高了底线，优势从何而来？答案是深度。
过去几个月，我一直在制作一门AI-Native媒体运营课程。七个模块，数十张幻灯片。其中有一张我反复重写的幻灯片——至今仍觉得没写对——讲的是当运营模式转向75-80% AI时，新入行的人会面临什么。
我写了好几个听起来很自信的版本，然后都删掉了。因为我并没有那么自信。我有的是方向，不是答案。而我觉得，一场诚实的对话比精心打磨的版本更有用。
以下是我一直在思考的内容。
那个叙事是错的
你一定听过："AI取代初级工作。"故事讲得很干净，但它是错的——至少，它误解了初级人员实际在做什么。
来看看现代媒体代理商的各个职能：
- 策略：收集竞争分析、综合研究简报、发现数据中的规律——那些整天开会的资深同事往往会忽略这些
- 规划：构建媒体计划、运行预算场景、构建受众细分——通常比审核他们工作的资深规划师更接近实际数据
- 激活：配置DV360定向、QA追踪像素、跨平台管理竞价策略——这是真正技术性强、风险高的工作，一个配置错误的受众可以在几小时内烧掉预算
- 广告运营：投放广告、调试追踪差异、维护数十个平台的测量完整性
- 研究：评估调查方法论、发现样本偏差、编码定性回答——需要真正怀疑精神的细致分析工作
- 报告：构建仪表盘、识别异常值、在图表看起来没问题的时候发现数据实际不对劲
这些不是"重复性任务"。这些是需要判断力、平台知识和客户背景的实质性贡献。配置DV360广告活动的人并不是在做简单重复的工作——他们在做数十个直接影响媒体计划能否真正交付的技术决策。
没人谈论的资深验证鸿沟
有一个问题很少被充分讨论：你的VP已经好几年没有每天使用DV360了。你的规划总监也不再亲手构建受众细分了。做战略决策的人往往已经长期将平台层面的执行委托出去，以至于即使想要在那个层面验证AI的输出，也力不从心。
当AI生成一个广告活动设置，谁来验证它是正确的？当它构建一个受众细分，谁来检查数据源是否正确？当它产出一个测量框架，谁知道追踪架构是否真的支持它？
往往是那些离平台最近的人。就是那些被告知自己的工作是"日常事务"的人。
我认为这就是"AI取代初级工作"这个叙事之所以危险的根源。AI处理的75-80%仍然需要验证。验证需要深度——平台专长、追踪架构知识、数据源熟悉度。而在很多组织里，这种深度恰恰掌握在我们轻描淡写说会被取代的那些人手中。
游行队伍问题
我反复回到这个类比。当每个人都有AI，广泛的能力就变成了一支游行队伍——远看很壮观，近看全一样。每家代理商都能大规模生成媒体计划、受众洞察、竞争报告、创意简报。工具是一样的，提示词在趋同，产出在趋于同质化。
那么，优势从哪里来？
深度。在特定专业领域比AI和竞争对手走得更深。不是更广——而是更深。
如果你是在一个推崇"T型"通才的行业中成长起来的，这可能有些违反直觉。但我认为这个形状正在改变。当AI免费提供了T的横杠，唯一的差异化因素就是纵杠能伸多深。
深度优先的职业发展
旧模式是：先广泛涉猎，后期再专精。你会在各部门轮岗，接触规划、购买和报告，最终找到自己的方向。
我认为现在更好的模式恰恰相反：先深入，再拓宽。
AI已经提供了广度。任何初级人员都能用AI起草媒体计划、做竞争分析或生成研究摘要。这就是底线——它已经为所有人抬高了。稀缺的是那个在激活、测量或创意评估方面比AI做得更好的人。看到AI的输出就能立刻发现问题在哪的人。
这种评估能力——以真正的专业知识评估AI工作的能力——需要深度。而深度需要在一个领域集中投入时间，而不是头两年在五个部门之间轮岗。
"深入"具体是什么样子
在这里我想说得具体些，因为泛泛的职业建议没有用。
激活：成为平台和AI之间的桥梁。足够了解平台的能力和局限，以发现AI的配置在现实中行不通的时候——太窄而无法投放的受众、不适合目标的竞价策略、包含了客户明确排除的广告库存的版位清单。
广告运营：从标签实施转向追踪架构。不只是放置像素——要设计AI所依赖的测量基础设施。理解同意框架、服务端打标签、数据净室。能设计测量体系的人不是被AI取代，而是变得更加重要。
规划：学会压力测试，而不只是构建。现在谁都能做计划了。真正有价值的是知道数学没问题但策略有问题的时候——到达曲线看起来高效但频次会让受众厌烦的时候，渠道组合在纸面上优化了但忽略了品牌在每个环境中实际呈现方式的时候。
研究：把怀疑精神培养成核心技能。AI综合研究的速度比任何人都快。但它也会自信满满地呈现来自设计不良调查的发现，混淆相关性和因果性，忽略样本偏差。能发现方法论缺陷的研究人员比以往任何时候都更有价值。
创意：建立AI所缺乏的审美判断力。AI可以生成变体。但它无法告诉你为什么这个特定变体在这个品牌的这个语境下管用。那种判断力——由品味、品牌认知和文化敏感度支撑的——可以培养，但无法自动化。
报告：成为数据完整性层。AI能做出漂亮的仪表盘。但仪表盘可以漂亮而错误。当归因模型产生误导、当数据源悄悄变更、当数字看起来对但讲述的故事是反的——能识别这些的人是不可或缺的。
没人谈论的Eval层
AI开发中有一个概念，我认为可以直接映射到这里：eval。在AI领域，eval就是ground truth——定义"正确"是什么样子的标准。没有eval，你无法判断AI的输出是好是坏。你只是在信任机器。
在媒体运营中，eval早已存在。只是没有被这样称呼。
你的上线前检查清单就是eval。它定义了正确的广告活动设置是什么样的。你的KPI阶梯就是eval。它定义了良好的绩效意味着什么。你的品牌指南就是eval。它定义了合规创意是什么样的。你的追踪精度标准就是eval。它定义了可靠的测量意味着什么。
构建和维护这些标准的人——把专家判断编码为运营标准的人——在做AI从根本上无法自己完成的事。AI可以生成广告活动设置。但它无法定义在这个客户、这个市场、这些约束条件下，正确的广告活动设置应该是什么样的。这需要深度。
还有一点我认为被低估了：构建eval是最强大的学习方式之一。当你要求一个人定义他们专业领域里"正确"是什么样子——写上线前检查清单、指定可接受的误差阈值、建立创意合规评分标准——他们必须深入理解这项工作到足以编码判断的程度。这不是行政工作，这是加速深度发展。
所以当我说深度优先的职业发展时，eval创建就是它的具体表达。一个既能评估AI输出、又能定义评估标准的人，拥有的是一套随时间复利增长的技能组合。标准越来越精准，AI越来越好，而这个人与那些只是使用AI的人之间的专业差距会越拉越大。
给刚入行的人
在这里我想坦诚相待，因为我觉得刚入行的人值得获得的是诚实，而不是安慰。
是的，初级岗位在变化。入口不再是"用人工做AI能做的工作"。而是"发展足够的深度来评估AI是否正确地完成了工作"。
这听起来像是更高的门槛，某种程度上确实如此。但我认为评估技能——看到AI的输出，判断什么对什么错，并能清楚说出为什么——的培养速度比人们以为的要快。你不是从零开始。你有AI作为学习加速器。
但关键是，你仍然需要在评估之外进行动手实践。你需要自己搭建广告活动，才能知道差的是什么样子。你需要手动拉取数据，才能理解仪表盘隐藏了什么。AI加速了学习，但还没有完全替代实践。至少现在还没有。
选择一个领域。深入进去。学习框架。未来会脱颖而出的人是那些在特定领域发展出真正专业知识的人——而不是成为通才型提示工程师的人。
学徒制问题
说实话——这是我还没有解决的部分。
代理商传统的学徒制之所以有效，是因为初级人员通过做工作来学习。规划助理通过做计划来学规划。激活协调员通过设置广告活动来学激活。重复就是教育。
AI压缩了这些工作流程。而在压缩工作流程的同时，也压缩了学习机制。如果AI做了媒体计划，初级人员只是审核它，他们还能以同样的方式学到规划吗？我不确定。
我有方向但没有完整的答案。深度优先发展。评估与执行并行。把AI不仅当作生产工具，更当作教学工具——让初级人员用AI一起做东西，然后批判AI产出的结果，这样他们同时学习技能和判断力。
但我不确定这就够了。学徒制问题可能是AI转型中最难的组织挑战——比技术难，比商业模式难。如果有人完全解决了这个问题，他们解决的将是比任何一家代理商运营模式都更大的事。
我们现在在哪里
我不打算用一个漂亮的总结来结尾，因为诚实的版本没有那种东西。
以下是我认为正确的：你不会被AI取代。这个叙事比那复杂得多。但你的成长方式、你优先发展的技能、你如何定位自己的专业知识——这些需要进化。广度现在是免费的。深度才是差异化因素。
如果你刚开始职业生涯：选择一个领域，深入进去，培养评估AI工作的判断力。这个组合——深度加评估能力——是让你无可替代的关键。
如果你在带团队：离你的平台和数据最近的人，对你的AI战略的重要性可能超出你的想象。确保设计组织运营模式的人理解这一点。
如果你正在制作一门关于这一切的课程，还在反复重写那张幻灯片——好吧，至少现在你有一篇博客文章可以引用了。即使它也没有全部的答案。
以上就是我想说的。我真的很想听听其他人怎么想——尤其是那些刚入行几年的媒体从业者。你同意吗？不同意？我遗漏了什么？
Cheers, Chandler
