在我观察过的大多数媒体任务里，AI 大约能做 75–80% 的工作——在生产、拼装和找规律上占比最高，在谈判、关系和最终判断上低得多。这就是 75–80% 原则，关于它首先要说的是：它是一个启发式，不是基准。
我想小心对待这个数字，因为整数会招来虚假的精确。75–80% 不是来自受控研究的测量统计。它是我自己跑过这些工作流、也看着团队跑过之后，反复看到的形状：AI 拿走一个任务里量大、重复、可生成的中段，留下一段更小、更高风险的边缘，那一段留给人。确切占比随任务、随团队、随上下文有多干净而移动。形状对我一直成立；小数位没有。
我把这个框架写进了AI 原生媒体运营的定义，因为团队在两个极端上都会出问题。让我讲清楚这条线落在哪，以及如何在你自己工作里找到它。
75–80% 原则说了什么
这条原则说的是：对一个典型的媒体任务，一个设计良好的工作流、由 AI 做第一遍，能覆盖大部分工作，人覆盖其余。它不是说 AI 做每个任务的 80%，也不是说人的那 20% 不重要。重要性和量是两个不同的轴。
把它想成分工，而不是一个分数。模型最擅长快速产出大量说得通的材料：选项、变体、摘要、初稿、规律判断。人最擅长的，是决定什么重要、在说得通的选项里挑选、并承担后果。这个百分比只是一个提醒：边界存在——而且它比大多数谨慎的团队以为的更偏向模型，比大多数热情的供应商承认的更偏向人。
AI 占比高的地方
AI 覆盖得最多的任务共享三个属性：量大、单件后果低、有一个清楚的标准可对照。
- 创意与文案变体。 标题、描述、钩子、社媒文案——一个 AI 原生团队针对一份已决定的简报产出几十个，然后由人来修剪。
- 调研综合。 把一堆公开来源变成结构化摘要现在是机械的，这解放了分析师去问更好的问题。
- 报告拼装。 拉取、关联、排版、叙述每周数字，一旦数据干净就基本可自动化。
- 预算与节奏计算。 重新预测、对照计划检查花费、标记异常，都是模型做得好的找规律任务。
- 本地化与改编。 把一场活动跨市场翻译和改编、最后有一位母语审阅者，是一个规模化良好的量任务。
在这些领域，75–80% 是保守估计。看一位好操盘手配一个好工作流，模型占比看起来更高。
AI 占比低的地方
AI 覆盖得最少的任务共享相反的属性：量小、单件后果高、没有干净的标准。
- 谈判。 媒体购买、价目表、合作与承诺是关系性的、对抗性的。模型能帮你准备；它无法坐到桌子对面。
- 关系与信任。 客户买的是信心。信心建立在对话里，由名字署在工作上的人交付。
- 最终判断。 选出契合客户真实约束的那一个方案，或判断叫停一个测试的时机，是没有任何模型能被问责的判断。
- 品牌与品味判断。 判断一段文案是合乎品牌、而不只是正确，是后天习得的人类判断，也是最后 20% 挣得自己位置的地方。
- 命名问题。 模型几乎能回答任何东西。决定哪个问题值得问——以及哪个指标重要——仍是资深操盘者最有价值的动作。
在这些领域，模型或许能辅助，但 75–80% 会是离谱的高估。这里人的占比才是工作的大头。
这个分工的粗略地图
| 任务 | AI 占比 | 留给人什么 |
|---|---|---|
| 创意与文案变体 | 高 | 简报、品牌判断、最终挑选 |
| 调研综合 | 高 | 框定问题、验证来源 |
| 报告拼装 | 高 | 解读数字、建议 |
| 预算与节奏计算 | 高 | 决定是否据此行动 |
| 本地化与改编 | 高 | 文化细节、母语审阅 |
| 媒体策划草稿 | 中 | 选择约束、拥有方案 |
| 谈判 | 低 | 整场对话 |
| 客户关系 | 低 | 信任、上下文、责任 |
| 最终放行判断 | 低 | 决定及其后果 |
把这张表当成形状，不是记分牌。高占比的行是你先重建工作流的地方，因为吞吐住在那里。低占比的行是你保护产能的地方，因为价值住在那里。
为什么形状比数字更重要
最常被误用这条原则的方式，是把数字当成被测过的一样引用，然后据此规划。
一个团队听到「80%」，就以为可以砍掉五分之四的人。另一个团队听到同一个数字，就以为必须把人全部留下才安全。两者都把启发式当成了事实。这个数字的任务是让你对「必须保住哪 20%」保持诚实——也是阻止你既不过度下放判断、也不拒绝重做拼装。
如果你只记一件事，就记这个：量住在机器那一半，责任住在你这一半。两半不可互换，正因如此，用一个百分比来描述有用，用一个百分比当目标则危险。
如何审计你自己的任务
不要从原则开始。从你实际的工作开始，让原则从审计里掉出来。
- 列出任务，而不是职位。 「产出周报」可分解为拉取、清洗、关联、排版、叙述、解读。前五个是高占比；最后一个是低占比。
- 对每个任务，问三个问题。 量多大？单件后果多重？有没有一个清楚的标准可对照？高量加低后果加清楚标准，意味着高 AI 占比。
- 明确标注标准。 没有审阅标准的任务留给人，直到你定义出一个。没有标准的量是风险，不是吞吐。
- 保护低占比的边缘。 点名谁拥有判断、关系和最终决定。如果这一点不清楚，工作流就没完成。
这个审计通常会产出一个意外：团队把大部分焦虑花在一个容易自动化的步骤上，几乎没花在它本该投入的判断步骤上。执行指南把这个审计变成生命周期其余部分的推广顺序。
两端的失败模式
过度下放。 团队交付 AI 产出而不审阅，当一个错误的宣称或一个竞品的名字上线时怪工具。模型照做了它被要求做的；是工作流在错误的节点撤走了人。这是那 20% 被那 80% 偷走。
下放不足。 团队把 AI 当拼写检查器，让每个阶段都保持手工，然后纳闷为什么什么都不复利。这是那 80% 被当成 20% 来对待。两个错误来自同一个错误：不知道你在哪一半里。
衡量什么
分别追踪模型占比和人的占比。周期时间告诉你工作流是否真的更快；质量与错误率告诉你审阅是否在尽职。如果周期时间降了而错误升了，你把工作搬给了机器却没搬动标准——那是失去客户信任最快的方式，也是赢回它最慢的方式。
FAQ
75–80% 是一个测出来的数字吗？
不是。它是从观察这些工作流得出的一个工作启发式，不是来自研究的基准。把形状当成有用的部分：在生产与拼装上高占比，在判断与关系上低占比。
AI 能做一个媒体任务的 100% 吗？
不能是那种需要人为结果签名的任务。AI 能产出材料和第一遍，在狭窄、低后果的任务上它能端到端跑。任何有真实后果的事都需要一位人类负责人。
高 AI 占比意味着更少的人吗？
它常常意味着拼装环节更少的人、判断/关系/审阅环节持平或更多。职能会集中而非消失，所以人头答案取决于你原本更偏向哪一半。
我怎么知道这个分工是对的？
两个信号。周期时间降了而没有错误上升，且低占比的边缘——判断、关系、最终决定——有一位点名的人拥有。缺了任一，就继续调这条边界。
简短版
在大多数媒体任务里，AI 大约做 75–80% 的工作，在生产、拼装和找规律上占比最高，在谈判、关系和最终判断上最低。它是用来找到你必须留给人那 20% 的启发式，不是人头目标。按量、后果和一个审阅标准来审计你自己的任务；自动化高占比的那一半，保护低占比的边缘，并把周期时间与质量一起衡量。执行指南是那项工作的完整地图，而面向团队负责人的车道把这个审计变成推广顺序。
我仍在公开地学习这个领域，我自己的数字也随工具改进而漂移。但形状一直成立：量可下放，责任不可。
如果你的团队跑过这个审计，我想听听什么让你意外——通常不是人们以为的那个任务。
祝好， Chandler
本文提供简体中文版本。课程材料（视频、模板和配套指南）以英语、日语、简体中文和韩语提供。本网站提供 13 种语言版本。