[界線-6] AI在行銷的三個位置

界線　AI × 品牌，判斷與等待

系列之六

AI 在行銷的三個位置

我在很多公司的季度檢討會上，聽過同一個版本的困惑。

預算批了，工具也買了。客服機器人上線，內容生成跑起來，投放優化接了後台，素材一天可以生一百版。團隊的回饋都很好，每個人都說效率高多了，以前要三天的東西現在三小時。年會上還能湊出一份漂亮的清單，列滿這一年導入了哪些 AI 應用。

然後他盯著那張報表，說不出一句踏實的話。

錢花了，人好像也沒輕鬆到哪去。業績有成長，但你講不出那成長裡有多少是 AI 帶來的，有多少本來就會發生。他想問的問題其實很簡單：我到底是在建設，還是在採購？

這個困惑不是他一個人的。CTR 在 2026 年中國市場廣告主行銷趨勢調查裡，把這份彆扭寫成了兩個數字。

AI 行銷的滲透率已經到了 94.1%，一百家廣告主裡九十四家在用。但被問到效果時，超過 60% 的評價只是「一般」。

工具都買了，人人在用，效果將將及格。

翻到海外，同一個病根換了一個說法。麥肯錫 2026 年那份《AI 現況》調查，問了超過一千七百位全球決策者，結果是 80% 的員工回饋個人生產力顯著提升，但只有 37% 的企業認為 AI 對利潤有正面貢獻。中間那 43 個百分點，就是落差。

台灣的版本又不太一樣，據業界普遍觀察，是「評估的多、落地的少」。大家都知道該用，工具也試了，但停在試用階段的比例相當高，真要動流程、動人的時候就停住了。

三個市場，三種說法，同一個位置：工具已經到位，帳卻對不上。

大部分談這件事的文章，會給你兩個答案。一個是「你的工具還不夠好」，一個是「你的員工不會用」。這兩個答案都有部分道理，但都不足以解釋一個 94% 對 60% 的懸殊落差。如果只是工具不夠好，那不會有九十四家參與；如果只是員工不會用，那不會有三成七的企業真的看到了利潤。

我認為答案在另一個維度上。而這個維度，跟你的工具預算、跟你團隊的技術能力，關係不大。

CTR 那份報告裡，有一個分層我認為比那個「94% 對 60%」更有價值。

它把廣告主使用 AI 的深度分成三層。

第一層叫單點建設，只做一項 AI 應用。可能只做了客服機器人，或者只做了素材生成。這一層的滿意度墊底，只有一成六左右，因為它基本上就是買了一個工具，工作方式沒有改變，人還是照原來的方式做事，只是某一件事快了一點。

第二層叫多點建設，做了幾項，也開始有專職的人。這一層的滿意度升到三成，幾乎翻倍。但我讀到這裡有點意外，因為我自己的觀察是，很多公司做到這一層反而更累：幾套工具各有一套邏輯，中間要靠人來對接，工具越多，拼接的活越重。這是我自己的判斷，報告沒有這樣說，報告只說滿意度確實往上走。

第三層叫體系化建設，滿意度最高，接近三成九。它跟前面兩層的差別不在買了多少工具，在重新設計了流程。報告的說法是「AI 行銷應用越深入流程優化與 ROI 閉環，滿意度也顯著提升」。

這個分層一擺出來，「94% 用 AI、60% 覺得一般」就不再是一個行業亂象，而是一個可以被解釋的結構現象。

問題不在工具強弱，在深度。大多數人停在前兩層。

但我讀到這裡的時候，心裡有個地方沒有被滿足。

這個分層解釋了「用得多深」，卻沒有解釋「用得對不對」。它假設了一件事：只要往深處走，效果就會變好。這個假設在很多技術導入上是成立的，但在行銷上我認為不完全成立。

因為深不深是一個維度的問題，對不對是另一個維度的問題。一個組織可以在錯誤的位置上做到體系化，把力氣用在錯的地方，而且做得非常有效率。這種情況不是假設，我看到過不少。

所以要回答「為什麼 94% 的人在用人卻只有 60% 滿意」，光有深度這個維度不夠。得再加一個。

那個維度不複雜，一句話就能說完：有些事情 AI 能算，有些事情只能等。

在講這個分法之前，先把兩個維度的關係講清楚，不然你會覺得多此一舉。

深度這個維度問的是：你投入了多少。布建一項、四項、還是五項以上，有沒有重做流程。它很有用，因為它指出了「買工具」跟「改流程」的差別，而那確實是很多人卡住的地方。

但它有一個盲點。它假設往深處走就是對的，所以它永遠不會告訴你一件事：你可能正在很深地做一件不該做的事。

一個組織可以布建十項 AI 應用、重做了五個流程、滿意度很高，然後在一個錯的位置上非常有效率地空轉。這種情況不是假設，我看到過不少。

位置這個維度問的是另一件事：你投在哪。它不管你做得多深，它先問你做的事，屬於哪一種問題。

兩個維度不衝突，它們回答不同的問題。深度問「你做得多徹底」，位置問「你有沒有做對的事」。先確認位置，再談深度，順序不能顛倒。

現在把這個分法講清楚，因為它是後面所有判斷的基礎。

行銷工作面臨的問題，可以粗分成兩類。

第一類，我稱為判斷問題。它的特徵是：答案是離散的，而且可以比對驗證。這一版素材跟上一版哪個轉換率高？這組受眾跟那組哪個 CPA 低？這個出價策略跟那個哪個贏？這些問題有正確答案，而且答案可以被測出來。

第二類，我稱為等待問題。它的特徵是：答案是連續的，只能靠時間累積。消費者對你的記憶有沒有變厚？他下次有需求時會不會想起你？他願不願意為了你的品牌多付一點？這些問題沒有「正確答案」，只有「累積到什麼程度」。

這兩類問題最關鍵的差別，不是在難度，在答案的形狀。

判斷問題的答案，是一個點。你做了 A，得到 3.2%；你做了 B，得到 3.8%。B 比較好，這件事結束了，可以往下一題。

等待問題的答案，是一條線。你今天做的每一件事，只是在把這條線往上推一點點，而且推了多少你不知道，因為這條線本來就一直在緩慢上升。

這個差別決定了兩類問題能不能被機器接手。

判斷問題之所以能被算力吃掉，是因為它有兩個性質：可以大量重複試錯，而且每次試錯的結果可以立刻比較。這兩件事剛好是機器的強項。機器不怕試一萬次，也不怕每次都從零開始比。

等待問題不能，因為它不接受重複試錯。你不能讓一萬個消費者各看一次你的品牌，然後選出最好的那個版本。品牌是在同一個人身上、同一個時間軸上，一次一次累積出來的。它不能被切成平行的實驗。

這就導致了一個很根本的結論，也是我這幾篇一直在講的：AI 壓縮的是判斷，壓不掉的是等待。

種樹的人最懂這件事。你可以用 AI 算出最好的施肥配方、最適的澆水量、最精準的修剪時機。這些都是判斷問題，AI 做得比任何老農都好。但你沒辦法讓那棵樹長快一點。它該三年就是三年，你把演算法優化到極致，它還是三年。

行銷的等待，就是那三年。

先講判斷層。這一層的判斷標準只有一個問句：這件事有沒有標準答案？

如果有，就該交給 AI，而且要交得徹底。

這一層在行銷裡長什麼樣子？

最典型的是投放優化。同一組素材，哪一個受眾組合的 CPA 最低，這件事 AI 做得比人好，而且好很多。因為它有兩個條件：可以大量試，而且每次試的結果馬上知道。一個資深投手一天能調三次，AI 一天能調三萬次。

同樣的道理適用於出價。你設一個目標，它在這個目標下持續微調，找出那個你手調不出來的平衡點。人只能猜，它可以真的測。

再來是素材生成。這裡要小心一點，因為素材有兩種。一種是功能性的，例如不同尺寸、不同版位、不同標題的排列組合。這種素材的判準很清楚，就是點擊率跟轉換率，AI 生成一百版然後測出最好的那一版，這件事它做得又快又便宜。

另一種素材不是這個邏輯，後面會講。先把功能性的這部分講完。

第四是報表解讀與異常偵測。哪一天的轉換率突然掉了，哪一組廣告的表現偏離了歷史區間，哪一個環節的流失率開始上升。這些事情人做得慢、做得漏、做得晚。它的價值在於不需要判斷力，只需要注意力，而注意力剛好是人最缺、機器最不缺的東西。

第五是歸因與預算分配。哪個通路的邊際效益最高，下一筆預算該往哪裡挪。這一層要注意，平台後台的歸因本身有方法上的限制，所以 AI 算出來的答案只能當參考。但它當參考的價值，還是遠高於人憑經驗拍。

這五件事有一個共同點，也是我為什麼主張「要交得徹底」的原因：它們都會自己產生回饋。

你做了決定，市場馬上告訴你結果，這個結果又可以拿來修正下一次的決定。這是一個閉環。閉環裡的工作，機器的學習速度跟人不是同一個量級。

所以判斷層的正確態度很清楚：不是「AI 能不能做」，是「我為什麼還在做」。

我見過太多公司，把最資深的投手放在手動調價上，把最好的設計師放在改尺寸上，把最懂數據的人放在整理報表上。這些人的能力是真的，但他們每天做的事，是在一個有標準答案的題目上，用人工的方式慢慢算。

這不是勤奮，這是浪費。而且浪費的不只是時間，是那些人本來可以去做下面這一段的事。

但這裡有個陷阱，而且這個陷阱我認為是目前業界最普遍的一種錯。

當你發現 AI 在判斷層這麼強之後，很自然會做一件事：把它的能力往外推。既然它這麼會算，那讓它順便算一下品牌的事。

於是你會看到這些場景。用 AI 生成品牌標語，因為它讀過的文案比任何創意總監都多。用 AI 決定品牌該走什麼調性，因為它可以分析幾萬則社群貼文的情緒。用 AI 評估一個品牌活動該不該做，因為它可以算出預期效益。

這些做法都有一半是對的，而且它們在判斷層確實有效。問題在於它們被用在了等待層的問題上，而等待層的問題，形式上看起來也是判斷題。

「這個 slogan 好不好？」聽起來是一個可以比較的問題。「這次活動該不該做？」聽起來是一個可以計算的問題。

但它們不是。因為這兩個問題的真正答案，不在那個活動當期，而在三年後那個消費者還記不記得你。而三年後的答案，現在算不出來。

這就是錯配的起點。而錯配的代價，比多花一點工具預算嚴重得多。

進到等待層，AI 的角色變了。

它不再當主角，它當看守。

我知道「看守」這兩個字聽起來像是在貶低 AI，好像它只能做些雜事。不是這個意思。看守有它自己的價值，而且這個價值在大部分組織裡是缺的。

看守做三件事。

防止破壞

前面講過，等待期最大的風險是等到一半手癢，動了不該動的那一刀。而那一刀之所以砍得下去，是因為砍的人不必付帳，代價發生在半年後、由另一批人承擔。

AI 在這裡最有價值的用法，是把「不可動清單」變成一個會擋人的東西，而不是一份存在雲端資料夾裡的公告。

這件事技術上非常簡單。你把那幾項不准動的資產設成規則：主視覺的核心元素、品牌主張的那一句、主要媒體的通路結構。任何人要改，系統跳出一個表單，要求他填三件事：這次改動跟上一版是什麼關係？它會影響哪些既有認知？前面累積的東西準備怎麼處理？

填得出來，就讓他改。填不出來，就卡住。

這比任何一次「我們要有品牌意識」的教育訓練有效，因為它把成本放回了決策的那一刻。而且它不需要人來執行紀律，紀律被寫進了流程。

順帶一提，這個表單還有一個副作用，比擋人更值錢：它會逼提案的人自己發現，他根本沒想過新舊之間有關係。大部分衝動型的改動，是在這一步自己撤回來的。

看住累積

就是把那些不當期兌現的指標，變成一條持續被看見的時間線。品質分數、著陸頁體驗、受眾精準度、種子名單品質、品牌字自然搜尋量、回購間隔、自然流量佔比。這些數字單看都不刺激，但排成一條線，你會看見那個緩慢上升的坡度。這件事人做不到，是因為沒有耐心每天看一個不會動的數字。機器有。

監控漂移

是看那條線有沒有偏。品牌字搜尋一個月掉 2%，沒人會在意；連續掉八個月，就是 15%。回購間隔從九十天變成一百零五天，報表上看不出來；等到變成一百四十天，你已經損失一整輪。漂移的可怕在於它慢，而慢的東西人偵測不到。人可以抓到懸崖，抓不到斜坡。這件事 AI 特別擅長，因為它擅長的是記住一條線本來長什麼樣，然後告訴你這條線偏了。它不需要懂品牌。

三件事合起來是：看著它累積、阻止它被拆、發現它開始漏。它們都不屬於「創造」，屬於維持。維持不需要洞見，需要耐心跟不出錯，這剛好是機器比人可靠的地方。

但看守有一個它做不到的事，而這件事是等待的核心。

它不能替你等。

這句話聽起來像廢話，但它有一個很具體的意思。

等待的本質，是在一個沒有回饋的狀態下，維持一個看起來沒有變化的動作。它的核心能力不是做什麼，是忍住不做什麼。

AI 的預設剛好相反。所有 AI 工具的設計邏輯都是「持續優化」：它會不斷找可以改進的地方，不斷建議你調整，不斷告訴你還有更好的版本。這是它存在的理由，也是它最大的價值。

但這個天性，放在等待層會變成一種干擾。

你已經決定那個主張要放三年，它每天給你三個更好的版本。你已經決定這條通路結構要守著，它每週告訴你另一條通路的轉換率高 0.3%。它沒有錯，它給的每一個建議單獨看都是對的。

問題在於，等待需要的是有人能夠說「我知道有更好的，但我現在不改」。而這句話，AI 說不出來。

所以我對這件事的判斷是：AI 在判斷層可以當主角，在等待層只能當看守。這不是因為它能力不夠，是因為等待這件事的核心動作是「不動」，而機器被設計成永遠在動。

你把方向盤交給它，它會一直微調方向。而在需要直線走三年的路上，一直微調方向，就是走不到。

講到這裡，我原本以為這篇可以收了。兩層分完，主角跟看守分好，位置圖畫出來，結束。

但這裡還有一層，我原本也漏掉了，而且這一層比前面兩層都難處理。

等待層裡有一部分，根本不是等待。

你在一個廣告帳戶上投入三年，累積了什麼？

你累積了轉換資料，讓系統的學習模型更認識你的客群。你累積了品質分數，讓同樣的曝光成本更低。你累積了受眾名單，讓再行銷的池子變大。你累積了素材表現的歷史，知道哪些訊息有效。

這些東西是真的，而且它們確實需要時間累積，符合我們前面對「等待」的定義。

問題是，這些累積長在帳戶上，不長在品牌上。

而帳戶是可以換的。換代理商，開新帳戶，前面三年一筆勾銷。這是帳戶歸屬的規則。

所以我們面對一個很奇怪的局面：有一部分的「等待」，看起來完全符合等待的所有特徵，需要時間、需要累積、不能壓縮。但它的產權不在你手上。你等的那個東西，所有權是別人的。

這就不是等待問題了。這是產權問題。

這兩件事的差別，在於解法完全不同。

等待問題的解法是紀律：忍住不改、維持動作、等它成熟。產權問題的解法是合約：誰擁有這個帳戶、數據怎麼移轉、換約的時候哪些東西跟著走。

而混淆這兩件事，會導致兩個很常見的錯誤。

第一個錯誤是，用紀律去解決產權問題。你很認真地等，很認真地累積，很認真地不去動它。等到有一天要換約，發現所有東西都帶不走。這時候你的檢討會開成什麼樣子？你會檢討「我們是不是等得不夠久」、「是不是累積還不夠」，然後決定再等三年。

第二個錯誤是，用產權的思維去解決等待問題。你簽了一份很嚴密的合約，把所有數據、帳戶、素材的歸屬都寫清楚了，然後覺得問題解決了。但品牌認知這種東西，不會因為合約寫得清楚就長出來。你擁有那個帳戶，不代表消費者記得你。

所以真正該做的是先把這兩件事分開，再分別處理。

分開的方法很簡單，問一個問題：這個東西，如果明天換一個團隊來接手，它還在不在？

在，那就是品牌層的累積，是真等待，解法是紀律。

不在，那就是帳戶層的累積，是產權，解法是合約。

這個問題一問下去，很多被當成「等待」的東西會現形。它們不是等待，它們是租來的。

而這裡就是 AI 的位置圖上最刺眼的那一格。

產權這件事，AI 連看守都做不了。

因為它不是技術問題。AI 可以幫你監控數據、可以幫你算出移轉成本、可以幫你比對合約條款。但它不能改變一件事實：那個帳戶在誰的名下。而所有權，是法律關係，不是資料關係。

所以完整的說法是這樣，三句話，一層一層退。

AI 在判斷層可以當主角，它比人快、比人準、比人勤。

AI 在等待層只能當看守，它可以看住累積、阻止破壞、監控漂移，但它不能替你等，因為它天性會一直想動。

而在等待層裡，有一部分的累積其實不是等待，是產權。那一部分，AI 連看守都做不了。

這也是為什麼我一直覺得「AI 能不能取代行銷人」這個問題問錯了。真正的問題不是能不能取代，是放在哪裡。

有一個案例，把「放錯位置」的代價演得最完整。

瑞典的先買後付公司 Klarna，2023 年到 2024 年做了一件很激進的事。它把客服全面交給 AI，對外宣布的成績是：AI 助手接手了相當於 700 名人力的工作，占總客服量的 75%，支援 35 種語言，全天候在線。

同一段時間，公司透過凍結招聘的方式讓組織自然縮小。截至 2024 年底，員工從四千五百人降到三千五百人，對外喊出的目標是再降到兩千人。2024 年 12 月的財報發布會，執行長 Sebastian Siemiatkowski 甚至用了自己的 AI 克隆體來報告業績、講解財務細節。

他自己在社群上說：「目前 AI 能夠完成我們所有人的任務，包括我自己的。」

這不是宣傳話術，這是真的做到了。它的效率是真的，成本下降是真的，財報上的改善也是真的。那段時間 Klarna 的估值翻了一倍多。

然後，2025 年，它重新開始招真人客服。

執行長受訪時改口，說過去幾年專注 AI 的策略並不完全正確。雖然 AI 客服成本更低，但服務體驗打了折扣，最後導致的是品質更差的支持。他講了一句話，我認為是這整件事的判決：

如果你只讀到這裡，很容易得出一個結論：AI 客服不行，還是要用真人。這個結論是錯的，而且錯得很可惜，因為它會讓你錯過這整件事真正教了什麼。

Klarna 的 AI 客服不是失敗在能力。它處理掉的是那 75% 的常見問題：退貨怎麼申請、款項什麼時候到、帳單怎麼改。這些問題有標準答案，而且答案可以驗證，完全符合我們前面對判斷問題的定義。在這一層，它做得又快又省，這是真的勝利，不該被後來的轉向抹掉。

它失敗在別的地方。當一個人遇到的是「這筆爭議帳款我已經講第三次了」這種情況時，他要的不是正確答案，他要的是被當一回事。而「被當一回事」這件事，是累積出來的，不是算出來的。它只能由一個人在那個時刻，花他自己的時間，去給另一個人。

換句話說，Klarna 的錯誤不在用了 AI，在把一個判斷層的工具，放在了等待層的位置上。它用效率的邏輯去處理一個需要累積的關係，結果是省下了成本，卻在顧客的心裡留下一個印記：這家公司不會真的理我。

而這個印記，比省下的成本貴得多。因為它會累積，而且是往反方向累積。

這也是為什麼執行長那句話值得細讀。他說的是「明確表示會有真人服務」，這句話的功能不是解決問題，是給一個承諾。而承諾是等待層的東西，它需要被反覆兌現，才能變成信任。

Klarna 最後的做法也很有意思。它不是全面退回人工，是把分工重新切了一次：高頻、簡單、有標準答案的，繼續交給 AI；複雜的、有情緒的、需要判斷的，交給人。而且它把客服職位開給遠端工作者、在校學生、忠實用戶，成本結構還是比原來好。

這個結局比「AI 失敗」複雜得多。它其實是把自己從錯配裡拉回來，然後在正確的位置上，兩邊都用上了。

把前面這些收成一張圖，會比較好用。行銷的工作拆成三欄，每一欄對應一種關係。

這張表不需要背。它只有一個判斷規則：問那個問題的答案，是一個點還是一條線。

是點，交給 AI，而且要快，別捨不得。

是線，你自己留著，AI 進來只能做看守。

如果那條線的所有權不在你手上，那你處理的其實不是等待，是合約。

這個規則的好處是它會隨時間穩定。工具會換，模型會升級，明年一定又有新東西出來。但「點還是線」這個問題不會變，因為它問的不是技術，是那個問題本身的形狀。

最後回到開頭那個人。

他坐在檢討會上，看著報表，說不出一句踏實的話。他那時候心裡想的問題是「我還缺什麼工具」。這個問題讓他走進了一個沒有出口的迴圈，因為工具只會越買越多，而帳永遠對不上。

我想他真正該問的問題是另一個：我把 AI 放在哪一格？

如果他把所有的力氣都放在第一欄，那他的效率會很好，判斷會很準，而他會在兩三年後發現品牌沒有變厚。因為第一欄再怎麼優化，都不會在消費者腦子裡留下東西。

如果他把 AI 放進第二欄去主導品牌，那更危險。他會得到很多看起來很聰明的建議，然後在每一個季度都改一次方向，而他不會知道自己正在拆自己累積的東西，因為每次拆完，當期數字都還在。

如果他把大部分資源都投在第三欄，交給 AI 去看守，然後期待它有天會長出品牌，那也不會發生。看守不會讓東西長大，它只是讓東西不要壞掉。

正確的配置其實很樸素。判斷層該交的交出去，而且要交得乾脆；等待層該等的等下去，而且要有人負責；產權該談的談清楚，別用紀律去彌補合約。

然後把省下來的人力跟時間，投到那個 AI 碰不了的地方：一個人在某個時刻，認真地對待另一個人。這件事很慢、很貴、不能規模化，但它會在別人心裡留下東西。而所有等待的回報，最後都來自那裡。

AI 把判斷變得很便宜。這是好事，因為它意味著我們終於可以把力氣，花在那些一直以來最貴、也最值得的事情上。

它不能替你等。但它可以讓你終於有時間，去做那些值得等的事。