องค์กรการตลาดแบบ AI-native หมายความว่าอย่างไรสำหรับเอเจนซีที่ให้บริการ สรุปสั้น ๆ คือ ลูกค้ามีทีมที่เล็กมาก ทำการตลาดบนชั้นข้อมูลและชั้น AI ของตัวเอง และเลิกจ่ายเงินให้เอเจนซีเป็นรายชั่วโมงสำหรับงานลงมือทำ สิ่งที่ลูกค้าซื้อแทนคือตัวระบบ ท่อข้อมูล การตรวจสอบความถูกต้อง และวิจารณญาณที่โมเดลให้ไม่ได้
เรื่องนี้เลิกเป็นแค่ทฤษฎีในเดือนนี้ Marketing Dive รายงานจากเวที Advertising Week New York ซึ่ง Benoit Vatere ประธานเจ้าหน้าที่ฝ่ายสื่อและดิจิทัลคอมเมิร์ซของ Liquid Death เล่าถึงการบริหารการปรับแต่งสื่อและรีเทลมีเดียบนระบบปฏิบัติการ AI ที่สร้างร่วมกับเอเจนซี Power Digital Marketing แบรนด์ผ่านระบบนี้มาแล้ว 17 เวอร์ชัน ในชื่อ Omega ภายในราวสามสัปดาห์ เป้าหมายคือการบริหาร “งบก้อนใหญ่พอสมควร” ด้วย “คนภายในเพียงสองคน”
สองคน ถ้าคุณบริหารเอเจนซี ตัวเลขนี้สมควรมีเวลาในวาระการประชุมวางแผนนอกสถานที่ครั้งหน้า
องค์กรการตลาดแบบ AI-native คืออะไร
Jeff Mason CEO ของ Power Digital ให้บันไดที่เป็นประโยชน์แก่เวทีนี้ เขากล่าวว่าแบรนด์ส่วนใหญ่อยู่ในระยะ AI-curious (เริ่มสนใจ AI) คือใช้โมเดลแนวหน้าอย่าง ChatGPT และ Claude กับข้อมูลของตัวเองบางส่วน ขั้นถัดไปคือ AI-assisted (ใช้ AI ช่วยงาน) คือชั้นอัจฉริยะเฉพาะองค์กรที่พนักงานทุกคนใช้ได้ และพัฒนาขึ้นเมื่อเรียนรู้วิธีที่ทีมทำงาน ขั้นบนสุดคือ AI-native (ใช้ AI เป็นแกนหลัก) คือมีชั้นการประสานงานอยู่ด้านบน เพื่อให้งานรันอยู่ภายในแอปพลิเคชันที่สร้างขึ้นเอง
ทัศนะของ Mason ตามที่ Marketing Dive รายงานคือ โมเดลแนวหน้าเพียงอย่างเดียวไม่ได้ให้ความได้เปรียบแก่ใครอีกต่อไป คูเมืองคือชั้นอัจฉริยะและชั้นการประสานงานที่คุณสร้างบนข้อมูลของตัวเอง และคูเมืองนี้ลึกขึ้นเรื่อย ๆ ตามกาลเวลา
Liquid Death เป็นตัวอย่างที่ค่อนข้างไม่คาดคิด ครีเอทีฟโฆษณาของแบรนด์เองวิจารณ์ดาต้าเซ็นเตอร์ AI แต่ Vatere บอกว่า AI ทำให้แบรนด์เครื่องดื่มมูลค่าระดับพันล้านดอลลาร์ “คล่องตัวและเฉียบคม” และหยุดการใช้เงินมหาศาลกับสื่อที่ไม่ก่อให้เกิดผล
Liquid Death ซื้ออะไรจากเอเจนซีกันแน่
ถ้าดูให้ดี เอเจนซีไม่ได้หายไป แต่ย้ายตำแหน่ง เมื่อเดือนสิงหาคม Power Digital ประกาศระบบนิเวศ AI ของตัวเอง ได้แก่ Iris ชั้นอัจฉริยะ Omega ระบบปฏิบัติการ และ Creative Affinity ชั้นอัจฉริยะด้านครีเอทีฟ Omega ผสานงานวิศวกรรมของเอเจนซีเข้ากับข้อมูลและกระบวนการของลูกค้า
การเปลี่ยนแปลงที่เห็นได้ชัดคือจังหวะ แคมเปญรีเทลมีเดียที่เคยทบทวนสัปดาห์ละครั้งหรือสองครั้ง ตอนนี้ถูกปรับแต่งทุกวัน Vatere กล่าวว่าแทนที่จะใช้ Slack เขียนคิวรี หรือขอโพสต์จากทีม เขาตรวจดูเองได้ว่าเกิดอะไรขึ้นและแชร์ภายในองค์กร คำแนะนำของเขาถึงนักการตลาดคนอื่นคือ เลิกอยู่กับสเปรดชีต และทำให้งานที่ใช้เวลาเกินห้านาทีเป็นอัตโนมัติ
ดังนั้นลูกค้าจึงไม่ได้ซื้อแผนสื่อกับสไลด์รายเดือน แต่ซื้อเครื่องจักรที่ทำให้สไลด์รายเดือนไม่จำเป็นอีกต่อไป พร้อมคนที่สร้างและปรับแต่งมันต่อเนื่อง
นี่คือวิธีที่เราอ่านสามระยะของ Mason จากฝั่งเอเจนซีของโต๊ะเจรจา
| ระยะของลูกค้า | หน้าตาเป็นอย่างไร | สิ่งที่เลิกซื้อจากเอเจนซี | สิ่งที่ซื้อเพิ่ม |
|---|---|---|---|
| AI-curious (เริ่มสนใจ AI) | ทีมใช้ ChatGPT หรือ Claude กับข้อมูลของตัวเองบางส่วน | ยังน้อยอยู่ แต่คาดว่าจะมีแรงกดดันเรื่องราคาค่าบริการสำหรับการค้นคว้าเอกสารและร่างแรก | ความช่วยเหลือในการเลือกกรณีการใช้งาน แนวป้องกันความเสี่ยง และการฝึกอบรม |
| AI-assisted (ใช้ AI ช่วยงาน) | ชั้นอัจฉริยะเฉพาะองค์กรที่พนักงานทุกคนสอบถามได้ | รายงานรายเดือน การวิเคราะห์ตามปกติ การอัปเดตสถานะ | การรวมศูนย์ข้อมูล การปรับแต่ง การตีความสิ่งที่ชั้นอัจฉริยะแสดงขึ้นมา |
| AI-native (ใช้ AI เป็นแกนหลัก) | ชั้นการประสานงาน งานรันอยู่ในแอปพลิเคชันที่สร้างขึ้นเอง | การปรับแต่งด้วยมือ การทำเวอร์ชันชิ้นงาน ชั่วโมงงานลงมือทำส่วนใหญ่ | การออกแบบและดูแลระบบ การตรวจสอบผลลัพธ์ ไอเดีย วิจารณญาณด้านวัฒนธรรม |
ทำไมจึงรู้สึกเหมือนเทคโนโลยีเป็นผู้ตัดสินทุกอย่าง
ในสังคมวิทยามีแนวคิดเก่าเรียกว่าลัทธิกำหนดนิยมทางเทคโนโลยี (technological determinism) คือความเชื่อว่าเทคโนโลยีขับเคลื่อนการเปลี่ยนแปลงขององค์กรและสังคม ส่วนผู้คนก็แค่ปรับตัว นี่คืออารมณ์ร่วมของบทสนทนาเรื่อง AI ในเอเจนซีส่วนใหญ่ตอนนี้ เครื่องมือมาถึง ลูกค้าปรับโครงสร้าง เอเจนซีเป็นฝ่ายตอบสนอง
เรื่องของ Liquid Death เป็นข้อโต้แย้งที่ดีพอสมควร เทคโนโลยีไม่ได้เลือกคนสองคน ผู้นำการตลาดต่างหากที่เลือก และเอเจนซีเลือกเป็นวิศวกรผู้สร้างระบบ แทนที่จะเป็นซัพพลายเออร์ของระบบ เทคโนโลยีเดียวกัน การตัดสินใจต่างกัน เศรษฐศาสตร์ของเอเจนซีต่างกันมาก
หลักการที่เรากลับมาที่มันเสมอคือ เมื่อเชื่อมข้อมูลเข้ากับความเป็นมนุษย์ ความชัดเจนก็ผุดขึ้นจากความโกลาหล เครื่องจักรรีเทลมีเดียที่ปรับแต่งทุกวันสร้างสัญญาณมากกว่าที่คนสองคนจะอ่านได้หมด ยังต้องมีใครสักคนตัดสินว่ามันหมายถึงอะไร สัญญาณใดสำคัญ และเมื่อใดที่ตัวเลขสะท้อนการเปลี่ยนแปลงที่แท้จริงของผู้คน ไม่ใช่ความผิดปกติของฟีด คนคนนั้นเป็นคุณได้
บริการเอเจนซีอะไรเสียคุณค่า และอะไรได้คุณค่าเพิ่ม
เริ่มที่งานจุกจิกก่อน งานที่เสี่ยงที่สุดคืองานที่ไม่มีใครเข้าวงการโฆษณาเพื่อมาทำ ได้แก่ รายงานรายเดือน ประชุมอัปเดตสถานะ การติดตามงบ การปรับขนาดชิ้นงานด้วยมือ การตรวจสอบคู่แข่งที่ประกอบด้วยมือ ในลูกค้าแบบ AI-native งานเหล่านี้เกิดขึ้นภายในระบบอย่างต่อเนื่อง และไม่มีใครยอมจ่ายค่าจ้างรายเดือน (retainer) เพื่อมัน
สิ่งที่ได้คุณค่าเพิ่มนั้นไม่ชัดเจนเท่า แต่ป้องกันได้มั่นคงกว่า:
- การรวมศูนย์ข้อมูล คำแนะนำแรกของเวทีคือให้รวมศูนย์ข้อมูล ข้อมูลของลูกค้าส่วนใหญ่ยังกระจายอยู่ในหลายสิบแห่งที่เป็นของคนละทีม
- การตรวจสอบผลลัพธ์ เวทียังกล่าวว่าต้องตรวจสอบความถูกต้องของผลลัพธ์จากเอเจนต์ AI เอเจนซีที่ตรวจสอบข้อสรุปของระบบได้จะกลายเป็นความเห็นที่สองของลูกค้า
- การออกแบบระบบ การตัดสินใจว่าจะทำอะไรอัตโนมัติ ตามลำดับใด และภายใต้กฎใด เป็นงานกลยุทธ์ และเรียกเก็บเงินได้
- วิจารณญาณด้านครีเอทีฟและวัฒนธรรม โมเดลปรับแต่งไปสู่สิ่งที่เคยได้ผลมาแล้ว มันไม่รู้ว่าสิ่งใดควรเกิดขึ้นต่อไป
เอเจนซีอิสระควรเตรียมตัวอย่างไร
- ตรวจ retainer ของคุณทีละงาน ลิสต์ทุกงานส่งมอบที่เกิดซ้ำ แล้วทำเครื่องหมายว่างานใดที่ทีมลูกค้าสองคนซึ่งมีชั้น AI ดี ๆ ทำเองได้ภายในหนึ่งปี
- ใช้กฎห้านาทีกับตัวเองก่อน ทำงานภายในที่ใช้เวลาเกินห้านาทีให้เป็นอัตโนมัติ ก่อนที่ลูกค้าจะชี้ให้เห็นว่าคุณยังไม่ได้ทำ
- เสนอรวมศูนย์ข้อมูลของลูกค้า งานนี้ไม่หรูหรา แต่ทุกอย่างอื่นพึ่งพามัน และใครที่ทำก็จะถูกแทนที่ได้ยาก
- สร้างนิสัยการตรวจสอบ ทำให้ “เรารู้ได้อย่างไรว่านี่ถูกต้อง” เป็นวาระประจำการประชุม และไล่ข้อสรุปจาก AI กลับไปถึงข้อมูลต้นทางก่อนส่งถึงลูกค้า
- กำหนดราคาใหม่ตามผลลัพธ์และระบบ หากจังหวะงานของลูกค้าขยับเป็นรายวัน retainer รายเดือนที่วัดเป็นชั่วโมงก็ไม่สมเหตุสมผลสำหรับทั้งสองฝ่าย
- ตัดสินใจว่าจะสร้าง ซื้อ หรือร่วมมือ Power Digital สร้างสแต็กของตัวเอง เอเจนซีอิสระส่วนใหญ่ไม่มีเงินจ้างทีมวิศวกรรม ซึ่งเป็นจุดที่การซื้อขีดความสามารถเข้ามามีบทบาท
เอเจนซีอิสระจำเป็นต้องสร้างระบบปฏิบัติการ AI ของตัวเองหรือไม่
ไม่ แต่ต้องมีสิ่งที่ระบบนั้นให้ ข้อโต้แย้งของ Mason คือโมเดลแนวหน้าเป็นเพียงสิ่งที่ต้องมีอยู่แล้ว ส่วนความได้เปรียบอยู่ในชั้นที่อยู่เหนือขึ้นไป สำหรับเครือข่ายโฮลดิ้งหรือเอเจนซีดิจิทัลที่มีเงินทุนหนา การสร้างชั้นเหล่านี้เป็นโครงการลงทุน แต่สำหรับเอเจนซีอิสระ 40 คน มันคือสิ่งที่เบี่ยงเบนจากงานที่ลูกค้าจ้างคุณมาทำจริง ๆ
ช่องว่างนั้นคือเหตุผลที่ แพลตฟอร์ม Defy มีอยู่ แพลตฟอร์มมอบขีดความสามารถด้านการวิเคราะห์และ AI แบบเดียวกับที่เครือข่ายโฮลดิ้งสร้างไว้ให้เอเจนซีอิสระ โดยไม่มีต้นทุนการพัฒนาหรือภาระการดูแลรักษา ได้แก่ ข้อมูลคู่แข่งและกลุ่มเป้าหมายแบบเรียลไทม์ ที่ถามได้ภายใน Claude เหมือนเพื่อนร่วมงาน โดยมีเอเจนต์ AI รับงานส่งมอบที่ซ้ำ ๆ
ไม่ว่าจะเลือกทางไหน ให้เลือกก่อนที่ลูกค้าของคุณจะเลือก ลูกค้าแบบ AI-native จะไม่รอให้เอเจนซีตามทัน แต่จะจ้างรายที่พร้อมอยู่แล้ว
