AI 原生營銷組織，對服務它的代理商意味著什麼？簡單說：客戶只保留一個極小的團隊，營銷跑在自己的資料層和 AI 層上，不再為執行工時付錢給代理商。它轉而購買的是系統、資料管道、準確性核查，以及模型給不了的判斷。
這個月，這已不再是理論。Marketing Dive 報道了紐約廣告周（Advertising Week New York）上的一場討論：Liquid Death 首席媒介與數字商務官 Benoit Vatere 介紹，品牌的媒介和零售媒體最佳化都跑在一套與代理商 Power Digital Marketing 共同打造的 AI 作業系統上。這套名為 Omega 的系統，在大約三週裡已經迭代了 17 個版本。目標是隻用“兩名內部員工”管理“一筆相當可觀的預算”。
兩個人。如果你經營一家代理商，這個數字值得在下次戰略務虛會上單獨佔一個議程。
什麼是 AI 原生營銷組織？
Power Digital 的 CEO Jeff Mason 在討論中給出了一架實用的階梯。他說，大多數品牌處在 AI 好奇階段：用 ChatGPT、Claude 等前沿模型，結合部分自有資料。再往上一級是 AI 輔助：搭建一個所有員工都能使用的定製智慧層，它會隨著對團隊工作方式的學習不斷進化。最高一級是 AI 原生：在上面再加一層編排層，讓工作本身在定製應用中執行。
據 Marketing Dive 報道，Mason 認為僅靠前沿模型已無法給任何人帶來優勢。真正的護城河，是基於自有資料構建的智慧層和編排層，而且會隨時間不斷加深。
Liquid Death 是一個有點出人意料的標杆。它自己的廣告創意就在批評 AI 資料中心。但 Vatere 說，AI 讓這個十億美元級的飲料品牌保持“精幹而兇悍”，避免在非工作媒介費用（non-working media）上大筆花錢。
Liquid Death 實際上在向代理商買什麼？
仔細看，代理商並沒有消失，只是換了位置。8 月，Power Digital 釋出了自己的 AI 生態：智慧層 Iris、作業系統 Omega，以及創意智慧層 Creative Affinity。Omega 把代理商的工程能力與客戶的資料和流程結合在一起。
看得見的變化是節奏。過去每週覆盤一到兩次的零售媒體投放，如今每天都在最佳化。Vatere 說，他不用再透過 Slack、寫查詢語句或讓團隊發訊息彙報，自己就能檢視進展並在內部分享。他給其他營銷人的建議是：別再泡在電子表格裡，任何超過五分鐘的任務都應該自動化。
所以，客戶買的不是一份媒介計劃加一份月報，而是一臺讓月報變得多餘的機器，以及打造並持續調校它的那群人。
以下是我們站在代理商一側，對 Mason 三個階段的解讀。
| 客戶所處階段 | 典型表現 | 不再向代理商購買的 | 會買得更多的 |
|---|---|---|---|
| AI 好奇 | 團隊用 ChatGPT 或 Claude 結合部分自有資料 | 暫時不多，但案頭研究和初稿的費率會承壓 | 幫助選擇應用場景、建立護欄、做培訓 |
| AI 輔助 | 每位員工都能查詢的定製智慧層 | 月度報告、常規分析、進度同步 | 資料集中、調校，以及解讀智慧層發現的訊號 |
| AI 原生 | 編排層；工作在定製應用中執行 | 人工最佳化、多版本製作、大部分執行工時 | 系統設計與維護、輸出核查、創意、文化判斷 |
為什麼感覺一切都由技術說了算？
社會學裡有個老概念叫技術決定論：認為技術驅動組織和社會的變化，人只能被動適應。這正是眼下大多數代理商談論 AI 時的情緒：工具來了，客戶重組，代理商被動應對。
Liquid Death 的故事是個不錯的反駁。選擇“兩個人”的不是技術，而是一位營銷負責人。選擇成為系統的工程師、而不是系統的供應商的，是一家代理商。同樣的技術，不同的決定，代理商的經濟帳截然不同。
我們反覆回到的一條原則是：當資料與人性相連，清晰便從混沌中浮現。一臺每天最佳化的零售媒體機器產生的訊號，遠超兩個人能讀完的量。總得有人判斷這些訊號意味著什麼、哪些真正重要，以及數字什麼時候反映的是人的真實變化，而不是資料流裡的偶然波動。這個人可以是你。
哪些代理商服務會貶值，哪些會升值？
先從雜活說起。最容易被替代的，是沒人為了它才入行做廣告的工作：月度報告、進度會、預算跟蹤、手工改尺寸、手工拼湊的競品審計。在 AI 原生的客戶那裡，這些都在系統內部持續完成，沒人會再為它們付月費。
升值的部分不那麼顯眼，但更難被取代：
- 資料集中。討論中的第一條建議就是集中資料。大多數客戶的資料仍分散在十幾個地方，分屬不同團隊。
- 輸出核查。討論還指出，AI 智慧體的輸出必須核查準確性。能審計系統結論的代理商，會成為客戶的“第二意見”。
- 系統設計。決定自動化什麼、按什麼順序、遵循什麼規則，這是策略工作，而且可以收費。
- 創意與文化判斷。模型朝著已經奏效的方向最佳化，它不知道接下來應該出現什麼。
獨立代理商該如何準備？
- 按任務審視你的月費合同。列出每一項常規交付物，標出哪些在一年內可以由一個配備像樣 AI 層的兩人客戶團隊自己完成。
- 先對自己執行“五分鐘原則”。在客戶指出之前，先把內部超過五分鐘的任務自動化。
- 主動提出幫客戶集中資料。這活不光鮮，但其他一切都依賴它，做這件事的人很難被替換。
- 養成核查習慣。把“我們怎麼知道這是對的？”設為固定議程，在 AI 結論送到客戶手上之前，先把它追溯到源資料。
- 圍繞成果和系統重新定價。如果客戶的節奏變成按天，按工時計算的月費對雙方都說不通。
- 決定自建、採購還是合作。Power Digital 自建了技術棧。大多數獨立代理商養不起工程團隊，這時就該考慮採購這種能力。
獨立代理商需要自建 AI 作業系統嗎？
不需要，但需要它所提供的能力。Mason 的觀點是，前沿模型如今只是入場券，優勢在它們之上的那幾層。對控股集團或資金充足的數字代理商來說，搭建這些層是一項資本投入；對一家 40 人的獨立代理商來說，這隻會分散它在客戶真正僱它來做的工作上的精力。
這正是 Defy 平臺存在的原因。它讓獨立代理商擁有與控股集團同等的分析和 AI 能力，卻無需承擔開發成本和維護負擔：實時的競品與受眾情報，在 Claude 裡像問同事一樣提問，再由智慧體承擔重複性交付。
無論怎麼選，都要趕在客戶之前選。AI 原生的客戶不會等代理商追上來，它會直接換一家已經準備好的。
