代理商需要哪些 AI 工具？比大多數人想的要少，但要連線得更好。瓶頸很少是缺了哪個工具，而是缺少協同：資料分散在五個系統裡，每個團隊都有自己偏愛的聊天機器人，最後還得有人把截圖一張張複製進 PPT。
與此同時，大型代理商集團押注的是連線，而不是數量。據美國營銷媒體 Digiday 報道，Dentsu 旗下的媒介代理商 Carat 正與 NBCUniversal、FreeWheel 以及 AI 公司 Newton 合作，開發一個用於 Upfront（美國電視廣告年度預售）業務的策劃、購買和最佳化智慧體。Tinuiti 為其效果衡量方案 Bliss Point 推出了 MCP 伺服器，向 AI 智慧體開放自家的衡量層，把受眾、創意、媒介和衡量資料整合到同一處。WPP Media 則強調，治理和人工問責是智慧體化媒介購買的核心。
為什麼 AI 工具越多，效果往往越差？
因為每個新工具都會造出一座新孤島。社交聆聽工具瞭解討論，卻不知道媒介資料；聊天機器人文筆出色，卻對客戶一無所知；報告工具有數字，卻沒有上下文。把這一切串起來的是人，靠的是複製貼上。
此外還有隱性成本：功能重疊的軟體授權；每個儀表盤都要單獨培訓上手；影子 AI，也就是員工用私人帳號處理客戶資料，卻從未經過任何審批；還有隻掌握在某一個人手裡的知識，只有他知道哪個提示詞在哪個工具裡管用。
德國代理商的客戶對資料保護和資料主權格外較真。對它們來說，這種工具氾濫就不只是效率低下的問題，而是一個會在下一次比稿問卷裡暴露出來的風險。
為什麼整體大於工具之和
系統論對此給出了一個簡單的解釋：一個系統大於其各部分之和，因為它的效能來自各部分之間的關係。一支由頂尖獨奏家組成、卻沒有共同總譜的樂團，聽起來不像交響樂，更像演出前的調音。
放到代理商的技術棧上就是：單個 AI 工具再好，也說明不了整體的效能。關鍵在於資料、工具和人之間能否互相對話。工具本身譜不出傑作，和諧只在協奏中誕生。
所以問題通常不在技術，而在架構。人們買來了一件件樂器，卻忘了總譜。
MCP 是什麼？為什麼和代理商有關？
MCP 是 Model Context Protocol（模型上下文協議）的縮寫。它是一項開放標準，讓 Claude 這樣的 AI 助手能夠訪問外部資料來源和工具。可以把它想象成一個通用介面：不必為每個資料來源單獨開發整合或搭建儀表盤，助手透過統一的介面與所有資料來源對話。
對代理商來說，這改變了整套邏輯。過去，整合意味著匯出資料、匯入某個工具、再把結果複製出來。有了 MCP，資料留在原處，團隊在自己日常工作的地方直接提問。“競爭對手從 10 月初以來在投放哪些資訊？”變成了聊天框裡的一個問題，而不是發給洞察部門的一張工單。
Defy MCP 正是這樣運作的：團隊直接在 Claude 中查詢競爭對手、受眾和討論資料，就像問一位同事，不用再學一個新的儀表盤。Tinuiti 以同樣的方式向 AI 智慧體開放其衡量資料，也說明了大方向：資料不再被鎖在儀表盤裡，而是變得可以隨時查詢。
工具氾濫與整合型技術棧：對比
| 維度 | 工具氾濫 | 基於 MCP 的整合型技術棧 |
|---|---|---|
| 資料獲取 | 匯出、複製貼上、截圖 | 助手直接查詢資料來源 |
| 學習成本 | 每個工具一個儀表盤 | 一個介面，用自然語言提問 |
| 可追溯性 | 結果來源不明 | 答案可以追溯到資料來源 |
| 治理 | 私人帳號，審批不清 | 統一許可權和清晰的審批規則 |
| 團隊知識 | 掌握在個別人手裡 | 可複用的提示詞和工作流 |
| 成本 | 授權功能相互重疊 | 工具更少，但用得更深 |
如何用六個步驟整合 AI 工具？
- 先做盤點。誰在用哪些 AI 工具，用來做什麼，處理哪些資料？明確詢問私人帳號的使用情況，而且不要追責，否則你得不到真實的答案。
- 挑出三個最耗時的環節。典型的候選是競品分析、月報和比稿調研。記下它們目前要花多少時間。
- 確定一個工作介面。決定團隊在哪裡使用 AI。每多加一個介面，都需要一個充分的理由。
- 接入資料，而不是複製資料。檢查哪些資料來源可以透過 MCP 或其他介面直接查詢。只能靠匯出的，先列進待辦清單。
- 先定規則，再推廣。明確哪些成果在交給客戶之前必須經過人工稽核，誰來審批支出，哪些客戶資料可以進入哪些系統。你的資料保護官也應該坐到桌邊來。
- 試點、衡量、清理。拿一個客戶試點六週，與第二步記下的耗時做對比，然後停掉那些沒人會想念的工具。
獨立代理商能從控股集團身上學到什麼？
Digiday 這篇報道真正值得注意的，與其說是技術，不如說是口吻。這些代理商集團是用“控制”來推銷智慧體的：據 Digiday 報道，WPP Media 要求在財務和投放啟用決策上設定明確的控制機制、審批閾值和有專人負責的人工監督。Dentsu 方面則表示，一切仍然需要人工監督。
這對獨立代理商是一堂課。客戶猶豫，與其說是因為技術，不如說是擔心失去控制。誰能講清楚哪個結果由誰稽核、某個結論從何而來、資料存放在哪裡，誰就能贏得信任，與公司規模無關。
不同之處在於：控股集團用龐大的研發預算搭建自己的技術棧，獨立代理商則必須更聰明地組合。一個把資料、查詢和自動化整合在一起的平臺，比如 Defy 平臺，是不必自建資料科學團隊、也能達到相近水平的一條路徑。
應該問每一家 AI 供應商哪些問題？
- 你們的資料能否透過 MCP 或其他開放介面查詢，還是只能在你們自己的儀表盤裡看？
- 系統給出的每個結論，我都能追溯到來源嗎？
- 資料存放在哪裡，誰有訪問許可權，我們的提示詞會被如何處理？
- 這個工具具體替代哪個工作流？我可以因此停掉哪個現有工具？
如果最後一個問題得不到答案，你買到的就不是工具，而是又一件沒有總譜的樂器。
