代理商需要哪些 AI 工具？比大多数人想的要少，但要连接得更好。瓶颈很少是缺了哪个工具，而是缺少协同：数据分散在五个系统里，每个团队都有自己偏爱的聊天机器人，最后还得有人把截图一张张复制进 PPT。
与此同时，大型代理商集团押注的是连接，而不是数量。据美国营销媒体 Digiday 报道，Dentsu 旗下的媒介代理商 Carat 正与 NBCUniversal、FreeWheel 以及 AI 公司 Newton 合作，开发一个用于 Upfront（美国电视广告年度预售）业务的策划、购买和优化智能体。Tinuiti 为其效果衡量方案 Bliss Point 推出了 MCP 服务器，向 AI 智能体开放自家的衡量层，把受众、创意、媒介和衡量数据整合到同一处。WPP Media 则强调，治理和人工问责是智能体化媒介购买的核心。
为什么 AI 工具越多，效果往往越差？
因为每个新工具都会造出一座新孤岛。社交聆听工具了解讨论，却不知道媒介数据；聊天机器人文笔出色，却对客户一无所知；报告工具有数字，却没有上下文。把这一切串起来的是人，靠的是复制粘贴。
此外还有隐性成本：功能重叠的软件授权；每个仪表盘都要单独培训上手；影子 AI，也就是员工用私人账号处理客户数据，却从未经过任何审批；还有只掌握在某一个人手里的知识，只有他知道哪个提示词在哪个工具里管用。
德国代理商的客户对数据保护和数据主权格外较真。对它们来说，这种工具泛滥就不只是效率低下的问题，而是一个会在下一次比稿问卷里暴露出来的风险。
为什么整体大于工具之和
系统论对此给出了一个简单的解释：一个系统大于其各部分之和，因为它的效能来自各部分之间的关系。一支由顶尖独奏家组成、却没有共同总谱的乐团，听起来不像交响乐，更像演出前的调音。
放到代理商的技术栈上就是：单个 AI 工具再好，也说明不了整体的效能。关键在于数据、工具和人之间能否互相对话。工具本身谱不出杰作，和谐只在协奏中诞生。
所以问题通常不在技术，而在架构。人们买来了一件件乐器，却忘了总谱。
MCP 是什么？为什么和代理商有关？
MCP 是 Model Context Protocol（模型上下文协议）的缩写。它是一项开放标准，让 Claude 这样的 AI 助手能够访问外部数据源和工具。可以把它想象成一个通用接口：不必为每个数据源单独开发集成或搭建仪表盘，助手通过统一的接口与所有数据源对话。
对代理商来说，这改变了整套逻辑。过去，整合意味着导出数据、导入某个工具、再把结果复制出来。有了 MCP，数据留在原处，团队在自己日常工作的地方直接提问。“竞争对手从 10 月初以来在投放哪些信息？”变成了聊天框里的一个问题，而不是发给洞察部门的一张工单。
Defy MCP 正是这样运作的：团队直接在 Claude 中查询竞争对手、受众和讨论数据，就像问一位同事，不用再学一个新的仪表盘。Tinuiti 以同样的方式向 AI 智能体开放其衡量数据，也说明了大方向：数据不再被锁在仪表盘里，而是变得可以随时查询。
工具泛滥与整合型技术栈：对比
| 维度 | 工具泛滥 | 基于 MCP 的整合型技术栈 |
|---|---|---|
| 数据获取 | 导出、复制粘贴、截图 | 助手直接查询数据源 |
| 学习成本 | 每个工具一个仪表盘 | 一个界面，用自然语言提问 |
| 可追溯性 | 结果来源不明 | 答案可以追溯到数据源 |
| 治理 | 私人账号，审批不清 | 统一权限和清晰的审批规则 |
| 团队知识 | 掌握在个别人手里 | 可复用的提示词和工作流 |
| 成本 | 授权功能相互重叠 | 工具更少，但用得更深 |
如何用六个步骤整合 AI 工具？
- 先做盘点。谁在用哪些 AI 工具，用来做什么，处理哪些数据？明确询问私人账号的使用情况，而且不要追责，否则你得不到真实的答案。
- 挑出三个最耗时的环节。典型的候选是竞品分析、月报和比稿调研。记下它们目前要花多少时间。
- 确定一个工作界面。决定团队在哪里使用 AI。每多加一个界面，都需要一个充分的理由。
- 接入数据，而不是复制数据。检查哪些数据源可以通过 MCP 或其他接口直接查询。只能靠导出的，先列进待办清单。
- 先定规则，再推广。明确哪些成果在交给客户之前必须经过人工审核，谁来审批支出，哪些客户数据可以进入哪些系统。你的数据保护官也应该坐到桌边来。
- 试点、衡量、清理。拿一个客户试点六周，与第二步记下的耗时做对比，然后停掉那些没人会想念的工具。
独立代理商能从控股集团身上学到什么？
Digiday 这篇报道真正值得注意的，与其说是技术，不如说是口吻。这些代理商集团是用“控制”来推销智能体的：据 Digiday 报道，WPP Media 要求在财务和投放激活决策上设置明确的控制机制、审批阈值和有专人负责的人工监督。Dentsu 方面则表示，一切仍然需要人工监督。
这对独立代理商是一堂课。客户犹豫，与其说是因为技术，不如说是担心失去控制。谁能讲清楚哪个结果由谁审核、某个结论从何而来、数据存放在哪里，谁就能赢得信任，与公司规模无关。
不同之处在于：控股集团用庞大的研发预算搭建自己的技术栈，独立代理商则必须更聪明地组合。一个把数据、查询和自动化整合在一起的平台，比如 Defy 平台，是不必自建数据科学团队、也能达到相近水平的一条路径。
应该问每一家 AI 供应商哪些问题？
- 你们的数据能否通过 MCP 或其他开放接口查询，还是只能在你们自己的仪表盘里看？
- 系统给出的每个结论，我都能追溯到来源吗？
- 数据存放在哪里，谁有访问权限，我们的提示词会被如何处理？
- 这个工具具体替代哪个工作流？我可以因此停掉哪个现有工具？
如果最后一个问题得不到答案，你买到的就不是工具，而是又一件没有总谱的乐器。
