AI 原生营销组织，对服务它的代理商意味着什么？简单说：客户只保留一个极小的团队，营销跑在自己的数据层和 AI 层上，不再为执行工时付钱给代理商。它转而购买的是系统、数据管道、准确性核查，以及模型给不了的判断。
这个月，这已不再是理论。Marketing Dive 报道了纽约广告周（Advertising Week New York）上的一场讨论：Liquid Death 首席媒介与数字商务官 Benoit Vatere 介绍，品牌的媒介和零售媒体优化都跑在一套与代理商 Power Digital Marketing 共同打造的 AI 操作系统上。这套名为 Omega 的系统，在大约三周里已经迭代了 17 个版本。目标是只用“两名内部员工”管理“一笔相当可观的预算”。
两个人。如果你经营一家代理商，这个数字值得在下次战略务虚会上单独占一个议程。
什么是 AI 原生营销组织？
Power Digital 的 CEO Jeff Mason 在讨论中给出了一架实用的阶梯。他说，大多数品牌处在 AI 好奇阶段：用 ChatGPT、Claude 等前沿模型，结合部分自有数据。再往上一级是 AI 辅助：搭建一个所有员工都能使用的定制智能层，它会随着对团队工作方式的学习不断进化。最高一级是 AI 原生：在上面再加一层编排层，让工作本身在定制应用中运行。
据 Marketing Dive 报道，Mason 认为仅靠前沿模型已无法给任何人带来优势。真正的护城河，是基于自有数据构建的智能层和编排层，而且会随时间不断加深。
Liquid Death 是一个有点出人意料的标杆。它自己的广告创意就在批评 AI 数据中心。但 Vatere 说，AI 让这个十亿美元级的饮料品牌保持“精干而凶悍”，避免在非工作媒介费用（non-working media）上大笔花钱。
Liquid Death 实际上在向代理商买什么？
仔细看，代理商并没有消失，只是换了位置。8 月，Power Digital 发布了自己的 AI 生态：智能层 Iris、操作系统 Omega，以及创意智能层 Creative Affinity。Omega 把代理商的工程能力与客户的数据和流程结合在一起。
看得见的变化是节奏。过去每周复盘一到两次的零售媒体投放，如今每天都在优化。Vatere 说，他不用再通过 Slack、写查询语句或让团队发消息汇报，自己就能查看进展并在内部分享。他给其他营销人的建议是：别再泡在电子表格里，任何超过五分钟的任务都应该自动化。
所以，客户买的不是一份媒介计划加一份月报，而是一台让月报变得多余的机器，以及打造并持续调校它的那群人。
以下是我们站在代理商一侧，对 Mason 三个阶段的解读。
| 客户所处阶段 | 典型表现 | 不再向代理商购买的 | 会买得更多的 |
|---|---|---|---|
| AI 好奇 | 团队用 ChatGPT 或 Claude 结合部分自有数据 | 暂时不多，但案头研究和初稿的费率会承压 | 帮助选择应用场景、建立护栏、做培训 |
| AI 辅助 | 每位员工都能查询的定制智能层 | 月度报告、常规分析、进度同步 | 数据集中、调校，以及解读智能层发现的信号 |
| AI 原生 | 编排层；工作在定制应用中运行 | 人工优化、多版本制作、大部分执行工时 | 系统设计与维护、输出核查、创意、文化判断 |
为什么感觉一切都由技术说了算？
社会学里有个老概念叫技术决定论：认为技术驱动组织和社会的变化，人只能被动适应。这正是眼下大多数代理商谈论 AI 时的情绪：工具来了，客户重组，代理商被动应对。
Liquid Death 的故事是个不错的反驳。选择“两个人”的不是技术，而是一位营销负责人。选择成为系统的工程师、而不是系统的供应商的，是一家代理商。同样的技术，不同的决定，代理商的经济账截然不同。
我们反复回到的一条原则是：当数据与人性相连，清晰便从混沌中浮现。一台每天优化的零售媒体机器产生的信号，远超两个人能读完的量。总得有人判断这些信号意味着什么、哪些真正重要，以及数字什么时候反映的是人的真实变化，而不是数据流里的偶然波动。这个人可以是你。
哪些代理商服务会贬值，哪些会升值？
先从杂活说起。最容易被替代的，是没人为了它才入行做广告的工作：月度报告、进度会、预算跟踪、手工改尺寸、手工拼凑的竞品审计。在 AI 原生的客户那里，这些都在系统内部持续完成，没人会再为它们付月费。
升值的部分不那么显眼，但更难被取代：
- 数据集中。讨论中的第一条建议就是集中数据。大多数客户的数据仍分散在十几个地方，分属不同团队。
- 输出核查。讨论还指出，AI 智能体的输出必须核查准确性。能审计系统结论的代理商，会成为客户的“第二意见”。
- 系统设计。决定自动化什么、按什么顺序、遵循什么规则，这是策略工作，而且可以收费。
- 创意与文化判断。模型朝着已经奏效的方向优化，它不知道接下来应该出现什么。
独立代理商该如何准备？
- 按任务审视你的月费合同。列出每一项常规交付物，标出哪些在一年内可以由一个配备像样 AI 层的两人客户团队自己完成。
- 先对自己执行“五分钟原则”。在客户指出之前，先把内部超过五分钟的任务自动化。
- 主动提出帮客户集中数据。这活不光鲜，但其他一切都依赖它，做这件事的人很难被替换。
- 养成核查习惯。把“我们怎么知道这是对的？”设为固定议程，在 AI 结论送到客户手上之前，先把它追溯到源数据。
- 围绕成果和系统重新定价。如果客户的节奏变成按天，按工时计算的月费对双方都说不通。
- 决定自建、采购还是合作。Power Digital 自建了技术栈。大多数独立代理商养不起工程团队，这时就该考虑采购这种能力。
独立代理商需要自建 AI 操作系统吗？
不需要，但需要它所提供的能力。Mason 的观点是，前沿模型如今只是入场券，优势在它们之上的那几层。对控股集团或资金充足的数字代理商来说，搭建这些层是一项资本投入；对一家 40 人的独立代理商来说，这只会分散它在客户真正雇它来做的工作上的精力。
这正是 Defy 平台存在的原因。它让独立代理商拥有与控股集团同等的分析和 AI 能力，却无需承担开发成本和维护负担：实时的竞品与受众情报，在 Claude 里像问同事一样提问，再由智能体承担重复性交付。
无论怎么选，都要赶在客户之前选。AI 原生的客户不会等代理商追上来，它会直接换一家已经准备好的。
