數位行銷公司如何導入 AI First 政策

大家好，我是 Eric。

上個月，我在整理公司內部的 AI 培訓教材時，發現了一個矛盾的數據：根據 HubSpot State of Marketing 2026 的調查，已有 86.4% 的行銷團隊在至少部分工作流程中使用 AI，然而，同一年的 Salesforce 調查卻顯示，儘管 AI 普及，仍有 84% 的行銷人員在跑單向、無差異化的舊流程。

這個數據對應到我們公司內部的狀況，也有些雷同。儘管我們今年 3 月在公司內部宣告了《AI First 政策》，但實行至今，成員們對於這個政策的本質還是沒有一致的共識。

換句話說，大家都說在用 AI，但流程沒有真正改變。

先說結論：為了不要讓 AI First 淪為口號，我們在公司的內部訓練中，重新定義了這項政策的內涵：所謂的 AI First，不是大量導入工具，而是建立主動審視自己工作流程的思考習慣。

今天這篇文章，我將分享：applemint 花了幾個月時間中，我們實際做了什麼、哪些地方行、哪些地方踢到了鐵板。

本文要點

AI First 的核心不是「用更多 AI 工具」，而是在每一個任務開始前，先問自己三個問題：我的流程是什麼、哪個步驟可以讓 AI 試試、測試後我學到什麼。applemint 用這個框架持續改善廣告月報的製作流程，不僅讓每份報告的製作時間從原本的 3-4 小時壓縮到 1.5 小時內，也透過後續的品質管控與假設判斷，進一步提升對策的可行性、增加改善成效的機率。

AI First 究竟是什麼？

Gartner 的 2026 CMO Spend Survey 指出，行銷主管平均已將 15.3% 的預算投入 AI，但其中只有 30% 具備成熟的 AI 執行能力。錢花了，但能力跟不上，原因幾乎都指向同一個問題：大家把「使用工具」等同於「AI 轉型」。

在今年 5 月時，針對 AI First 進行了內部調查，發現儘管我們在 3 月宣布了《AI First 政策》，大多數的人對於其內涵仍然模糊，並抱有懷疑。整體來說，主要有兩大質疑：

• 認為 AI 是提高效率的「手段」，而非「目的」
• 花在確認 AI 產出的時間，其實相當於自己執行的時間

對此，我們在內部訓練時，重新釐清了這項政策的定義：

AI First Policy ≠ 所有事都要用 AI

AI First Policy = 在開始一個任務或專案時，有意識地審視你的工作流程，找出哪些部分可以讓 AI 支援或取代，然後去測試它。

測試失敗沒關係。那個「因為＿＿＿所以沒辦法」才是最有價值的東西。

這個定義的核心在於「有意識地審視」。不是每個任務都要 AI，而是每個任務開始前都要問一遍。習慣形成之後，你不需要靠意志力記住，它會變成工作流程的一部分。

換句話說，AI First 是一個思考前置動作，而不是優先使用 AI 工具。

當然，這聽起來還是很像口號，所以接下來我將進一步解釋 AI First 的本質。

落實 AI First 的三個核心問題

HubSpot 的調查顯示，約三分之一的行銷人員表示 AI 每週能節省 10 到 14 小時，另外三分之一甚至節省 15 小時以上（HubSpot State of Marketing 2026）。但前提是，這些人已經把 AI 整合進了具體的工作步驟，而不只是偶爾開一個 ChatGPT 視窗問問題。

要把 AI First 從一個概念變成日常習慣，我們用的是一個簡單的「三個問題」框架。

第一問：既有的工作流程是什麼？

把任務拆成步驟，這是許多中小企業面臨 AI 轉型時最困難的問題。

以撰寫廣告成效報告為例，我們必須將「撰寫 2026-05 月的廣告成效報告」，拆解成「定義問題 → 收集客戶關心的數據 → 整理成表格 → 找出異常 → 建立假設 → 提出可驗證行動建議」。步驟越清楚，才越容易看出哪裡可以讓 AI 介入。

第二問：哪個步驟值得讓 AI 試試？

AI 相對於人類的優勢在速度與廣度，因此在列出工作流程後，先找到能補強的地方。

比如「整理成統一格式」這個步驟，AI 的處理速度遠超人工，又或者「現在應該要看哪個階層的廣告數據」，透過 MCP Server 也可以很準確的得到；但「假設是否符合客戶商業邏輯」這個判斷，AI 目前做不好，因為大多數的情況下，AI 不知道客戶的脈絡。

第三問：測試之後，我學到什麼？

這是三問中最容易被跳過、但最重要的一步。

有效的：記下來，下次直接用。
沒效的：記下來「AI 在＿＿＿做不到，因為＿＿＿」。

那個「因為」，才是真正累積的知識資產。我們往往太重視「成功案例」，忘記失敗本身也有價值。

以 applemint 而言，我會在每週的會議中，蒐集利用 AI 撰寫廣告成效報告的結果回饋，作為最佳化的依據。這個習慣的重要性，後面的失敗案例會清楚說明。

實際案例：我們怎麼重新設計廣告月報流程

廣告月報是代理商最耗時、最重複的工作之一，有些代理商甚至到最後讓月報變成「賺墨水分」的形式主義，卻無法給予客戶前進的方向。

以 applemint 而言，我們服務的客戶橫跨電商、餐飲、B2B 服務業，每個月需要製作的報告數量不少。原本的流程幾乎全靠人工，從抓取數據到完成初稿大約要 3 到 4 小時。

我們把這個流程重新設計成六個階段，明確標記哪些部分由人主導、哪些由 AI 輔助：

階段	工作內容	執行者	工具
Stage 1 準備	確認客戶與月份、讀取客戶設定與背景（維護 context.md）	人 (業務窗口)	—
Stage 2 資料	從 Meta / Google API 或 MCP Server 擷取原始數據（或手動匯出 CSV）	AI 輔助	Python 程式
Stage 3 整理	normalize 成分析用的統一格式	AI	GPT / Claude
Stage 4 生成	根據「現象 → 假設 → 下一步行動」框架寫報告初稿	AI	Claude / GPT
Stage 5 品控	report-check 自動 QA、人工判斷假設邏輯是否正確，與 context.md 比對是否符合客戶商業邏輯	人	—
Stage 6 交付	壓縮報告長度、選擇性產出互動 dashboard	人 + AI	輔助排版

列出這個六階段流程，並找出 AI 工具的切入點後，我們每份月報的製作時間從原本的 3 小時壓縮到 1 小時內，聽起來並不是什麼驚人的突破，但我們成功地把廣告操作人員的精力從「下載、整理資料」(Stage 2-4)，轉變為「驗證數據、構思對策」(Stage 5)。

這個流程最關鍵的設計原則是：AI 負責速度，人負責判斷。初稿出來後，人看的不是文字對不對，而是背後的假設有沒有邏輯、建議有沒有辦法實際執行。

AI 會失敗的地方，我們也誠實記錄下來

誠實面對失敗案例，比分享成功案例更難，但對組織學習更有價值。我們在落實告月報流程的過程中，踢到了三個具體的鐵板。

缺乏 context.md，分析就會跑偏

Stage 1 的 context.md 是整個流程的核心。

這份文件記錄客戶的背景、策略方向、已知的市場限制。如果這份文件沒有定期更新，AI 在 Stage 4 生成的報告數字可能是對的，但邏輯是錯的。

我們有一個客戶，在某個月調整了廣告受眾策略，但 context.md 沒有同步更新。結果 AI 根據舊的策略邏輯生成了一份初稿，建議回頭擴大原本已經主動收縮的受眾。單看邏輯分析的話沒有問題，但方向和客戶的意圖完全相反。

當然，這份報告最後在 Stage 5 的人工審核被攔下來了，但如果沒有人工品控這一關，後果不難想像。

資料量超過 token 上限

由於在流程中加入了大量的客戶脈絡 (context)，導致在執行 Claude Skill 的時候，很容易超過模型的 token 上限。因此我們目前的做法是藉由 AI 輔助，撰寫 Python 檔案，並且嚴格規範廣告的命名格式，將原本需要透過 AI 語意判斷的內容，先透過 Python 程式整理好。不過這是我們目前還沒有完全解決的問題，因此也仍然在調整的路上。

Meta / Google API 存取限制，自動化有瓶頸

Stage 2 的資料，理想狀態是 Python 程式直接從 API 擷取數據。但現實是，不同客戶帳號的資料量不一樣，可能一次執行的時候會直接遇到存取限制。現階段的折衷方案是：串接的程式還是準備好，不過實務上仍先透過手動匯出 CSV，讓 Python 負責後續的處理，減少手動的佔比。

這三個失敗案例有一個共同的根本原因：AI 依賴輸入品質，也就是「Garbage In, Garbage Out」，而輸入品質是人的責任。如同提示工程 (prompt engineering) 所關注的：所謂的「AI 做不到」，很多時候是「我們沒有給 AI 正確的輸入」。

記錄失敗的真正意義，正是找出人在流程中不能缺席的位置。

哪些工作 AI 不該碰？（人的不可替代邊界）

62.7% 的行銷人員認為，需要更多「獨特的、以人為中心的內容」來對抗 AI 生成內容的泛濫（HubSpot State of Marketing 2026）。回到我們對 AI First 的定義：不是「AI 做所有事」，而是「清楚知道 AI 做不了什麼」。

以 applemint 而言，我們目前界定出四個環節，是人工決策不能外包的：

context.md 的維護。 客戶的歷史背景、當前策略假設、未解決的市場問題——這些是 AI 能夠正確輸出的前提，必須由人持續更新。這不是一次性建檔，是持續的維護責任。上面提到的廣告月報失敗案例，根本原因就在這裡。

假設驗證。 AI 提出的洞察來自資料模式，不是商業判斷。「這個數字意味著什麼、在這個客戶的脈絡下代表什麼行動」，這是人的工作。AI 可以透過語意產生「好像是真的」的假設，但不能替你判斷哪個選項在商業上是對的。

客戶關係溝通。 信任建立在人與人之間。代理商面對客戶的那個角色——理解顧慮、解釋判斷、建立長期信任——目前沒有 AI 能夠替代。

策略方向制定。 哪個市場、什麼定位、這季的重點在哪——AI 可以分析選項的優劣，但最終的方向判斷需要人拍板，因為最終仍然需要有「人」對這個決定的結果負責。

這四個邊界不是 AI 的限制，而是作為數位行銷代理商服務價值的核心所在。如果你所在的代理商或代操夥伴，完全不在乎這四件事，那才是真的會「被 AI 淘汰」的對象。

AI First 之後，代理商的的獲利會減少嗎？

Typeface Signal Report 2025 的數據讓很多代理商感到緊張：60% 的 VP 以上行銷主管表示，已因 AI 而減少對代理商的外包預算；83% 認為完全 AI 自動化將消除大部分代理商支出。

這個數字不是在預言代理商的末日，而是在說一件很具體的事：以人工時數計費的商業模式，在 AI 時代的說服力正在下降。

如果我們用 AI 把月報製作時間從 3 小時壓縮到 1 小時，客戶付的費用應該減少嗎？還是我們應該收更多，因為品質更穩定、交付更快？

以 applemint 而言，我們的思考方向是把計費重心從「時間」移向「成果」。幾個可能的方向：

• 洞察品質：報告交付的不是數字，而是可執行的假設和建議。這個判斷是人做的，AI 做不到。
• 流程設計：幫客戶建立他們自己的 AI 工作流程，這另外一種高附加價值服務，也就是近期業界流行的 FDE (Forward Deployed Engineer)。
• 監管責任：AI 生成的內容需要人工審核，這個「把關成本」是真實存在的，應該被定價。

當然，我們也還沒有完美答案，但有一點是確定的：繼續單純以工時計費，長期來說是在和 AI 的效率賽跑，代理商是贏不了的。

Google Taiwan 的代理商研究（2026）同時指出，頂尖 AI 採用代理商的新業務成長率達到同業的 1.6 倍、效率增益則達到 2.6 倍。數據說明的不是「用了 AI 就會失去客戶」，而是「用 AI 做舊事的代理商失去客戶，用 AI 做新事的代理商成長」。

關於 AI First 的常見問題

結語：從現在開始問自己的團隊三個問題

回到一開始的難題：86.4% 的行銷團隊用了 AI，但 84% 跑的還是一模一樣的舊流程。但真的把 AI 烙印到企業 DNA 的解法，不是換更多工具，而是在每次任務開始前的那三秒鐘，停下來問自己那三個問題。

這週，找出團隊中最重複、最耗時的一個工作流程，用「三個問題」的框架拆解它：步驟是什麼、哪個步驟值得讓 AI 試試、測試後你學到什麼。不需要大改流程，而是先從找出步驟開始。

最重要的是，把測試結果記下來，不管成功還是失敗。那份記錄，就是你的 AI First 知識庫的第一頁。三個月後，你會有一份屬於你的公司、不是外面教你的 AI 能力清單。

如果你今天在品牌端工作，希望獲得這樣的服務體驗，或是希望學習 applemint 在中小團隊落實導入 AI的經驗，歡迎隨時透過下列表單與 applemint 聯繫。